Wan 3.0 เอกสารเป็นวิดีโอ: ฉันตรวจสอบทุกเฟรม

อัปเดตล่าสุด: Wan 3.0 เปิดให้ใช้งานจริงแล้วตั้งแต่วันที่ 24 สิงหาคม 2026

อัปโหลดสเปรดชีตหนึ่งไฟล์ รับกลับมาเป็นแอนิเมชันธุรกิจความยาว 23 วินาทีพร้อมดนตรี

นั่นคือคำมั่นสัญญาของ Wan 3.0 document to video ซึ่งเป็นฟีเจอร์แรกของตระกูลที่รองรับอินพุตเอกสารโดยตรง และเดโมอย่างเป็นทางการก็ส่งมอบตามที่สัญญาไว้แบบตรงตัวมากกว่าที่ฉันคาดไว้ ตัวเลขถูกต้อง 1,580 ดอลลาร์เติบโตเป็น 3,460 ดอลลาร์ ป้ายแจ้งว่า +45.7% และตัวเลขเหล่านั้นโยงกลับไปยังเซลล์เฉพาะในชีตต้นทางโดยตรง

จากนั้นฉันก็ลาก playhead ไปที่ตำแหน่งวินาทีที่ 12 และอ่านคำบรรยายแผนภูมิ

"ซอเทียสตาอเมริกาเหนือ"

สองภูมิภาคขายถูกบดรวมกันเป็นคำที่ไม่มีอยู่จริง นั่นคือเส้นน้ำที่แท้จริงของ document-to-video ในปี 2026: โมเดลอ่านตารางของคุณได้จริง แต่มันยังวาดแผนภูมิของคุณไม่ได้ ด้านล่างนี้คือการตรวจสอบแบบเฟรมต่อเฟรมที่ไม่มีใครเผยแพร่มาก่อน พร้อมด้วยขั้นตอนสามขั้นตอนที่คุณสามารถลงมือทำได้จริงในช่วงบ่ายนี้

ประเด็นสำคัญ

• Wan 3.0 รับไฟล์ 1 ไฟล์หรือ 1 ลิงก์ สูงสุด 100MB หรือ 50 หน้า และเอาต์พุตสูงสุด 30 วินาทีที่ 1080p
• มันสร้างภาพยนต์จากเอกสารของคุณ ไม่ได้ แปลงสไลด์ 3 เป็นช็อต 3
• ค่าในเซลล์คงอยู่ครบถ้วน แต่คำบรรยายแผนภูมิ ขีดบอกแกน และตัวคั่นหลักพันไม่รอด
• มีขีดจำกัดที่ชัดเจน: ไม่มี 4K, ไม่มี open weights, ช่องทางเฉพาะของบริษัทเท่านั้น
• โมเดล long-context ประกอบกับโมเดลวิดีโอ 15 วินาที สามารถจำลองสิ่งนี้ได้เกือบทั้งหมดในปัจจุบัน

ผลลัพธ์ Wan 3.0 document to video: เดโม .xlsx อย่างเป็นทางการที่เรนเดอร์เป็นภาพยนตร์ข้อมูลแบบ Keynote

การสาธิต: เดโมสาธารณะเบต้าอย่างเป็นทางการของ Wan 3.0 จาก Alibaba รับอินพุต .xlsx ของ GMV รายเดือนหนึ่งไฟล์ และเอาต์พุตเป็นภาพยนตร์ข้อมูลแอนิเมชันยาว 23 วินาที แสดงที่นี่เป็น GIF แบบไม่มีเสียง ไฟล์ที่ส่งมอบมาพร้อมแทร็กเสียง AAC สเตอริโอ 44.1kHz ที่มา: คู่มือผู้สร้าง Wan 3.0 อย่างเป็นทางการของ Alibaba

Wan 3.0 Document to Video ทำอะไรได้จริง

เวอร์ชันสั้น เผื่อคุณมีเวลาแค่ไม่กี่นาที

คุณส่งเอกสารหนึ่งไฟล์หรือลิงก์เว็บหนึ่งลิงก์ มันอ่านทุกอย่าง ตัดสินใจว่าเรื่องราวคืออะไร และสร้างวิดีโอพร้อมภาพและเสียงในพาสเดียว สูงสุด 30 วินาที ความละเอียดสูงสุด 1080p มันไม่เรียงหน้าตามลำดับที่คุณให้

นี่คือข้อจำกัดที่ควบคุมโปรเจกต์จริงๆ

เปิดเบต้าสาธารณะเมื่อวันที่ 6 สิงหาคม 2026 (AgentUpdate, สิงหาคม 2026) รายการรูปแบบและแผ่นราคาที่เผยแพร่ทั้งสองแผ่นมาจากการสรุปสเปคแยกต่างหาก (Ngram, สิงหาคม 2026)

คู่มืออย่างเป็นทางการมีกรณีการใช้งานเอกสาร 4 กรณี ซึ่งสอดคล้องกับงานที่ผู้คนว่าจ้างเอเจนซี่ให้ทำอยู่แล้ว:

• เอกสารข้อเสนอเป็นภาพยนตร์แบรนด์ เอกสารพรีเซนต์สกินแคร์กลายเป็นโฆษณา 30 วินาทีพร้อมนักแสดงนำและเรื่องราวในแสงยามเช้า
• สื่อการสอนเป็นบทเรียนวิดีโอ รายการสารานุกรมกลายเป็นคลาสแอนิเมชันสำหรับนักเรียนชั้น ป.1
• สเปรดชีตเป็นแผนภูมิแอนิเมชัน เดโมด้านบน และเป็นกรณีที่ยากที่สุดในสี่กรณี
• รายงานเป็นสรุปแบบพูด รายงานที่เขียนขึ้นกลายเป็นบรรยายสรุปสไตล์พรีเซนเตอร์

ทีนี้ นี่คือจุดที่บทความส่วนใหญ่เข้าใจผิดเรื่องหมวดหมู่

ผู้เล่นหลักใน "PDF to video" ไม่ได้ทำแบบนี้ Kapwing's document-to-video ดึงข้อความจากไฟล์คุณแล้ววางลงบนไทม์ไลน์ ไม่มีการสร้างฉากและไม่มีพรีเซนเตอร์ Pictory และ Powtoon ประกอบฟุตเทจสต็อกหรือแอนิเมชันเทมเพลต และหน้าเว็บผลิตภัณฑ์ของ Powtoon เองก็โปรโมต AI avatars และเสียงที่อ่านสคริปต์ของคุณ ทั้งสามผลิตสไลด์ที่มีการบรรยาย

อ่านตารางนั้นสองครั้ง เพราะมันคือข้อโต้แย้งทั้งหมด: สิ่งเหล่านี้ไม่ใช่คู่แข่งในหมวดหมู่เดียวกัน อันหนึ่งทำสไลด์ที่มีการบรรยาย อีกอันทำฟุตเทจที่ไม่เคยมีมาก่อน การเปรียบเทียบราคาต่อนาทีก็เหมือนกับการเปรียบเทียบเครื่องถ่ายเอกสารกับทีมถ่ายทำ

Wan 3.0 ทำสไลด์โชว์แบบนั้นได้ไหม? ได้ และนั่นคือข้อแม้ที่ซื่อสัตย์

ตัวอย่างตรงกันข้าม: เมื่อขอให้เปลี่ยนหน้าเว็บเกี่ยวกับกลศาสตร์ควอนตัมเป็นคลิปอธิบายสนุกๆ Wan 3.0 ผลิตในรูปแบบพรีเซนเตอร์พร้อมคำบรรยายซึ่งเป็นรูปแบบที่ผู้เล่นหลักขาย มันหยุดที่กำแพง 30 วินาทีพอดีที่ 30.02 วินาที เดโมสาธารณะเบต้าอย่างเป็นทางการของ Alibaba มีเสียง

ดังนั้นความแตกต่างไม่ใช่ว่า Wan 3.0 ไม่สามารถสร้างคลิปอธิบายแบบมีคนพูดได้ แต่กับผู้เล่นหลัก รูปแบบนั้นเป็นสิ่งเดียวที่มีในเมนู

ทำไม Wan 3.0 Document to Video ถึงทำแผนภูมิพัง แต่เก็บตัวเลขของคุณไว้

นี่คือสิ่งที่มีประโยชน์ที่สุดในบทความนี้: ฉันดึง 12 เฟรมที่เว้นระยะเท่าๆ กันจากเดโมสเปรดชีตอย่างเป็นทางการ และอ่านทุกตัวอักษร

ผลสรุปแบ่งออกเป็นสองส่วนชัดเจน ค่าผ่าน เครื่องประกอบแผนภูมิล้มเหลว

สิ่งที่รอด ที่ตำแหน่งวินาทีที่ 4 เฟรมแสดง $1,580 ลูกศรสีเทาเส้นบาง $3,460 คำบรรยาย "Monthly GMV Growth" และป้ายสีปะการังอ่าน +45.7% ตัวอักษรสะอาดตา เครื่องหมายจุลภาคอยู่ในตำแหน่งที่ถูกต้อง ไม่มีอักขระผิดเพี้ยน พรอมต์ที่อยู่เบื้องหลังเดโมนี้อ้างถึงเซลล์สเปรดชีตที่เฉพาะเจาะจง และตัวเลขบนหน้าจอตรงกับเซลล์เหล่านั้น การทดสอบโดยบุคคลที่สามบนเด็คผลิตภัณฑ์ 8 หน้าพบสิ่งเดียวกัน: 45g, 12 hours และ 55 degrees แสดงผลอย่างถูกต้องทั้งหมด และสโลแกนปิดท้ายออกมาโดยไม่มีอักขระผิดแม้แต่ตัวเดียว (AI-Driven Lab, สิงหาคม 2026)

นั่นตอบคำถามที่ทีมการเงินและ L&D ใส่ใจจริงๆ ตัวเลขของคุณไม่เปลี่ยนแปลงอย่างเงียบๆ

สิ่งที่พัง เฟรมแผนภูมิเป็นอีกเรื่องหนึ่ง

การตรวจสอบเฟรม Wan 3.0 document to video แสดงคำบรรยายแผนภูมิที่รวมกันและแกน y ที่พัง

หยุดที่วินาทีที่ 12 ในเดโมอย่างเป็นทางการ ข้อบกพร่องสามอย่างในหนึ่งเฟรม: ชื่อสองภูมิภาคหลอมรวมเป็น "Southeasta North America", "North America" ถูกซ้ำเป็นซีรีส์ของตัวเอง, และแกน y อ่าน 30, 60, 70 ในขณะที่ป้ายข้อมูลบนสุดบอกว่า $3,880

นับความล้มเหลวในเฟรมเดียวนั้น:

1. คำบรรยายรวมกัน "Southeast Asia" และ "North America" ชนกันเป็น "Southeasta North America" จากนั้น "North America" ปรากฏอีกครั้งเป็นซีรีส์แยกต่างหาก ดังนั้นภูมิภาคหนึ่งถูกติดป้ายสองครั้งและอีกภูมิภาคหนึ่งหายไป
2. แกน y ที่ไม่ใช่สเกล ขีดบอกอ่าน 30, 60, 70 ช่องว่างพิกเซลเท่ากัน ค่าไม่เท่ากัน และ 40 และ 50 หายไปเฉยๆ
3. แกนและป้ายในหน่วยต่างกัน เส้นกริดสูงสุดคือ 70 ป้ายที่ปักหมุดที่จุดข้อมูลบนสุดบอกว่า $3,880
4. การเปลี่ยนแปลงขนาดตามเส้นเดียว ป้ายบนเส้นโค้งบนสุดเริ่มที่ $330 และ $335 จากนั้นลงที่ $3,970 และ $3,880 เส้นที่เพิ่มขึ้นอย่างราบรื่นไม่สามารถมีการกระโดดสิบเท่าระหว่างจุดสองจุดที่อยู่ติดกัน ป้ายสองอันที่อยู่ระหว่างนั้นเลือนเกินกว่าจะอ่านได้ชัดเจน ซึ่งเป็นคำตอบในตัวของมันเอง

ส่วนแผนภูมิแท่งก็ทำซ้ำรูปแบบเดียวกัน สี่แท่งมี $1750, $1,580, $2,350 และ $2,580 ดังนั้นแท่งที่สั้นที่สุดมีตัวเลขสูงเป็นอันดับสอง และป้ายแรกหายเครื่องหมายจุลภาคหลักพันในขณะที่อีกสามป้ายมีเครื่องหมาย ต่อจากนั้นมีตัวเลขการเติบโตสีเขียวห้าตัวสำหรับสี่แท่ง และส่วนโดนัทมีศูนย์กลางที่ $89,7M ซึ่งเป็นเครื่องหมายจุลภาคในที่ที่ควรเป็นจุดทศนิยม

สังเกตว่าสิ่งเหล่านี้มีอะไรเหมือนกัน ไม่มีอันไหนเป็นข้อผิดพลาดด้านเนื้อหา ทุกอันล้วนเป็นข้อผิดพลาดในการ วาด: การจัดวาง การติดป้าย สเกล เครื่องหมายวรรคตอน โมเดลเข้าใจชีตแล้วจึงเรนเดอร์แผนภูมิในแบบที่โมเดลวิดีโอเรนเดอร์ข้อความหนาแน่นใดๆ ก็ตาม นั่นคืออย่างคร่าวๆ

นอกจากนี้ยังมีเหตุผลเชิงโครงสร้างที่สองที่ทำให้เอาต์พุตไม่เหมือนเด็คของคุณเลย

ลองคิดเลขดู 50 หน้าคือเพดานหน้า 30 วินาทีคือเพดานระยะเวลา นั่นคือ 0.6 วินาทีต่อหน้า

คุณไม่สามารถนำเสนอหนึ่งหน้าใน 0.6 วินาที ดังนั้นโมเดลจึงทำสิ่งเดียวที่สมเหตุสมผลและสร้างตัวอย่างแทน การทดสอบเด็คโดยบุคคลที่สามนั้นได้ข้อสรุปเดียวกันโดยอิสระ: มันถือว่าพรีเซนเทชั่นเป็นแหล่งข้อมูลสำหรับโฆษณาแบบภาพยนตร์ ไม่ใช่สไลด์ที่จะเปิดดูทีละหน้า กรอบแว่นตาของผลิตภัณฑ์เปลี่ยนจากหนาเป็นไร้ขอบเป็นรูปทรงที่สามในช็อตต่างๆ

ซึ่งเป็นสาเหตุที่เพดาน 30 วินาทีเป็นข้อจำกัดในการออกแบบ ไม่ใช่เชิงอรรถในสเปคชีต

เราวัดไฟล์ที่ส่งมอบ: เดโมเอกสารอย่างเป็นทางการทั้งสี่มีความยาว 30.04 วินาที, 30.02 วินาที, 25.03 วินาที และ 23.04 วินาที คลิป 30 วินาทีสองคลิปหยุดภายในเวลาสี่ในร้อยวินาทีของกันและกัน และเดโมสเปรดชีตถูกขอให้ 22 วินาที แต่ส่งมอบ 23.04 วินาที เราแยกเพดานนั้นใน Wan 3.0 preview

ดังนั้น: ปรับความคาดหวังให้ถูกต้อง ป้อนเอกสาร ได้ตัวอย่าง ทำแผนภูมิให้เรียบง่าย

ขั้นตอนการทำงาน Document to Video ที่คุณสามารถทำได้วันนี้

ตรวจสอบความจริงอย่างรวดเร็วก่อนบทช่วยสอน เพราะจะช่วยประหยัดเวลาคุณหนึ่งชั่วโมงในการค้นหา

อินพุตเอกสารของ Wan 3.0 มีให้ใช้เฉพาะในช่องทางของ Alibaba เองเท่านั้น การเข้าถึงต้องได้รับเชิญ และน้ำหนักไม่ได้เผยแพร่ ไม่มีใครนอกช่องทางเหล่านั้นสามารถให้บริการนี้ได้ รวมถึงเราด้วย สิ่งที่คุณ สามารถ ทำได้ในวันนี้คือสร้างครึ่งหนึ่งที่มีประโยชน์ของเดโม xlsx นั้นขึ้นมาใหม่ด้วยโมเดลที่เปิดให้บริการอยู่แล้ว และการตรวจสอบเฟรมด้านบนบอกคุณอย่างชัดเจนถึงวิธีหลีกเลี่ยงส่วนที่พัง

สามขั้นตอน หนึ่งแท็บเบราว์เซอร์บน Atlas Cloud:

1. โมเดล token ล้านตัวอ่านเอกสารและเขียนสคริปต์ช็อตพร้อมเวลา โดยมีตัวเลขทุกตัวฝังเป็นสตริงตัวอักษรตามตัว
2. โมเดลภาพเรนเดอร์เฟรมแรก ซึ่งเป็นจุดที่ความแม่นยำของข้อความทั้งหมดถูกล็อค
3. โมเดลวิดีโอทำให้เฟรมนั้นเคลื่อนไหวตามสคริปต์

ข้อจำกัดที่ซื่อสัตย์สามข้อสำหรับห่วงโซ่นี้ มันไม่กินไฟล์ไบนารี .pptx ดังนั้นคุณต้องวางข้อความหรือ CSV ด้วยตัวเอง Wan 2.7 สูงสุดที่ 15 วินาที ดังนั้นการถ่ายแบบ 30 วินาทีเดียวจึงเป็นไปไม่ได้ และเส้นทาง image-to-video นั้นเงียบโดยการออกแบบ: พารามิเตอร์ audio ของมันรับแทร็กที่คุณจัดหาให้เพื่อขับเคลื่อน lip-sync มันไม่ได้สร้างซาวด์แทร็ก หากคุณต้องการให้เสียงถูกสร้างในพาสเดียว คุณใช้พี่น้อง text-to-video และสละการควบคุมเฟรมแรก ซึ่งสำหรับวิดีโอที่เต็มไปด้วยตัวเลขเงินดอลลาร์นั้นเป็นการแลกเปลี่ยนที่ผิด ราคาที่ตรวจสอบบนหน้าโมเดลเมื่อวันที่ 20 สิงหาคม 2026 และโปรดทราบว่าราคาที่ระบุเป็นขั้นต่ำ: ระดับคุณภาพและความละเอียดทำให้ราคาสดสูงขึ้น ดังนั้นอ่านปุ่ม Run ก่อนที่คุณจะยืนยัน

มาสร้างกัน

สำหรับการรันโฮสต์ปัจจุบัน ให้เปิด Wan 3.0 on Atlas Cloud และทดสอบพรอมต์เช่นด้านล่างก่อนที่คุณจะเผยแพร่เวิร์กโฟลว์

ภาพหน้าจอพรอมต์ถึงผลลัพธ์ของ Wan 3.0: การตรวจสอบ Document-to-video

ขั้นตอนที่ 1: เปลี่ยนสเปรดชีตของคุณเป็นสคริปต์ช็อตพร้อมเวลา

โมเดลวิดีโอจำตัวเลขไม่ได้ พวกมันเรนเดอร์สตริงใดก็ตามที่คุณให้ ดังนั้นงานของขั้นตอนนี้คือการแปลงตารางเป็นคำแนะนำช็อตที่ตัวเลขทุกตัวถูกเขียนไว้เป็นข้อความในเครื่องหมายคำพูดแล้ว

วางชีตของคุณระหว่างเครื่องหมาย <<< การตั้งค่า: temperature 0.3, max_tokens 4000 เก็บ max_tokens ไว้ให้มาก เพราะโมเดลที่สามารถใช้เหตุผลได้ซึ่งหมดงบประมาณระหว่างการคิดจะส่งคืนคำตอบที่ว่างเปล่าซึ่งคุณยังต้องจ่าย

textCopy
1คุณคือผู้กำกับโมชั่นกราฟิก ด้านล่างคือการส่งออกสเปรดชีตดิบ
2
3<<<
4เดือน,อเมริกาเหนือ,เอเชียตะวันออกเฉียงใต้,ยุโรป,GMV รวม
5ม.ค.,1580,880,640,3100
6ก.พ.,2110,1240,900,4250
7มี.ค.,2740,1610,1150,5500
8เม.ย.,3120,1980,1330,6430
9พ.ค.,3350,2240,1460,7050
10มิ.ย.,3460,2480,1580,7520
11การเติบโต H1,+45.7%,,,
12>>>
13
14เขียนสคริปต์ช็อตสำหรับวิดีโอข้อมูลธุรกิจสไตล์ Apple Keynote ความยาว 10 วินาที สัดส่วน 16:9 กฎ:
151. มี 2 ช็อตพอดี กำหนดรหัสเวลาเข้า/ออกให้แต่ละช็อต (00:00-00:05, 00:05-00:10)
162. ทุกตัวเลขที่ปรากฏบนหน้าจอต้องเขียนในคำอธิบายช็อตเป็นสตริงตามตัวอักษรที่แน่นอน ในเครื่องหมายคำพูด เช่น "$1,580" ห้ามเขียน "ตัวเลขเดือนมกราคม" - ให้เขียนตัวเลข
173. ห้ามขอคำบรรยายแผนภูมิ แกนที่มีป้ายขีด หรือซีรีส์ข้อมูลมากกว่าสองชุดบนหน้าจอพร้อมกัน ให้ใช้ตัวเลขขนาดใหญ่เดี่ยวและป้ายรูปเม็ดยาสีปะการังหนึ่งอันแทน
184. พื้นหลังสีขาวล้วน จานสีปะการังอ่อน + เทาเข้ม ฟอนต์ sans-serif
195. จบด้วยบรรทัดเดียวของทิศทาง BGM + SFX (เสียงหวือเมื่อสไลด์เข้า กระดิ่งหนึ่งครั้งเมื่อป้ายปรากฏ)
20เอาต์พุตเฉพาะสคริปต์ ไม่มีความคิดเห็น
21

กฎข้อ 3 คือผลลัพธ์จากการตรวจสอบ เอาต์พุตอย่างเป็นทางการพังในสามสิ่งพอดี: คำบรรยายแผนภูมิ ขีดบอกแกน และแผนภูมิหลายซีรีส์ ดังนั้นเราจึงลบทั้งสามอย่างออกจากคำสั่งและใช้พื้นที่หน้าจอนั้นกับตัวเลขขนาดใหญ่พิเศษและป้ายรหัสสีแทน ข้อมูลเดียวกัน ไม่มีพื้นผิวที่ล้มเหลว

กฎข้อ 2 คือสิ่งที่คนมักข้าม และเป็นเหตุผลที่ตัวเลขอยู่รอดจนถึงปลายสุดของห่วงโซ่นี้ คำอธิบายช็อตที่บอกว่า "ตัวเลขเดือนมกราคม" ส่งคืนตัวเลขให้โมเดลที่ต้องคิดค้นสัญลักษณ์สำหรับมัน คำอธิบายช็อตที่บอกว่า "$1,580" ในเครื่องหมายคำพูดให้สตริงที่สองขั้นตอนถัดไปสามารถคัดลอกได้ คุณไม่ได้ขอการแสดงข้อมูลเป็นภาพที่นี่ คุณกำลังขอคำสั่งพิมพ์

สิ่งที่ได้กลับมาคือสคริปต์สองช็อตพร้อมรหัสเวลาเข้าและออก ตัวเลขบนหน้าจอทุกตัวถูกอ้างเป็นตัวอักษรตามตัว และบรรทัดปิดท้าย BGM และ SFX เก็บไว้ในไฟล์สเก็ตช์ ขั้นตอนที่ 2 และ 3 จะอ่านจากไฟล์นี้

ขั้นตอนที่ 2: สร้างเฟรมแรกของแบรนด์

อักขระทุกตัวของข้อความบนหน้าจอถูกตัดสินใจที่นี่ โมเดลภาพที่คุณภาพสูงเรนเดอร์ $1,580 ได้ถูกต้องอย่างน่าเชื่อถือมากกว่าโมเดลวิดีโอที่ต้องเขียนในขณะที่เคลื่อนที่ไปด้วย ดังนั้นเราจึงจัดการเรื่องรูปแบบตัวอักษรในภาพนิ่ง และให้ขั้นตอนที่ 3 ดันพิกเซลไปรอบๆ เท่านั้น

เปิด GPT Image 2 และตั้งค่าคุณภาพเป็น high และขนาดเป็นตัวเลือก 16:9 ซึ่งในหน้านี้คือ 2048x1152 จับคู่อัตราส่วนภาพให้ตรงกับวิดีโอที่คุณกำลังจะทำ มิฉะนั้นขั้นตอนที่ 3 จะเริ่มต้นด้วยการครอบรูปแบบตัวอักษรของคุณ

textCopy
1เฟรมพรีเซนเทชั่นสไตล์ Apple Keynote ที่สมบูรณ์แบบบนพื้นหลังสีขาวล้วนไร้รอยต่อ ถ่ายภาพราวกับฉายบนผนังสตูดิโอด้าน พาดหัวตรงกลางด้วยฟอนต์ sans-serif เรขาคณิตสีถ่านเข้ม อ่านว่า "H1 2026" วางในพื้นที่ว่างอย่างเหลือเฟือ ด้านล่างมีตัวเลขขนาดใหญ่พิเศษสองตัวในฟอนต์เดียวกัน "$1,580" ทางซ้ายและ "$3,460" ทางขวา คั่นด้วยลูกศรสีเทาอ่อนเส้นบาง ใต้ลูกศรมีข้อความคำบรรยายสีเทาอ่อนขนาดเล็กอ่านว่า "Monthly GMV Growth" ด้านล่างนั้นมีป้ายรูปเม็ดยาสีปะการังอันเดียวพร้อมข้อความสีขาวอ่านว่า "+45.7%" แสงแบบกระจายนุ่มนวลสม่ำเสมอ เกรเดียนต์อบอุ่นจางๆ ที่มุมบนขวา เนื้อกระดาษละเอียดอ่อน ไม่รก ไม่มีโลโก้ ไม่มีแผนภูมิ ความเรียบง่ายแบบองค์กรสะอาดตา 16:9
2

สองรายละเอียดที่ควรลอกเลียน "ไม่มีแผนภูมิ" อยู่ในนั้นโดยเจตนา และอ่านราคาบนปุ่ม Run ก่อนที่คุณจะกด เพราะคุณภาพ high บนเฟรม 2K กว้างมีค่าใช้จ่ายหลายเท่าของตัวเลข $0.009 ที่ระบุไว้

สนามเด็กเล่น GPT Image 2 บน Atlas Cloud พร้อมพรอมต์เฟรมแรกและเฟรมสไตล์ Keynote ที่เรนเดอร์แล้วแสดงตัวเลขทุกตัวสะกดถูกต้อง

GPT Image 2 ที่คุณภาพ high, 16:9 ที่ 2048x1152 ตัวเลขทุกตัวตรง: "H1 2026", "$1,580", "$3,460" และป้าย "+45.7%" สีปะการัง ซึ่งเป็นสาเหตุที่รูปแบบตัวอักษรถูกจัดการในภาพนิ่ง ไม่ใช่ในโมเดลวิดีโอ

ขั้นตอนที่ 3: เรนเดอร์คลิป Document to Video และตรวจสอบทุกตัวเลข

ขั้นตอนสุดท้าย โหลดภาพจากขั้นตอนที่ 2 เป็นเฟรมแรก และให้โมเดลวิดีโอทำให้เคลื่อนไหวในขณะที่รักษารูปแบบตัวอักษรให้นิ่ง

เปิด Wan 2.7 Image-to-Video การตั้งค่า: อัปโหลดเฟรมแรกของคุณ, ความละเอียด 1080P, ระยะเวลา 10 วินาที เว้นช่องเสียงว่างไว้ เนื่องจากโมเดลนี้ถือว่าเสียงเป็นอินพุตขับเคลื่อน ไม่ใช่สิ่งที่มันสร้างขึ้น คุณจะใส่เสียงให้คลิปนี้เอง หรือในพาส text-to-video แยกต่างหาก

textCopy
1ทำให้เฟรมนี้เคลื่อนไหวเป็นวิดีโอข้อมูลธุรกิจสไตล์ Apple Keynote ความยาว 10 วินาที โดยคงรูปแบบตัวอักษรที่มีอยู่ให้คงที่ระดับพิกเซล
2
300:00-00:05 - พาดหัว "H1 2026" คงที่ จากนั้นสลายเป็นอนุภาคสีทองที่ลอยออกไปด้านนอก ตัวเลขสองตัว "$1,580" และ "$3,460" เลื่อนเข้ามาจากซ้ายและขวาและล็อคเข้าที่ ลูกศรสีเทาเส้นบางวาดตัวเองระหว่างพวกมันจากซ้ายไปขวา ป้ายสีปะการังที่อ่านว่า "+45.7%" ผุดขึ้นมาจากด้านล่างพร้อมการดีดเกินเล็กน้อย ตามเวลาด้วยเสียงกระดิ่งเดี่ยวที่ชัดเจน
4
500:05-00:10 - ทุกอย่างเลื่อนออกไปทางซ้ายอย่างราบรื่น แท่งกลมหนาสามแท่งเติบโตขึ้นจากเส้นฐานร่วมกันกับพื้นหลังสีขาวล้วนเดียวกัน สีปะการัง สีคราม และสีอำพัน โดยมีตัวเลขเดี่ยวขนาดใหญ่หนึ่งตัวเหนือแต่ละแท่ง: "$3,460", "$2,480", "$1,580" ไม่มีคำบรรยาย ไม่มีแกน ไม่มีป้ายขีด ไม่มีเส้นกริด กล้องถูกล็อคและนิ่งสนิทตลอด
6

"คงรูปแบบตัวอักษรที่มีอยู่ให้คงที่ระดับพิกเซล" และ "กล้องถูกล็อคและนิ่งสนิท" กำลังทำงานจริง ทุกการเคลื่อนไหวของกล้องคือโอกาสอีกครั้งที่โมเดลจะเขียนข้อความที่ควรปล่อยไว้เฉยๆ

จากนั้นทำส่วนที่น่าเบื่อแต่สำคัญ: หยุดที่แต่ละเฟรมที่มีตัวเลขปรากฏและอ่านเทียบกับแถวต้นทาง นั่นคือการตรวจสอบ 30 วินาที และเป็นสิ่งเดียวที่กั้นระหว่างคุณกับวิดีโอที่แสดงตัวเลขรายได้ผิดอย่างมั่นใจ

สนามเด็กเล่น Wan 2.7 Image-to-Video บน Atlas Cloud พร้อมเฟรมแรกที่โหลดและคลิปข้อมูลที่เสร็จสมบูรณ์

Wan 2.7 Image-to-Video ที่ 1080P พร้อมเฟรมแรกจากขั้นตอนที่ 2 อัปโหลดและคลิปที่เสร็จแล้วในแผงเอาต์พุต น่าสังเกตสิ่งที่แผงบอก: เราขอ 10 วินาที ช่องระยะเวลาแสดง 10 และการเรนเดอร์กลับมา 5 วินาที ใบเสนอราคา Run บอกเราก่อนที่ไฟล์จะบอก ซึ่งเป็นเหตุผลทั้งหมดที่ต้องอ่าน

คลิปข้อมูลที่เสร็จสมบูรณ์สร้างขึ้นใหม่จากสเปรดชีต GMV เดียวกัน ตัวเลขทุกตัว intact

ผลลัพธ์: สเปรดชีตเดียวกัน สร้างขึ้นใหม่โดยออกแบบให้ไม่มีคำบรรยายและขีดบอกแกนโดยเจตนา โมเดลบีบอัดสคริปต์ช็อตทั้งสองเป็นห้าวินาทีที่มันเรนเดอร์จริง และตัวเลขทุกตัวรอดจากการเคลื่อนที่: "$1,580" และ "$3,460" ในตอนเปิด จากนั้น "$3,460", "$2,480" และ "$1,580" เหนือสามแท่ง ไม่มีป้ายที่ผิดเพี้ยนเลย เพราะไม่มีป้ายเหลือให้ผิดเพี้ยน เงียบโดยการออกแบบ เนื่องจากเส้นทาง image-to-video ไม่ได้ให้คะแนนเสียงใดๆ แก่คุณ

รูปแบบ Document to Video และต้นทุนต่อนาทีที่เสร็จสมบูรณ์

กรณีสเปรดชีตเป็นกรณีที่ยากที่สุด อีกสามกรณีการใช้งานอย่างเป็นทางการนั้นง่ายกว่า และเป็นที่ที่มูลค่าทางการค้าส่วนใหญ่อยู่

สื่อการสอน ป้อนรายการสารานุกรมและขอบทเรียนที่ระดับการอ่านที่กำหนด เอาต์พุตด้านล่างเป็นคลาสแอนิเมชันสไตล์ชิบิเกี่ยวกับกวีหวังเว่ย ยาว 25.03 วินาที

สไตล์การวาดคงที่ตลอดทั้งคลิป รายละเอียดตัวละครไม่คงที่ ที่ตำแหน่งวินาทีที่ 3 เขาสวมหมวกดำบนพื้นหลังสีขาวธรรมดา ภายในวินาทีที่ 22 หมวกกลายเป็นสีฟ้าอ่อนและเขายืนอยู่ในภาพวาดม้วนคลาสสิก ดริฟท์เดียวกันกับการทดสอบเด็คที่เห็นในกรอบแว่นตา หากคุณสร้างใหม่บนห่วงโซ่สามขั้นตอน ให้ล็อคการ์ดตัวละครในขั้นตอนที่ 1 และใช้เฟรมขั้นตอนที่ 2 ซ้ำเป็นจุดยึดสไตล์ของคุณ

รายการสารานุกรมเป็นบทเรียนแอนิเมชันสำหรับ ป.1 ยาว 25.03 วินาทีพร้อมเสียงที่สร้างขึ้น เดโมสาธารณะเบต้าอย่างเป็นทางการของ Alibaba Wan 3.0

ภาพยนตร์แบรนด์ เอกสารข้อเสนอกลายเป็นสปอต 30 วินาทีเต็ม มันสวยที่สุดในสี่เดโมและตรวจสอบได้น้อยที่สุด เนื่องจากคุณไม่เห็นว่าเอกสารต้นทางพูดอะไร ดูความสม่ำเสมอมากกว่าความสวยงาม: นี่คือโหมดความล้มเหลวที่จับผู้ทดสอบบุคคลที่สาม ซึ่งผลิตภัณฑ์เปลี่ยนรูปร่างสามครั้งในคลิปเดียว

เอกสารข้อเสนอเป็นภาพยนตร์แบรนด์สกินแคร์ 30.04 วินาที เดโมสาธารณะเบต้าอย่างเป็นทางการของ Alibaba Wan 3.0 มีเสียง

สรุปรายงาน ไม่มีเดโมอย่างเป็นทางการสำหรับอันนี้ ดังนั้นให้ถือว่ารูปแบบนี้ยังไม่ผ่านการทดสอบ: ขอพรีเซนเตอร์หนึ่งคน หนึ่งข้ออ้างต่อช็อต และใส่ตัวเลขทุกตัวในเครื่องหมายคำพูดเหมือนในขั้นตอนที่ 1

ทีนี้เรื่องเงิน

แผ่นราคา Wan 3.0 ที่เผยแพร่สองแผ่นไม่ตรงกันว่า 1080p อยู่ที่ ¥1.2 หรือ $0.20 ต่อวินาที ซึ่งไม่ใช่ตัวเลขเดียวกัน ตรวจสอบอัตราบนเอนด์พอยต์ที่คุณถูกคิดเงินจริงก่อนที่คุณจะตั้งงบประมาณสำหรับซีรีส์

ต้นทุนที่ซ่อนอยู่ไม่ใช่อัตราต่อวินาที มันคือการรันซ้ำ อินพุตเอกสารใช้หนึ่งไฟล์ต่องาน ดังนั้นการเปลี่ยนตัวเลขเดียวหมายถึงการสร้างวิดีโอทั้งหมดใหม่ ในห่วงโซ่สามขั้นตอน สคริปต์ช็อตเป็นสิ่งประดิษฐ์ข้อความที่ใช้ซ้ำได้ ดังนั้นการเปลี่ยนแปลงตัวเลขทำให้คุณเสียค่าเรนเดอร์หนึ่งครั้งแทนที่จะเป็นงานเต็มหนึ่งชิ้น ตลอดรอบการรายงานรายไตรมาส ความแตกต่างนั้นแซงหน้าราคาต่อวินาที

หมายเหตุทางกฎหมายหนึ่งข้อก่อนที่คุณจะอัปโหลดอะไร เอกสารที่คุณส่งไปยังโมเดลโฮสต์คือเอกสารที่ออกจากอาคารของคุณ และเด็คภายในและข้อมูลทางการเงินที่ยังไม่ได้เผยแพร่มักมีนโยบายเกี่ยวกับเรื่องนี้ ตรวจสอบก่อนที่แรงกดดันจากกำหนดส่งจะมาถึง ไม่ใช่หลังจากนั้น และคลิปเดโมอย่างเป็นทางการทุกคลิปในบทความนี้เป็นของ Alibaba อ้างอิงที่นี่ในฐานะวัสดุเบต้าสาธารณะ ไม่มีอะไรในนี้เป็นใบอนุญาตให้นำไปใช้ในเชิงพาณิชย์

คำถามที่พบบ่อย Wan 3.0 Document to Video

Wan 3.0 document to video รองรับไฟล์ประเภทใดบ้าง และขนาดใหญ่แค่ไหน?

doc, xls, ppt, pdf, txt และ md โดยมี key, pages และ numbers ที่รายงานเช่นกัน พร้อมลิงก์เว็บธรรมดาแทนไฟล์ หนึ่งไฟล์หรือหนึ่งลิงก์ต่องาน สูงสุด 100MB หรือ 50 หน้า

Wan 3.0 แปลงแต่ละสไลด์เป็นฉากหรือไม่?

ไม่ และนี่คือความเข้าใจผิดที่พบบ่อยที่สุด มันอ่านเอกสารทั้งหมด จากนั้นกำกับวิดีโอจากสิ่งที่เรียนรู้ ที่เพดานคือ 50 หน้าใน 30 วินาที หรือ 0.6 วินาทีต่อหน้า ดังนั้นมันจึงสร้างตัวอย่างมากกว่าการเปิดหน้า ทั้งกรณีการใช้งานอย่างเป็นทางการและการทดสอบอิสระชี้ไปในทางเดียวกัน

ตัวเลขจากสเปรดชีตของฉันในวิดีโอแม่นยำหรือไม่?

ค่าของเซลล์คงที่ในทุกกรณีที่ฉันตรวจสอบ รวมถึง $1,580, $3,460 และ +45.7% ในเดโมอย่างเป็นทางการ สิ่งที่ล้มเหลวคือเครื่องประกอบแผนภูมิ: คำบรรยายรวมกัน ขีดบอกแกนออกมาไม่เป็นเชิงเส้น และตัวคั่นหลักพันหายไป ใส่ตัวเลขทุกตัวเป็นตัวอักษรตามตัวในเครื่องหมายคำพูด และออกแบบคำบรรยายและป้ายขีดออกจากคำสั่งโดยสิ้นเชิง

ฉันสามารถใช้ Wan 3.0 document to video ผ่าน API ได้ในวันนี้หรือไม่?

เฉพาะผ่านช่องทางของ Alibaba เองเท่านั้น ซึ่งปัจจุบันต้องได้รับเชิญ และไม่ได้เผยแพร่ weights Wan 2.2 ยังคงเป็นรุ่น open weight ล่าสุดในสายผลิตภัณฑ์ จนกว่าสิ่งนั้นจะเปลี่ยนไป ห่วงโซ่สามขั้นตอนด้านบนคือตัวทดแทนที่ใช้งานได้จริง

วิดีโอ Wan 3.0 ความยาว 30 วินาทีมีค่าใช้จ่ายเท่าไร?

ที่อัตรา 1080p ที่เผยแพร่คือ ¥36 หรือ $6.00 ในแผ่นนานาชาติ สำหรับคลิป 30 วินาทีหนึ่งคลิป วางงบประมาณสำหรับการรันซ้ำมากกว่าพาสเดียว เพราะการแก้ไขตัวเลขหนึ่งตัวหมายถึงการสร้างใหม่ทั้งหมด

อะไรที่ใกล้เคียงกับ Wan 3.0 document to video มากที่สุดที่ฉันสามารถใช้งานได้ในวันนี้?

โมเดล long-context เพื่อเขียนสคริปต์ช็อต จากนั้น Wan 2.7 ที่ $0.1 ต่อวินาทีสำหรับการเรนเดอร์ โดยมี MiniMax H3 ในอัตราเดียวกันหรือ Seedance 2.5 ที่ $0.134 ต่อวินาทีเป็นทางเลือก คุณจะได้ลุคฟุตเทจที่สร้างขึ้นและข้อความที่แม่นยำต่อเฟรม สิ่งที่คุณไม่ได้: 30 วินาทีในการถ่ายต่อเนื่องครั้งเดียว, เสียงในพาสเดียวกับการเรนเดอร์ image-to-video หรือโมเดลที่อ่าน .pptx ให้คุณ

สรุปโดยสุจริต: Wan 3.0 document to video คือความสามารถจริงที่มีเพดานจริง และช่องว่างระหว่างเอาต์พุตกับของคุณนั้นเล็กกว่าที่เห็น ตราบใดที่คุณหยุดขอให้สิ่งใดสิ่งหนึ่งวาดคำบรรยายแผนภูมิ