Wan 3.0 文件轉影片：我審查了每一幀

上傳一份試算表，就能得到一支 23 秒的商業動畫配樂。

這就是 Wan 3.0 文檔轉影片 的承諾，也是該系列首個原生支援文件輸入的功能，而官方示範的呈現方式比我預期的更為直接。數字完全正確。1,580 美元成長到 3,460 美元，徽章顯示 +45.7%，這些數字直接對應到原始試算表中的特定儲存格。

接著我將播放頭拖到 12 秒處，讀取圖表圖例。

「Southeasta North America」。

兩個銷售區域被壓縮成一個不存在的單字。這就是 2026 年文檔轉影片真正的底線：模型確實讀懂了你的表格，但仍然無法繪製你的圖表。以下是我逐幀審查的結果（目前還沒有其他任何人發表過），外加你今天下午就能實際操作的三步驟流程。

重點摘要

• Wan 3.0 接受 1 個檔案或 1 個連結，最多 100MB 或 50 頁，輸出最長 30 秒、1080p 解析度。
• 它會根據你的文件重新導向一部影片，而不是將第 3 張投影片變成第 3 個鏡頭。
• 儲存格數值完好無損，但圖表圖例、座標軸刻度與千分位分隔符號則不行。
• 存在明確限制：無 4K、無開放權重、僅限第一方渠道使用。
• 長上下文模型加上 15 秒影片模型，目前已經能複現大部分功能。

Wan 3.0 文檔轉影片輸出：官方 xlsx 示範呈現為 Keynote 風格的動畫數據影片

展示內容：阿里巴巴官方 Wan 3.0 公開測試版示範，輸入一份月 GMV 的 .xlsx 檔案，輸出 23 秒的動畫數據影片。此處以無聲 GIF 顯示；實際交付檔案包含 44.1kHz 立體聲 AAC 音軌。來源：阿里巴巴官方 Wan 3.0 創作者手冊。

Wan 3.0 文檔轉影片的實際功能

簡短版本，如果你只需要這些資訊，一分鐘內就能離開。

你提供一份文件或一個網頁連結。它會讀取全部內容，判斷故事主軸，並在單一流程中生成包含影像與聲音的影片。最長 30 秒，最高 1080p。它不會按照你的頁面順序逐一播放。

以下是實際影響專案的限制條件。

公開測試版於 2026 年 8 月 6 日開放（AgentUpdate，2026 年 8 月）。格式清單與兩份已發布的價格表來自另一份規格整理（Ngram，2026 年 8 月）。

官方手冊列出了四種文件使用案例，且正好對應到人們通常委託代理商執行的四種工作：

• 提案文件轉為品牌影片。 一份護膚品提案文件變成 30 秒廣告，包含女主角與晨光故事。
• 教材轉為影片課程。 一篇百科全書條目變成給一年級學生的動畫課程。
• 試算表轉為動畫圖表。 就是上述示範，也是四者中最困難的一項。
• 報告轉為口頭摘要。 一份書面報告變成主持人風格的簡報。

現在，這裡是大多數文章會搞錯分類的地方。

現有的「PDF 轉影片」工具並非在做這件事。Kapwing 的文檔轉影片功能是將你的文件文字提取出來，放到時間軸上，沒有場景建構也沒有主持人。Pictory 和 Powtoon 則是組合素材庫影片或範本動畫，而且 Powtoon 自己的產品頁面宣傳的是 AI 虛擬人物和語音來朗讀你的腳本。三者都產出有旁白的投影片。

請仔細閱讀這張表格兩次，因為這就是整個論點的核心：這些工具並非同一類別的競爭對手。 一個製作有旁白的投影片，另一個則製作從未存在過的影像素材。用每分鐘價格來比較它們，就像比較影印機和電影製作團隊一樣。

Wan 3.0 也能做到投影片效果嗎？可以，而這正是誠實的附帶說明。

反例：要求將一篇關於量子力學的網頁變成有趣的解說影片，Wan 3.0 產出了與現有工具完全相同的「主持人加字幕」格式。它在 30.02 秒處撞上 30 秒的上限。官方阿里巴巴公開測試版示範，有音訊。

所以，差異不在於 Wan 3.0 無法製作有主持人講解的影片，而是在於現有工具中，那種格式是唯一選項。

為何 Wan 3.0 文檔轉影片會搞砸圖表，卻能保留你的數字

以下是本文中最有用的一點：我從官方試算表示範中擷取了 12 個均勻間隔的幀，並讀取了每個字元。

結論很明確地分為兩類。數值通過，圖表元件失敗。

存活下來的部分。 在第 4 秒處，畫面顯示 $1,580、一個細灰色箭頭、$3,460、標題「Monthly GMV Growth」，以及一個珊瑚色徽章顯示 +45.7%。字體清晰，逗號位置正確，沒有亂碼。這個示範背後的提示詞引用了特定的試算表儲存格，而畫面上的數字與之相符。第三方對一份 8 頁產品簡報進行的測試也發現了同樣情況：45g、12 小時和 55 度都正確顯示，結尾標語沒有一個字錯誤（AI-Driven Lab，2026 年 8 月）。

這回答了金融和培訓部門真正關心的問題：你的數字不會在不知不覺中變異。

失敗的部分。 圖表幀的情況則完全不同。

Wan 3.0 文檔轉影片幀審查，顯示合併的圖表圖例與損壞的 Y 軸

在官方示範的 12 秒處凍結。一個幀中有三處缺陷：兩個地區名稱合併成「Southeasta North America」，然後「North America」又作為獨立數列重複出現，以及 Y 軸顯示 30、60、70，而頂端數據標籤卻寫著 $3,880。

數一下這一個幀中的失敗點：

1. 合併的圖例。「Southeast Asia」和「North America」碰撞成「Southeasta North America」。然後「North America」又作為另一個獨立數列出現，導致一個地區被標記兩次，另一個地區則消失。
2. 不成比例的 Y 軸。 刻度顯示 30、60、70。像素間距相等，但數值不相等，且 40 和 50 直接遺漏。
3. 軸與標籤單位不同。 最高的格線是 70，但頂端數據點上的標籤卻寫著 $3,880。
4. 同一條線上的數值級別飄移。 那條頂部曲線上的標籤從 $330 和 $335 開始，然後跳到 $3,970 和 $3,880。一條平滑上升的曲線不可能在兩個相鄰點之間出現十倍跳躍。中間的兩個標籤模糊到無法辨識，這本身就是一種答案。

長條圖片段也重複了同樣的模式。四條長條帶有 $1,750、$1,580、$2,350 和 $2,580，因此最短的長條卻擁有第二高的數值，而且第一個標籤遺失了千分位逗號，而其他三個則保留。旁邊是五個綠色成長數字，但只有四條長條。而甜甜圈圖的中心顯示 $89,7M，一個逗號出現在應該是小數點的位置。

請注意所有這些問題的共同點。沒有一個是內容錯誤。每一個都是繪圖錯誤：佈局、標籤、比例、標點符號。模型理解了試算表，然後以影片模型渲染任何密集文字的方式，近似地繪製了圖表。

還有第二個結構性原因，導致輸出看起來完全不像你的簡報。

算一下數學。50 頁是頁數上限，30 秒是時長上限。這相當於每頁 0.6 秒。

你不可能在 0.6 秒內呈現一頁，因此模型做了唯一合理的事：製作一個預告片。第三方簡報測試也獨立得出了同樣結論：它將簡報視為電影廣告的素材來源，而不是要逐頁翻閱的投影片。該產品中的眼鏡鏡框在鏡頭切換間從厚框變為無框，再變為第三種形狀。

這也是為什麼 30 秒上限是一個設計限制，而不只是規格表上的備註。

我們測量了交付的檔案：四個官方文檔示範的長度分別為 30.04 秒、30.02 秒、25.03 秒和 23.04 秒。兩個 30 秒的片段在彼此相差不到 0.04 秒處停止。而試算表示範要求 22 秒，最終卻輸出了 23.04 秒。我們在 Wan 3.0 預覽 中詳細分析了這個上限。

所以：調整好期望值。餵給它一份文件，得到一部預告片，並保持你的圖表簡單。

你現在就能執行的文檔轉影片工作流程

在開始教學之前，先快速進行現實檢查，這可以幫你省下一小時的搜尋時間。

Wan 3.0 的文件輸入功能僅存在於阿里巴巴自己的渠道上，需要邀請才能使用，且權重未公開。在這些渠道之外，沒有人能提供此功能，包括我們在內。你今天能做的，是使用已經對外開放的模型，重建那個 xlsx 示範中有用的部分，而且上述的幀審查精確地告訴你如何避開會失敗的部分。

三個步驟，在 Atlas Cloud 上使用一個瀏覽器分頁：

1. 一個百萬 token 的模型讀取文件，並撰寫一份包含時間碼的鏡頭腳本，所有數字都以字面字串形式嵌入。
2. 一個影像模型渲染第一幀，所有文字準確性在此鎖定。
3. 一個影片模型根據腳本將該幀動畫化。

這個鏈條有三個誠實的限制。它無法直接讀取 .pptx 二進位檔案，所以你必須自行貼上文字或 CSV 內容。Wan 2.7 最長只能輸出 15 秒，因此無法一次生成 30 秒的連續鏡頭。而且影像轉影片路徑預設為無聲：它的 audio 參數接受你提供的音軌來驅動唇形同步，並不會自行創作配樂。如果你想要在生成影像的同時也生成音訊，你需要使用文字轉影片的兄弟模型，但這樣就會失去首幀控制權，對於充滿美元數字的影片來說，這是一個錯誤的取捨。價格已於 2026 年 8 月 20 日在模型頁面上驗證，請注意標示價格是底價：品質和解析度等級會推高實際報價，因此在點擊執行按鈕前，請先閱讀報價。

讓我們開始建構。

步驟 1：將你的試算表變成一份附時間碼的鏡頭腳本

影片模型不會記住數字。它們只會渲染你給它們的任何字串。因此，這個步驟的工作是將一個表格轉換為鏡頭指令，其中每個數字都已經以引號內的文字形式寫好。

將你的試算表貼在 <<< 標記之間。設定：溫度 0.3，max_tokens 4000。請保持 max_tokens 寬裕，因為一個具備推理能力的模型如果在思考中途用盡預算，會回傳一個空的答案，而你仍然需要為此付費。

textCopy
1你是一位動態圖像導演。以下是一份原始試算表匯出資料。
2
3<<<
4月份,北美,東南亞,歐洲,總 GMV
51月,1580,880,640,3100
62月,2110,1240,900,4250
73月,2740,1610,1150,5500
84月,3120,1980,1330,6430
95月,3350,2240,1460,7050
106月,3460,2480,1580,7520
11上半年成長,+45.7%,,,
12>>>
13
14為一部 10 秒、16:9、Apple Keynote 風格的商業數據影片撰寫一份鏡頭腳本。規則：
151. 恰好 2 個鏡頭。為每個鏡頭指定開始/結束時間碼（00:00-00:05、00:05-00:10）。
162. 螢幕上出現的每個數字都必須在鏡頭描述中以精確的文字字串形式寫出，並加上引號，例如 "$1,580"。絕對不要寫「一月的數字」——請寫出數字本身。
173. 不要要求圖例、帶有刻度標籤的座標軸，或同時在螢幕上顯示超過兩個數據系列。請改用大型獨立數字和一個珊瑚色藥丸形徽章。
184. 純白背景，柔和珊瑚色 + 深灰色調，無襯線字體。
195. 結尾用一行文字說明背景音樂 + 音效（滑入時有嗖聲，徽章出現時有一個鈴聲）。
20只輸出腳本，不要有任何評論。
21

規則 3 是本次審查的關鍵收穫。官方輸出正是在三件事上失敗：圖例、座標軸刻度和多系列圖表。因此，我們從指令中刪除這三者，並將螢幕空間用於超大數字和一個彩色徽章。相同的資訊，但沒有任何失敗點。

規則 2 是大家經常忽略的，也正是數字能在這個鏈條中存活到最後的原因。一個寫著「一月的數字」的鏡頭描述，會把數字交回給一個需要自行創造字形的模型。而一個寫著 "$1,580"（含引號）的鏡頭描述，則為接下來的兩個步驟提供了一個要複製的字串。你在此處要求的不是數據視覺化，而是打字指令。

回傳的結果會是一份包含兩個鏡頭的腳本，附有開始和結束時間碼，每個螢幕上的數字都以文字字面形式引用，以及結尾的 BGM 和 SFX 說明。將它保存在一個暫存檔案中；步驟 2 和步驟 3 都會從中讀取資料。

步驟 2：生成品牌首幀

螢幕上文字的每個字元都在這裡決定。一個高品質的影像模型渲染 $1,580 的正確性，遠比一個影片模型在移動文字的同時還要寫出它來得可靠，因此我們在靜態圖像中確認字體，然後讓步驟 3 只負責移動像素。

開啟 GPT Image 2，將品質設定為 高，尺寸設定為 16:9 選項，在此頁面上是 2048x1152。長寬比必須與你即將製作的影片相符，否則步驟 3 會從裁切你的字體開始。

textCopy
1一個純淨的 Apple Keynote 風格簡報幀，位於純白無縫背景上，如同投影在霧面工作室牆上一般拍攝。居中標題使用深炭灰色幾何無襯線字體，寫著 "H1 2026"，置於寬敞的留白空間中。下方是兩個相同字體的超大數字，左邊是 "$1,580"，右邊是 "$3,460"，中間由一個細淺灰色箭頭分隔。箭頭下方是細小淺灰色說明文字 "Monthly GMV Growth"。再下方是一個珊瑚色藥丸形徽章，帶有白色文字 "+45.7%" 。柔和均勻的漫射光，右上角有微暖色漸層，細微的紙張紋理，無雜亂，無標誌，無圖表。極簡企業風格，16:9。
2

有兩個細節值得複製。「無圖表」是有意為之的。在按下執行按鈕之前，請閱讀報價，因為在寬幅 2K 幀上使用高品質，成本是 $0.009 清單價格的數倍。

Atlas Cloud 上的 GPT Image 2 操作介面，顯示首幀提示詞和渲染出的 Keynote 風格幀，每個數字都拼寫正確

GPT Image 2 品質高，16:9，2048x1152。每個數字都正確呈現：「H1 2026」、「$1,580」、「$3,460」以及珊瑚色「+45.7%」徽章，這正是為什麼要在靜態圖像中確認字體，而不是在影片模型中處理。

步驟 3：渲染文檔轉影片片段，並驗證每個數字

最後一步。將步驟 2 的影像作為首幀載入，讓影片模型在保持字體靜止的同時進行動畫化。

開啟 Wan 2.7 影像轉影片。設定：上傳你的首幀，解析度 1080P，時長 10 秒。將音訊欄位留空，因為此模型將音訊視為驅動輸入，而非自行產生。你將自行為此片段配樂，或透過單獨的文字轉影片流程處理。

textCopy
1將此幀動畫化為一部 10 秒的 Apple Keynote 風格商業數據影片，保持現有字體像素穩定。
2
300:00-00:05 - 標題 "H1 2026" 保持不動，然後溶解成向外飄散的金色粒子。兩個數字 "$1,580" 和 "$3,460" 從左右兩側滑入並定位；細灰色箭頭從左到右自行繪製。珊瑚色徽章顯示 "+45.7%" 從下方彈出，帶有輕微過衝，與一個清晰的鈴聲同步。
4
500:05-00:10 - 所有內容平滑向左滑出。三個粗圓角長條從共享基線向上生長，背景為純白，顏色分別為珊瑚色、藍綠色和琥珀色，每個長條上方有一個大型獨立數字："$3,460"、"$2,480"、"$1,580"。無圖例、無座標軸、無刻度標籤、無格線。攝影機全程鎖定且完全靜止。
6

「保持現有字體像素穩定」和「攝影機保持鎖定」是關鍵。每個攝影機移動都是模型重新繪製它不該動的文字的機會。

然後，執行無聊但重要的工作：在每個數字出現的幀上暫停，並與原始資料列進行比對。這是一個 30 秒的檢查，也是唯一能防止你的影片自信地顯示錯誤營收數字的方法。

Atlas Cloud 上的 Wan 2.7 影像轉影片操作介面，已載入首幀，並渲染出完成的數據片段

Wan 2.7 影像轉影片，1080P，已上傳步驟 2 的首幀，輸出面板中顯示完成的片段。值得一提的是面板顯示的內容：我們要求 10 秒，時長欄位顯示 10，但渲染回傳只有 5 秒。在檔案產生之前，執行報價就已經告訴了我們這個情況，這就是為什麼要讀取報價的原因。

從相同 GMV 試算表重建的完成數據片段，每個數字都完好無損

成果：相同的試算表，重新建構，刻意將圖例和座標軸刻度設計排除。模型將兩個腳本中的鏡頭壓縮到它實際渲染的五秒鐘內，每個數字都在移動中存活下來：開場的 "$1,580" 和 "$3,460"，然後三個長條上方分別是 "$3,460"、"$2,480" 和 "$1,580"。零個亂碼標籤，因為根本沒有留下任何標籤可以亂碼。預設為無聲，因為影像轉影片路徑不會為你生成任何音訊。

文檔轉影片的變化形式與完成一分鐘的成本

試算表案例是最困難的。其他三個官方使用案例較為容易，而這也是大部分商業價值所在。

教材。 輸入一篇百科全書條目，並要求以特定閱讀等級製作課程。下方的輸出是一個 Q 版風格的動畫課程，關於詩人王維，長度 25.03 秒。

繪圖風格貫穿始終。角色細節則不然。在第 3 秒處，他戴著黑色帽子，背景是純白；到第 22 秒時，帽子變成淺藍色，他站在一幅古典卷軸畫中。與簡報測試中看到的眼鏡鏡框飄移相同。如果你要在三步驟鏈條上重建這個，請在步驟 1 鎖定一個角色卡片，並將步驟 2 的幀作為你的風格錨點。

百科全書條目轉為一年級動畫課程，25.03 秒，含生成音訊。官方阿里巴巴 Wan 3.0 公開測試版示範。

品牌影片。 一份提案文件變成完整的 30 秒廣告。這是四個示範中最美觀的，也是最難以驗證的，因為你無法看到原始文件內容。請關注一致性而非美感：這就是第三方測試者遇到的失敗模式，其產品在一個片段中改變了三次形狀。

提案文件轉為 30.04 秒護膚品品牌影片。官方阿里巴巴 Wan 3.0 公開測試版示範，有音訊。

報告摘要。 此案例沒有官方示範，因此將此模式視為未經測試：要求一位主持人，每個鏡頭一個主張，並像步驟 1 一樣將每個數字用引號括起來。

現在來看成本。

兩份已發布的 Wan 3.0 價格表對於 1080p 是 ¥1.2 還是 $0.20 每秒存在分歧，這兩個數字並不相同。在為一個系列作品編列預算之前，請先核對你實際被計費的端點上的費率。

隱藏成本並非每秒費率，而是重新執行。文件輸入每次任務只接受一個檔案，因此更改一個數字意味著重新生成整個影片。在三步驟鏈條中，鏡頭腳本是可重複使用的文字成品，因此數字變更只會花費你一次渲染，而不是一次完整的任務。在一個季度報告週期中，這個差異遠遠超過每秒價格。

在你上傳任何內容之前，還有一個法律注意事項。你發送給託管模型的文件，是一份離開你公司大樓的文件，而內部簡報和未發布的財務資料通常都有相關的政策規定。請在截止日期壓力到來之前檢查它，而不是之後。此外，本文中所有官方示範片段均屬於阿里巴巴，此處引用為公開測試版資料；本文不授予任何商業使用授權。

Wan 3.0 文檔轉影片 常見問題

Wan 3.0 文檔轉影片接受哪些檔案類型？大小限制為何？

doc、xls、ppt、pdf、txt 和 md，據報導也支援 key、pages 和 numbers，以及純網頁連結（而非檔案）。每次任務一個檔案或一個連結，最大 100MB 或 50 頁。

Wan 3.0 會將每張投影片變成一個場景嗎？

不會，這是最常見的誤解。它會讀取整個文件，然後根據所學到的內容導演一部影片。在上限情況下，這是 50 頁轉為 30 秒，或每頁 0.6 秒，因此它產出的是預告片，而非逐頁翻閱。官方使用案例和獨立測試都指向相同方向。

我的試算表中的數字在影片中準確嗎？

在我檢查的所有案例中，儲存格數值都保持完好，包括官方示範中的 $1,580、$3,460 和 +45.7%。失敗的是圖表元件：圖例合併、座標軸刻度出現非線性、千分位逗號遺失。請將每個數字作為引用的文字字串注入，並完全從指令中排除圖例和刻度標籤。

我現在可以透過 API 使用 Wan 3.0 文檔轉影片嗎？

僅能透過阿里巴巴自己的渠道，目前需要邀請，且權重未公開。Wan 2.2 仍是該系列中最後一個開放權重版本。在情況改變之前，上述的三步驟鏈條是實用的替代方案。

一部 30 秒的 Wan 3.0 影片要花多少錢？

以已發布的 1080p 費率計算，一部 30 秒影片是 ¥36，或根據國際價格表是 $6.00。請為重新執行而非單次生成編列預算，因為修正一個數字意味著重新生成整個影片。

我現在可以執行的、最接近 Wan 3.0 文檔轉影片的是什麼？

使用一個長上下文模型來撰寫鏡頭腳本，然後使用 Wan 2.7（每秒 $0.1）進行渲染，替代方案有相同費率的 MiniMax H3 或每秒 $0.134 的 Seedance 2.5。你可以獲得生成的影像風格和精確的幀文字。但你無法獲得：單次連續 30 秒生成、影像轉影片渲染過程中的音訊，或一個能為你讀取 .pptx 的模型。

誠實的總結：Wan 3.0 文檔轉影片 是一項真實的能力，但也存在真實的限制，而且其輸出與你的輸出之間的差距比看起來要小，只要你不再要求任何一方去繪製圖例。