Wan 3.0 Dokument till video: Jag granskade varje bildruta

Senaste uppdatering: Wan 3.0 är nu live sedan 24 augusti 2026.

Ladda upp ett kalkylark. Få tillbaka en 23 sekunder lång affärsanimation med musik.

Det är löftet från Wan 3.0 dokument-till-video, familjens första inbyggda dokumentinmatning, och den officiella demon levererar mer bokstavligt än jag förväntade mig. Siffrorna stämmer. 1 580 USD växer till 3 460 USD, märket visar +45,7 %, och dessa siffror går direkt tillbaka till specifika celler i källarket.

Sedan drog jag spelhuvudet till 12-sekundersmarkeringen och läste diagramförklaringen.

"Southeasta North America."

Två försäljningsregioner krossade till ett ord som inte finns. Det är den verkliga vattenlinjen för dokument-till-video 2026: modellen läste verkligen din tabell, och den kan fortfarande inte rita ditt diagram. Nedan finns den bild-för-bild-granskning som ingen annan har publicerat, plus en trestegskedja du faktiskt kan köra i eftermiddag.

Viktiga slutsatser

• Wan 3.0 accepterar 1 fil eller 1 länk, upp till 100 MB eller 50 sidor, och matar ut upp till 30 sekunder i 1080p.
• Den skapar en film baserat på ditt dokument. Den omvandlar inte bild 3 till tagning 3.
• Cellvärden bevaras intakta. Diagramförklaringar, axelmarkeringar och tusentalsavgränsare gör det inte.
• Begränsningar: ingen 4K, inga öppna vikter, endast förstapartskanaler.
• En långkontextmodell plus en 15-sekunders videomodell återskapar det mesta idag.

Wan 3.0 dokument-till-video-utdata: den officiella xlsx-demon renderad som en Keynote-stil animerad datafilm

Showcase: Alibabas officiella Wan 3.0 offentliga betademo, en .xlsx med månatlig GMV in, 23 sekunder animerad datafilm ut. Visad här som en tyst GIF; den levererade filen har ett 44,1 kHz stereo AAC-spår. Källa: Alibabas officiella Wan 3.0 creators handbok.

Vad Wan 3.0 Dokument-till-Video Faktiskt Gör

Kort version, så du kan lämna om en minut om det är allt du behöver.

Du ger den ett dokument eller en webblänk. Den läser allt, bestämmer vad berättelsen är, och genererar en video med bild och ljud i samma pass. Max 30 sekunder, max 1080p. Den går inte igenom dina sidor i ordning.

Här är gränserna som faktiskt styr ett projekt.

Offentlig beta öppnade 6 augusti 2026 (AgentUpdate, augusti 2026). Formatlistan och de två publicerade prissedlarna kommer från en separat spec-sammanställning (Ngram, augusti 2026).

Den officiella handboken levererar fyra dokumentanvändningsfall, och de mappar tydligt mot fyra jobb som folk redan betalar byråer för:

• Förslag till varumärkesfilm. Ett hudvårdspitchdokument blir en 30-sekunders annons med en huvudskådespelerska och en morgonljusberättelse.
• Kursmaterial till videolektion. En uppslagsverksartikel blir en animerad lektion för förstaklassare.
• Kalkylark till animerade diagram. Demon ovan, och överlägset den svåraste av de fyra.
• Rapport till muntlig sammanfattning. En skriven rapport blir en presentatörsstil briefing.

Nu är det här de flesta artiklar får kategorin fel.

De etablerade aktörerna inom "PDF till video" gör inte detta. Kapwings dokument-till-video drar ut texten från din fil och lägger den på en tidslinje, utan scenbyggande och utan presentatör. Pictory och Powtoon monterar arkivmaterial eller mallanimationer, och Powtoons egna produktsidor annonserar AI-avatarer och röster som läser ditt manus. Alla tre producerar berättade bildspel.

Läs den tabellen två gånger, för det är hela argumentet: dessa är inte konkurrenter i samma kategori. En gör berättade bildspel. Den andra gör filmmaterial som aldrig funnits. Att jämföra dem på pris per minut är som att jämföra en kopiator med ett filmteam.

Kan Wan 3.0 också göra bildspelssaken? Ja, och det är den ärliga brasklappen.

Motexempel: ombedd att omvandla en webbsida om kvantmekanik till en rolig förklaring, producerade Wan 3.0 exakt presentatör-plus-textningsformatet som de etablerade säljer. Den träffar 30-sekundersväggen vid 30,02s. Officiell Alibaba offentlig betademo, ljud på.

Så skillnaden är inte att Wan 3.0 inte kan göra pratande huvudförklaringar. Det är att med de etablerade aktörerna är det formatet det enda på menyn.

Varför Wan 3.0 Dokument-till-Video Förstör Diagram men Behåller Dina Siffror

Här är den mest användbara saken i den här artikeln: Jag drog ut 12 jämnt fördelade bildrutor från den officiella kalkylarksdemon och läste varje tecken.

Domen delas rent i två delar. Värden klarar sig. Diagrammöbler misslyckas.

Vad överlevde. Vid 4-sekundersmarkeringen läser bildrutan $1,580, en tunn grå pil, $3,460, texten "Monthly GMV Growth", och ett korallfärgat märke som läser +45,7%. Typografin är ren, kommatecken är på rätt plats, inga förvrängda tecken. Prompten bakom denna demo hänvisar till specifika kalkylarksceller, och siffrorna på skärmen matchar dem. Ett tredjepartstest på en 8-sidig produktpresentation fann samma sak: 45g, 12 timmar och 55 grader renderades alla korrekt, och den avslutande sloganen kom ut utan ett enda feltecken (AI-Driven Lab, augusti 2026).

Det besvarar frågan som ekonomi- och L&D-team faktiskt bryr sig om. Dina siffror muterar inte tyst.

Vad gick sönder. Diagrambildrutorna är en annan historia.

Wan 3.0 dokument-till-video bildruteaudit som visar en sammanslagen diagramförklaring och en trasig y-axel

Fryst vid 12s i den officiella demon. Tre defekter i en bildruta: två regionnamn sammanslagna till "Southeasta North America", "North America" sedan upprepat som sin egen serie, och en y-axel som läser 30, 60, 70 medan den översta datamärkningen säger $3,880.

Räkna felen i den bildrutan:

1. Sammanslagen förklaring. "Southeast Asia" och "North America" kolliderar till "Southeasta North America". Sedan visas "North America" igen som en separat serie, så en region är märkt två gånger och en har försvunnit.
2. En y-axel som inte är en skala. Markeringarna läser 30, 60, 70. Lika pixelavstånd, olika värden, och 40 och 50 helt enkelt saknas.
3. Axel och etiketter i olika enheter. Den högsta rutnätslinjen är 70. Etiketten fast vid den översta datapunkten säger $3,880.
4. Magnitudförskjutning längs en linje. Etiketterna på den översta kurvan börjar vid $330 och $335, landar sedan på $3,970 och $3,880. En jämnt stigande linje kan inte ha ett tiofaldigt hopp mellan två intilliggande punkter. De två etiketterna däremellan är utsmetade bortom säker läsning, vilket är sitt eget svar.

Stapeldiagramsegmentet upprepar mönstret. Fyra staplar bär $1750, $1,580, $2,350 och $2,580, så den kortaste stapeln har det näst högsta numret, och den första etiketten förlorar sitt tusentalskomma medan de andra tre behåller sina. Bredvid sitter fem gröna tillväxtsiffror för fyra staplar. Och tårtbitssegmentet centrerar på $89,7M, ett kommatecken där en decimalpunkt borde vara.

Lägg märke till vad alla dessa har gemensamt. Inte en enda är ett innehållsfel. Varje enskilt är ett ritningsfel: layout, märkning, skala, interpunktion. Modellen förstod arket och renderade sedan diagrammet på samma sätt som en videomodell renderar tät text, approximativt.

Det finns en andra, strukturell anledning till att utdata inte ser ut som din presentation.

Gör matematiken. 50 sidor är sidgränsen, 30 sekunder är tidsgränsen. Det är 0,6 sekunder per sida.

Du kan inte presentera en sida på 0,6 sekunder, så modellen gör det enda vettiga och gör en trailer istället. Det tredjepartstestet av presentationen kom till samma slutsats oberoende: den behandlade presentationen som källmaterial för en filmisk annons, inte som bilder att bläddra igenom. Produktens glasögonbågar förändrades från tjocka till kantlösa till en tredje form över klippen.

Vilket också är anledningen till att 30-sekundersgränsen är en designrestriktion, inte en specifikationsfotnot.

Vi mätte de levererade filerna: de fyra officiella dokumentdemon landar på 30,04s, 30,02s, 25,03s och 23,04s. De två 30-sekundersklippen stannar inom fyra hundradelar av varandra. Och kalkylarksdemon bad om 22 sekunder, men levererade 23,04. Vi tog isär den gränsen i Wan 3.0 förhandsgranskning.

Så: förväntningar kalibrerade. Mata den med ett dokument, få en trailer, håll dina diagram enkla.

Dokument-till-Video Arbetsflödet Du Kan Köra Idag

Snabb verklighetskontroll före handledningen, för det sparar en timmes sökande.

Wan 3.0:s dokumentinmatning finns bara på Alibabas egna kanaler, åtkomst är inbjudningsstyrd, och vikterna är inte publicerade. Ingen utanför dessa kanaler kan erbjuda det, inklusive oss. Vad du kan göra idag är att återuppbygga den användbara halvan av den xlsx-demon med modeller som redan är öppna för affärer, och bildruteauditen ovan berättar exakt hur du undviker den del som går sönder.

Tre steg, en webbläsarflik på Atlas Cloud:

1. En miljon-token-modell läser dokumentet och skriver ett tidskodat bildmanus, med varje nummer inbakat som en bokstavlig sträng.
2. En bildmodell renderar den första bildrutan, vilket är där all textnoggrannhet låses in.
3. En videomodell animerar den bildrutan enligt manuset.

Tre ärliga begränsningar med denna kedja. Den äter inte en .pptx-binär, så du klistrar in texten eller CSV:n själv. Wan 2.7 toppar vid 15 sekunder, så en enda 30-sekunderstagning är utesluten. Och bild-till-video-vägen är tyst av design: dess audio-parameter tar ett spår du tillhandahåller för att driva läppsynk, den uppfinner inte ett ljudspår. Om du vill ha ljud genererat i samma pass använder du text-till-video-syskonet och ger upp första-bild-kontroll, vilket för en video full av dollarsiffror är fel avvägning. Priser verifierade på modellsidorna den 20 augusti 2026, och notera att ett listat pris är ett minimum: kvalitets- och upplösningsnivåer driver upp det levande budet, så läs Kör-knappen innan du förbinder dig.

Låt oss bygga det.

För en aktuell värdbaserad körning, öppna Wan 3.0 på Atlas Cloud och testa en prompt som den nedan innan du publicerar arbetsflödet.

Wan 3.0 prompt-till-resultat skärmbild: Dokument-till-video-granskning.

Steg 1: Omvandla Ditt Kalkylark Till ett Tidskodat Bildmanus

Videomodeller kommer inte ihåg siffror. De renderar vilken sträng du än ger dem. Så jobbet med detta steg är att omvandla en tabell till bildinstruktioner där varje siffra redan är utskriven som text inom citattecken.

Klistra in ditt ark mellan <<<-markörerna. Inställningar: temperatur 0,3, max_tokens 4000. Håll max_tokens generöst, eftersom en resonemangskapabel modell som får slut på budget mitt i en tanke returnerar ett tomt svar som du ändå betalar för.

textCopy
1Du är en motion-graphics-regissör. Nedan finns en rå kalkylarksexport.
2
3<<<
4Månad,North America,Southeast Asia,Europe,Total GMV
5Jan,1580,880,640,3100
6Feb,2110,1240,900,4250
7Mar,2740,1610,1150,5500
8Apr,3120,1980,1330,6430
9May,3350,2240,1460,7050
10Jun,3460,2480,1580,7520
11H1 tillväxt,+45.7%,,,
12>>>
13
14Skriv ett bildmanus för en 10-sekunders, 16:9, Apple-Keynote-stil
15affärsdatavideo. Regler:
161. Exakt 2 bilder. Ge varje en in/ut-tidskod (00:00-00:05,
17   00:05-00:10).
182. Varje nummer som visas på skärmen måste skrivas i bildbeskrivningen
19   som en exakt bokstavlig sträng, inom citattecken, t.ex. "$1,580".
20   Skriv aldrig "januari-siffran" - skriv siffrorna.
213. Be INTE om en förklaring, en axel med etikettmarkeringar, eller mer än
22   två dataserier på skärmen samtidigt. Använd stora fristående siffror
23   och ett enda korallfärgat pillerformat märke istället.
244. Ren vit bakgrund, mjuk korall + mörkgrå palett, sans-serif.
255. Avsluta med en rad med BGM + SFX-instruktion (svisch vid inskjutning,
26   en klockklang på märket).
27Skriv endast manuset, inga kommentarer.
28

Regel 3 är utdelningen från granskningen. Den officiella utdatan gick sönder på exakt tre saker: förklaringar, axelmarkeringar och diagram med flera serier. Så vi tar bort alla tre från briefinget och använder den skärmytan till överdimensionerade siffror och ett färgkodat märke istället. Samma information, ingen av felpunkterna.

Regel 2 är den som folk hoppar över, och det är anledningen till att siffrorna överlever till slutet av denna kedja. En bildbeskrivning som säger "januari-siffran" lämnar över numret till en modell som måste uppfinna tecken för det. En bildbeskrivning som säger "$1,580" inom citattecken ger nästa två steg en sträng att kopiera. Du ber inte om datavisualisering här, du ber om en skrivinstruktion.

Vad som kommer tillbaka är ett två-bilders manus med in- och ut-tidskoder, varje siffra på skärmen citerad som en bokstavlig, och en avslutande BGM- och SFX-rad. Behåll det i en skrapfil; steg 2 och 3 läser båda från det.

Steg 2: Generera Varumärkets Första Bildruta

Varje tecken i text på skärmen bestäms här. En bildmodell i hög kvalitet renderar $1,580 korrekt långt mer tillförlitligt än en videomodell kan skriva det medan den också rör på det, så vi avgör typografin i en stillbild och låter steg 3 bara trycka runt pixlar.

Öppna GPT Image 2 och ställ in kvalitet till hög och storleken till 16:9-alternativet, vilket på denna sida är 2048x1152. Matcha bildförhållandet till videon du snart ska göra, annars börjar steg 3 med att beskära din typografi.

textCopy
1En orörd Apple-Keynote-stil presentationsbildruta på en ren vit
2sömlös bakgrund, fotograferad som om den projicerades på en matt
3studiovägg. Centrerad rubrik i en djup kolgrå geometrisk sans-serif
4som läser "H1 2026", placerad i generöst negativt utrymme. Under
5den, två överdimensionerade siffror i samma typsnitt, "$1,580" till
6vänster och "$3,460" till höger, separerade av en tunn ljusgrå pil.
7Under pilen, liten ljusgrå bildtext som läser "Monthly GMV
8Growth". Under det, ett enda korallfärgat pillerformat märke med vit
9text som läser "+45.7%". Mjukt jämnt diffust ljus, svag varm
10gradient i det övre högra hörnet, subtil papperskorn, ingen röra, inga
11logotyper, inga diagram. Ultraclean företagsminimalism, 16:9.
12

Två detaljer värda att kopiera. "Inga diagram" är med avsikt. Och läs prisangivelsen på Kör-knappen innan du trycker, för hög kvalitet på en bred 2K-bild kostar en multipel av listpriset $0,009.

GPT Image 2 lekplats på Atlas Cloud med första-bild-prompten och den renderade Keynote-stil bildrutan som visar varje siffra korrekt stavad

GPT Image 2 i hög kvalitet, 16:9 vid 2048x1152. Varje siffra landade: "H1 2026", "$1,580", "$3,460" och det korallfärgade "+45.7%" märket, vilket är exakt varför typografin avgörs i en stillbild och inte i en videomodell.

Steg 3: Rendera Dokument-till-Video-klippet och Verifiera Varje Siffra

Sista steget. Ladda steg-2-bilden som första bildruta och låt videomodellen animera den medan den håller typografin stilla.

Öppna Wan 2.7 Image-to-Video. Inställningar: din första bildruta uppladdad, upplösning 1080P, varaktighet 10s. Lämna ljudfältet tomt, eftersom denna modell behandlar ljud som en drivande indata snarare än något den skapar. Du poängsätter detta klipp själv, eller i ett separat text-till-video-pass.

textCopy
1Animera denna bildruta som en 10-sekunders Apple-Keynote-stil
2affärsdatavideo, och håll den befintliga typografin pixelstabil.
3
400:00-00:05 - Rubriken "H1 2026" håller, löses sedan upp i
5gyllene partiklar som driver utåt. De två siffrorna "$1,580" och
6"$3,460" glider in från vänster och höger och låses på plats; den tunna
7gråa pilen ritar sig själv mellan dem från vänster till höger. Det korallfärgade märket som läser "+45.7%" dyker upp underifrån med en lätt överskjutning, tidsatt till en enda tydlig klockklang.
8
900:05-00:10 - Allt glider smidigt av till vänster. Tre tjocka
10rundade staplar växer uppåt från en gemensam baslinje mot samma rena
11vita bakgrund, korall, teal och bärnsten, med en stor fristående
12siffra ovanför varje: "$3,460", "$2,480", "$1,580". Ingen
13förklaring, ingen axel, inga etikettmarkeringar, inga rutnät. Kameran
14förblir låst och perfekt stilla under hela tiden.
15

"Att hålla den befintliga typografin pixelstabil" och "kameran förblir låst" gör verkligt arbete. Varje kamerarörelse är en ny chans för modellen att rita om text som den borde lämna ifred.

Gör sedan den tråkiga, viktiga delen: pausa på varje bildruta där en siffra visas och läs den mot källraden. Det är en 30-sekunders kontroll, och det är det enda som står mellan dig och en video som självsäkert visar fel intäktssiffra.

Wan 2.7 Image-to-Video lekplats på Atlas Cloud med första bildrutan laddad och det färdiga dataklippet renderat

Wan 2.7 Image-to-Video vid 1080P med steg-2 första bildrutan uppladdad och det färdiga klippet i utdatapanelen. Värt att notera vad panelen säger: vi bad om 10 sekunder, varaktighetsfältet visade 10, och renderingen kom tillbaka 5. Kör-offerten berättade för oss innan filen gjorde det, vilket är hela anledningen till att läsa den.

Det färdiga dataklippet återuppbyggt från samma GMV-kalkylark, varje siffra intakt

Utdelningen: samma kalkylark, återuppbyggt med förklaringar och axelmarkeringar medvetet bortdesignade. Modellen komprimerade båda manusbilderna till de fem sekunder den faktiskt renderade, och varje siffra överlevde flytten: "$1,580" och "$3,460" i öppningen, sedan "$3,460", "$2,480" och "$1,580" över de tre staplarna. Noll förvrängda etiketter, för det fanns inga etiketter kvar att förvränga. Tyst av design, eftersom bild-till-video-vägen inte poängsätter något för dig.

Dokument-till-Video Variationer och Vad en Färdig Minut Kostar

Kalkylarksfallet är det svåraste. De andra tre officiella användningsfallen är enklare, och det är där det mesta av det kommersiella värdet sitter.

Kursmaterial. Mata den med en uppslagsverksartikel och be om en lektion på en specifik läsförmåga. Utdatan nedan är en chibi-stilad animerad lektion om poeten Wang Wei, 25,03 sekunder lång.

Ritstilen håller hela vägen. Karaktärsdetaljerna gör det inte. Vid 3-sekundersmarkeringen bär han en svart keps mot en vit bakgrund; vid 22 sekunder har kepsen blivit ljusblå och han står inuti en klassisk rullmålning. Samma förskjutning som presentationstestaren såg i de glasögonbågarna. Om du återuppbygger detta på trestegskedjan, lås ett karaktärskort i steg 1 och återanvänd steg-2-bilden som din stilankar.

Uppslagsverksartikel till en animerad lektion för första klass, 25,03s med genererat ljud. Officiell Alibaba Wan 3.0 offentlig betademo.

Varumärkesfilmer. Ett förslagsdokument blir en hel 30-sekunders reklamfilm. Det är den snyggaste av de fyra demon och den minst verifierbara, eftersom du inte kan se vad källdokumentet sa. Titta på konsistens snarare än skönhet: detta är felsättet som fångade tredjepartstestaren, vars produkt ändrade form tre gånger i ett klipp.

Förslagsdokument till en 30,04s hudvårdsreklamfilm. Officiell Alibaba Wan 3.0 offentlig betademo, ljud på.

Rapportsammanfattningar. Ingen officiell demo finns för denna, så behandla mönstret som otestat: be om en presentatör, ett påstående per bild, och sätt varje siffra inom citattecken exakt som i steg 1.

Nu pengarna.

Två publicerade Wan 3.0-prislistor är oense om huruvida 1080p är ¥1,2 eller $0,20 per sekund, vilket inte är samma nummer. Kontrollera priset på den slutpunkt du faktiskt debiteras mot innan du budgeterar en serie.

Den dolda kostnaden är inte priset per sekund. Det är omkörningen. Dokumentinmatning tar en fil per jobb, så att ändra en enda siffra innebär att regenerera hela videon. I trestegskedjan är bildmanuset en återanvändbar textartefakt, så en sifferändring kostar dig en rendering istället för ett helt jobb. Över en kvartalsrapporteringscykel överväger den skillnaden priset per sekund.

En juridisk notering innan du laddar upp något. Ett dokument du skickar till en värdbaserad modell är ett dokument som lämnar din byggnad, och interna presentationer och opublicerade finansiella rapporter har vanligtvis en policy kopplad till det. Kontrollera den innan deadline-trycket anländer, inte efter. Och varje officiell demoklipp i denna artikel tillhör Alibaba, citerade här som offentligt betamaterial; inget här är en licens att återanvända dem kommersiellt.

Wan 3.0 Dokument-till-Video FAQ

Vilka filtyper kan Wan 3.0 dokument-till-video acceptera, och hur stora?

doc, xls, ppt, pdf, txt och md, med key, pages och numbers också rapporterade, plus en vanlig webblänk istället för en fil. En fil eller en länk per jobb, upp till 100 MB eller 50 sidor.

Omvandlar Wan 3.0 varje bild till en scen?

Nej, och detta är den vanligaste missuppfattningen. Den läser hela dokumentet, och regisserar sedan en video utifrån vad den lärt sig. Vid gränsen är det 50 sidor på 30 sekunder, eller 0,6 sekunder per sida, så den producerar en trailer snarare än en sidvändare. Både de officiella användningsfallen och oberoende testning pekar åt samma håll.

Är siffrorna från mitt kalkylark korrekta i videon?

Cellvärden höll i varje fall jag kontrollerade, inklusive $1,580, $3,460 och +45,7% i den officiella demon. Vad som misslyckas är diagrammöbler: förklaringar slås samman, axelmarkeringar blir icke-linjära, och tusentalsavgränsare försvinner. Injicera varje siffra som en citerad bokstavlig och designa bort förklaringar och etikettmarkeringar helt från briefingen.

Kan jag använda Wan 3.0 dokument-till-video via ett API idag?

Endast via Alibabas egna kanaler, för närvarande inbjudningsstyrda, och vikterna är inte publicerade. Wan 2.2 förblir den senaste öppna viktutgåvan i serien. Tills dess ändras är trestegskedjan ovan det praktiska substitutet.

Hur mycket kostar en 30-sekunders Wan 3.0-video?

Vid det publicerade 1080p-priset är det ¥36, eller $6,00 på den internationella prislistan, för ett 30-sekundersklipp. Budgetera för omkörningar snarare än för ett enda pass, eftersom en en-siffers korrigering innebär att regenerera hela saken.

Vad är det närmaste Wan 3.0 dokument-till-video som jag kan köra just nu?

En långkontextmodell för att skriva bildmanuset, sedan Wan 2.7 till $0,1 per sekund för renderingen, med MiniMax H3 till samma pris eller Seedance 2.5 till $0,134 per sekund som alternativ. Du får det genererade filmmaterialets utseende och bildruteexakt text. Vad du inte får: 30 sekunder i en enda kontinuerlig tagning, ljud i samma pass som bild-till-video-renderingen, eller en modell som läser .pptx-filen åt dig.

Den ärliga sammanfattningen: Wan 3.0 dokument-till-video är en verklig kapacitet med en verklig begränsning, och skillnaden mellan dess utdata och din är mindre än den ser ut, så länge du slutar be någon av dem att rita en förklaring.