Wan 3.0 文档转视频：我审核了每一帧

最新更新： Wan 3.0 已于 2026 年 8 月 24 日正式上线。

上传一个电子表格。获得一段 23 秒的带有音乐的业务动画。

这就是 Wan 3.0 文档转视频 的承诺，这是该系列首个原生文档输入功能，官方演示比我想象的更加字面化地兑现了它。数字是对的。1,580 美元增长到 3,460 美元，徽章显示 +45.7%，这些数字直接追溯到源表格中的特定单元格。

然后，我将播放头拖到 12 秒标记处，读取了图表图例。

"南美北美洲。"

两个销售区域被挤压成一个不存在的词。这就是 2026 年文档转视频的真正水平线：模型确实读取了你的表格，但它仍然无法绘制你的图表。下面是我尚未发布过的逐帧审查，以及你今天下午就可以实际运行的三步链。

关键要点

• Wan 3.0 接受 1 个文件或 1 个链接，最多 100MB 或 50 页，输出最长 30 秒，1080p 分辨率。
• 它根据你的文档重新导演一个影片。它不会将第 3 张幻灯片变成第 3 个镜头。
• 单元格值完好无损。图表图例、坐标轴刻度和千位分隔符则不会。
• 存在硬性上限：无 4K，无开放权重，仅限第一方渠道。
• 一个长上下文模型加上一个 15 秒视频模型可以在今天复制大部分功能。

Wan 3.0 文档转视频输出：官方 xlsx 演示渲染为 Keynote 风格的动画数据影片

展示：阿里巴巴官方的 Wan 3.0 公开测试版演示，输入一个 .xlsx 的月度 GMV 文件，输出 23 秒的动画数据影片。此处显示为静默 GIF；交付的文件包含一条 44.1kHz 立体声 AAC 音轨。来源：阿里巴巴官方 Wan 3.0 创作者手册。

Wan 3.0 文档转视频的实际功能

简短版本，如果你只需要这些，一分钟内就可以离开。

你交给它一个文档或一个网页链接。它会读取整个内容，决定故事是什么，并在同一遍生成带有画面和声音的视频。最长 30 秒，最高 1080p。它不会按顺序浏览你的页面。

以下是实际控制项目的一些限制。

公开测试版于 2026 年 8 月 6 日开放（AgentUpdate，2026 年 8 月）。格式列表和两个已发布的价格表来自单独的规格汇总（Ngram，2026 年 8 月）。

官方手册提供了四个文档用例，它们清晰地对应了人们已经付费给代理机构做的四件事：

• 提案文档转化为品牌影片。 一份护肤品提案文档变成 30 秒的广告，包含一位女主角和晨光故事。
• 课件转化为视频课程。 一篇百科条目变成面向一年级学生的动画课程。
• 电子表格转化为动画图表。 上面的演示，也是四个中最难的一个。
• 报告转化为语音回顾。 一份书面报告变成演讲者风格的简报。

现在，这里大多数文章对产品类别的描述都是错误的。

"PDF 转视频"领域的现有产品并非在做这个。Kapwing 的文档转视频将文本从文件中提取出来并放到时间线上，没有场景构建，没有演讲者。Pictory 和 Powtoon 组装素材视频或模板动画，而 Powtoon 自己的产品页面宣传的是阅读你脚本的 AI 虚拟形象和语音。所有这三个都生成带旁白的幻灯片。

把这张表读两遍，因为这就是全部论点：这些产品不属于同一类别。 一个制作带旁白的幻灯片。另一个制作从未存在过的素材。按每分钟价格比较它们，就像比较复印机和电影摄制组。

Wan 3.0 能制作幻灯片吗？可以，这是诚实的警示。

反例：要求将一篇关于量子力学的网页变成一个有趣的讲解视频，Wan 3.0 精确地生成了现有产品所销售的演讲者加字幕格式。它在 30.02 秒处撞上了 30 秒的限制。阿里巴巴官方公开测试版演示，带音频。

所以，区别不在于 Wan 3.0 不能制作讲解视频。而是在于，对于现有产品来说，这种格式是菜单上唯一的东西。

为什么 Wan 3.0 文档转视频会破坏图表但保留你的数字

这里是本文中最有用的一点：我从官方电子表格演示中提取了 12 个均匀间隔的帧并读取了每个字符。

结论清晰地分为两部分。数值通过。图表装饰失败。

幸存的内容。 在 4 秒标记处，帧显示 $1,580，一个细灰色箭头，$3,460，标题 "Monthly GMV Growth"，以及一个珊瑚色徽章显示 +45.7%。排版清晰，逗号位置正确，没有乱码字符。该演示背后的提示引用了特定的电子表格单元格，屏幕上的数字与它们匹配。一个第三方测试针对一份 8 页的产品宣传册也发现了同样的情况：45g、12 hours 和 55 degrees 都正确渲染，结束语没有出现一个错误字符（AI-Driven Lab，2026 年 8 月）。

这回答了财务和 L&D 团队真正关心的问题。你的数字不会悄悄变异。

失败的内容。 图表帧则完全是另一回事。

Wan 3.0 文档转视频帧审查显示合并的图表图例和损坏的 Y 轴

在官方演示的 12 秒处冻结。一帧中有三个缺陷：两个区域名称合并为 "Southeasta North America"，然后 "North America" 又作为单独系列重复出现，以及一个 Y 轴显示 30, 60, 70，而顶部数据标签显示 $3,880。

数一下这一帧中的失败点：

1. 合并的图例。 "Southeast Asia" 和 "North America" 碰撞成 "Southeasta North America"。然后 "North America" 再次作为单独系列出现，因此一个区域被标记了两次，另一个消失了。
2. 非比例的 Y 轴。 刻度为 30, 60, 70。像素间距相等，数值不等，40 和 50 直接缺失。
3. 坐标轴和标签使用不同单位。 最高网格线为 70。固定在顶部数据点上的标签显示 $3,880。
4. 单条线上的数值漂移。 顶部曲线上的标签从 $330 和 $335 开始，然后变为 $3,970 和 $3,880。一个平滑上升的线不能在相邻两点之间拥有十倍跳跃。中间的两个标签模糊得无法自信读取，这本身就是一种答案。

条形图部分重复了这种模式。四个条形分别显示 $1750、$1,580、$2,350 和 $2,580，因此最短的条形拥有第二高的数字，并且第一个标签丢失了千位分隔符，而其他三个保留了。它旁边是四个条形的五个绿色增长数字。而环形图部分中心显示 $89,7M，逗号出现在应放置小数点的地方。

注意所有这些问题的共同点。没有一个内容错误。每一个都是绘制错误：布局、标签、刻度、标点。模型理解了表格，然后以视频模型渲染任何密集文本的方式近似地绘制了图表。

还有第二个结构性原因导致输出看起来完全不像你的幻灯片。

做一下算术。50 页是页数上限，30 秒是时长上限。那就是每页 0.6 秒。

你不可能在 0.6 秒内呈现一页，所以模型做了唯一合理的事情：制作一个预告片。那个第三方幻灯片测试独立得出了相同的结论：它将演示文稿视为电影广告的源材料，而不是要翻页的幻灯片。该产品的眼镜框在镜头中从厚框变为无框再变为第三种形状。

这也是为什么 30 秒上限是一个设计约束，而不是规格表上的脚注。

我们测量了交付的文件：四个官方文档演示的长度分别为 30.04 秒、30.02 秒、25.03 秒和 23.04 秒。两个 30 秒的片段在彼此相差不到百分之一秒处停止。而电子表格演示被要求生成 22 秒，然后交付了 23.04 秒。我们在 Wan 3.0 预览 中更详细地分析了这个上限。

所以：调整预期。给它一个文档，得到一个预告片，保持你的图表简单。

你今天就可以运行的文档转视频工作流程

在教程之前快速进行现实检查，因为这会节省你一小时的搜索时间。

Wan 3.0 的文档输入功能仅存在于阿里巴巴自己的渠道上，访问需要邀请，并且权重未发布。这些渠道之外没有人能提供它，包括我们。你今天可以做的是用已经开放商用的模型重建那个 xlsx 演示中有用的一半，上面的逐帧审查准确地告诉了你如何避开失败的部分。

三个步骤，一个浏览器标签页，在 Atlas Cloud 上：

1. 一个百万 token 模型读取文档并编写一个带时间码的镜头脚本，每个数字都作为文字字符串嵌入。
2. 一个图像模型渲染第一帧，所有文本准确性都在此锁定。
3. 一个视频模型根据脚本对该帧进行动画处理。

此链的三个真实限制。它不能直接处理 .pptx 二进制文件，因此你需要自己粘贴文本或 CSV。Wan 2.7 最多 15 秒，因此无法一次完成 30 秒的拍摄。图生视频路径默认静音：其 audio 参数接受你提供的音轨用于驱动唇形同步，它不会创造配乐。如果你希望在同一遍生成音频，你使用文生视频的兄弟模型并放弃首帧控制，这对于充满美元数字的视频来说是一个错误的权衡。价格于 2026 年 8 月 20 日在模型页面上验证，注意标价是最低价格：质量和分辨率层级会提高实时报价，因此在你提交之前请阅读运行按钮。

让我们构建它。

对于当前的托管运行，请打开 Atlas Cloud 上的 Wan 3.0 并在发布工作流程之前测试类似下面的提示。

Wan 3.0 提示到结果截图：文档转视频审查。

第一步：将你的电子表格变成带时间码的镜头脚本

视频模型不记忆数字。它们渲染你给它们的任何字符串。所以这一步的工作是将表格转换为镜头指令，其中每个数字都已经作为引号内的文本写出来。

将你的表格粘贴在 <<< 标记之间。设置：temperature 0.3，max_tokens 4000。保持 max_tokens 慷慨，因为一个具备推理能力的模型如果在思考过程中耗尽预算，会返回一个空答案，而你仍然需要为此付费。

textCopy
1你是一位动态图形导演。下面是一个原始电子表格导出。
2
3<<<
4Month,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 growth,+45.7%,,,
12>>>
13
14为一个 10 秒、16:9、Apple Keynote 风格的业务数据视频编写一个镜头脚本。规则：
151. 恰好 2 个镜头。为每个镜头提供入/出时间码（00:00-00:05，00:05-00:10）。
162. 屏幕上出现的每个数字都必须在镜头描述中写为精确的文字字符串，用引号括起来，例如 "$1,580"。永远不要写 "一月份的数据" - 要写出数字。
173. 不要要求图例、带有刻度标签的坐标轴，或者屏幕上同时显示超过两个数据系列。使用大型独立数字和一个珊瑚色药丸形状徽章代替。
184. 纯白色背景，柔和珊瑚色 + 深灰色调色板，无衬线字体。
195. 以一行 BGM + SFX 方向结束（滑入时嗖的一声，徽章上发出一个清脆的铃声）。
20仅输出脚本，无需注释。
21

规则 3 是审查的回报。官方输出恰好在三件事上失败：图例、坐标轴刻度和多系列图表。所以我们从简报中删除所有这三个，并将屏幕空间用于超大数字和一个彩色编码徽章。相同的信息，没有失败点。

规则 2 是人们经常跳过的一条，也是数字能在此链中幸存到结束的原因。一个说 "一月份的数据" 的镜头描述将数字交还给必须为其发明字符的模型。一个说引号内 "$1,580" 的镜头描述为接下来的两步提供了一个要复制的字符串。你这里不是在要求数据可视化，而是在要求一个打字指令。

返回的是一个两镜头脚本，带有入出时间码，每个屏幕上的数字都以文字形式引用，以及一个结束的 BGM 和 SFX 行。将其保存在一个临时文件中；步骤 2 和 3 都会从中读取。

第二步：生成品牌第一帧

屏幕文本的每个字符都在这里决定。一个高质量图像模型渲染 $1,580 的正确性远高于视频模型在移动时书写它的可靠性，因此我们在静态图像中确定排版，让步骤 3 只推动像素。

打开 GPT Image 2 并将质量设置为 high，尺寸设置为 16:9 选项，在此页面上为 2048x1152。匹配宽高比与你即将制作的视频，否则步骤 3 会从裁剪你的排版开始。

textCopy
1一个完美的 Apple Keynote 风格演示帧，纯白色无缝背景，仿佛投射在哑光工作室墙壁上。居中标题使用深炭灰色几何无衬线字体，显示 "H1 2026"，设置在宽敞的负空间中。下方，两个超大数字使用相同字体，左侧 "$1,580" 和右侧 "$3,460"，由一条细浅灰色箭头分隔。箭头下方，小号浅灰色标题文字 "Monthly GMV Growth"。再下方，一个单独的珊瑚色药丸形状徽章，白色文字显示 "+45.7%"。柔和均匀的漫射光，右上角有微弱暖色渐变，微妙的纸张纹理，无杂乱，无标志，无图表。超干净的企业极简风格，16:9。
2

有两个值得复制的细节。"无图表" 是有意包含的。在点击运行按钮之前阅读价格报价，因为高质量宽 2K 帧的成本是 $0.009 标价的倍数。

Atlas Cloud 上的 GPT Image 2 工作区，显示第一帧提示和渲染的 Keynote 风格帧，每个数字拼写正确

GPT Image 2，高质量，16:9 在 2048x1152。每个数字都正确显示："H1 2026"、"$1,580"、"$3,460" 和珊瑚色 "+45.7%" 徽章，这正是为什么排版在静态图像中确定而不是在视频模型中。

第三步：渲染文档转视频片段并验证每一个数字

最后一步。将步骤 2 的图像作为第一帧加载，让视频模型对其进行动画处理，同时保持排版静止。

打开 Wan 2.7 图生视频。设置：上传你的第一帧，分辨率 1080P，时长 10s。将音频字段留空，因为此模型将音频视为驱动输入而不是创造的东西。你将自行为此片段配乐，或通过单独的文生视频过程。

textCopy
1将此帧制作为 10 秒的 Apple Keynote 风格业务数据视频，保持现有排版像素稳定。
2
300:00-00:05 - 标题 "H1 2026" 保持，然后溶解成向外飘散的金色粒子。两个数字 "$1,580" 和 "$3,460" 从左右滑入并锁定到位；细灰色箭头从左到右自行绘制。珊瑚色徽章显示 "+45.7%" 从下方弹出，带有轻微过冲，与一个清晰的铃声同步。
4
500:05-00:10 - 所有内容平滑向左滑出。三个粗圆角条从共同基线向上生长，在相同的纯白色背景下，珊瑚色、蓝绿色和琥珀色，每个上方有一个大型独立数字："$3,460"、"$2,480"、"$1,580"。无图例，无坐标轴，无刻度标签，无网格线。摄像机完全锁定并保持静止。
6

"保持现有排版像素稳定" 和 "摄像机保持锁定" 正在做真正的工作。每个摄像机移动都是模型有机会重新绘制它本应保持不变的文本。

然后做无聊但重要的部分：在出现数字的每一帧暂停，并对照源行进行读取。这是一个 30 秒的检查，也是你与一个自信地显示错误收入数字的视频之间的唯一障碍。

Atlas Cloud 上的 Wan 2.7 图生视频工作区，加载了第一帧，并渲染了完成的数据片段

Wan 2.7 图生视频在 1080P，上传了步骤 2 的第一帧，输出面板中显示了完成的片段。值得注意面板显示的内容：我们要求 10 秒，时长字段显示 10，但渲染返回了 5。运行报价在文件之前就告诉了我们这一点，这就是阅读它的全部原因。

使用相同 GMV 电子表格重建的完成数据片段，每个数字完好无损

回报：相同的电子表格，通过有意设计移除图例和坐标轴刻度进行重建。模型将两个脚本化的镜头压缩到它实际渲染的五秒内，每个数字在移动中幸存下来：开场中的 "$1,580" 和 "$3,460"，然后三个条形上方的 "$3,460"、"$2,480" 和 "$1,580"。零乱码标签，因为根本没有标签可以乱码。默认静音，因为图生视频路径不为你生成任何配乐。

文档转视频变体以及一分钟完成视频的成本

电子表格案例是最难的。其他三个官方用例更容易，并且大多数商业价值都集中在那里。

课件。 输入百科条目，要求以特定阅读水平制作课程。下面的输出是一个关于诗人王维的 Q 版动画课程，时长 25.03 秒。

绘画风格贯穿始终。角色细节则不然。在 3 秒处，他戴着黑色帽子，背景是纯白色；到 22 秒时，帽子变成了浅蓝色，他站在一幅古典卷轴画中。与幻灯片测试中看到的眼镜框漂移相同。如果你在三步链上重建这个，在步骤 1 中锁定一个角色卡片，并将步骤 2 的帧重新用作你的风格锚点。

百科条目转化为一年级动画课程，25.03 秒，带生成音频。阿里巴巴官方 Wan 3.0 公开测试版演示。

品牌影片。 一份提案文档变成完整的 30 秒广告。这是四个演示中最漂亮的，也是最难验证的，因为你无法看到源文档的内容。观察一致性而不是美感：这是捕捉到第三方测试者的失败模式，其产品在一个片段中改变了三次形状。

提案文档转化为 30.04 秒护肤品品牌影片。阿里巴巴官方 Wan 3.0 公开测试版演示，带音频。

报告回顾。 此用例没有官方演示，因此将该模式视为未测试：要求一位演讲者，每个镜头一个主张，并将每个数字放在引号内，与步骤 1 完全相同。

现在谈费用。

两个已发布的 Wan 3.0 价格表在 1080p 是 ¥1.2 还是 $0.20 每秒方面存在分歧，这并非同一个数字。在你为系列做预算之前，检查你实际计费端点上的费率。

隐藏成本不是每秒费率。而是重新运行。文档输入每次任务只接受一个文件，因此更改一个数字意味着重新生成整个视频。在三步链中，镜头脚本是一个可复用的文本工件，因此数字更改花费你一次渲染而不是一次完整任务。在一个季度报告周期中，这个差异远超每秒价格。

在你上传任何内容之前，还有一个法律注意事项。你发送给托管模型的文档是离开你公司的文档，内部演示文稿和未发布的财务数据通常有相关政策。在截止日期压力到来之前检查它，而不是之后。并且本文中的每个官方演示片段都属于阿里巴巴，此处作为公开测试版材料引用；此处没有任何内容授权你将其用于商业用途。

Wan 3.0 文档转视频常见问题解答

Wan 3.0 文档转视频可以接受哪些文件类型，以及大小限制是多少？

doc、xls、ppt、pdf、txt 和 md，还有 key、pages 和 numbers 也被报告支持，此外还支持纯网页链接代替文件。每次任务一个文件或一个链接，最大 100MB 或 50 页。

Wan 3.0 会将每张幻灯片变成场景吗？

不，这是最常见的误解。它会读取整个文档，然后根据所学内容导演一个视频。在上限情况下，50 页压缩到 30 秒，即每页 0.6 秒，因此它生成的是预告片而不是翻页效果。官方用例和独立测试都指向同一方向。

我电子表格中的数字在视频中是否准确？

我检查的每个案例中，单元格值都保持良好，包括官方演示中的 $1,580、$3,460 和 +45.7%。失败的是图表装饰：图例合并，坐标轴刻度非线性，千位分隔符丢失。将每个数字作为引用的文字注入，并完全从简报中设计掉图例和刻度标签。

我今天可以通过 API 使用 Wan 3.0 文档转视频吗？

只能通过阿里巴巴自己的渠道，目前需要邀请，并且权重未发布。Wan 2.2 仍然是该系列中最后一个开放权重版本。在那之前，上面的三步链是实用的替代方案。

一个 30 秒的 Wan 3.0 视频需要多少钱？

按已发布的 1080p 费率，为一个 30 秒片段，人民币计费为 ¥36，国际计费为 $6.00。预算要考虑重新运行而不是单次生成，因为一个数字的修正意味着重新生成整个视频。

我现在可以运行的最接近 Wan 3.0 文档转视频的是什么？

一个长上下文模型来编写镜头脚本，然后使用 Wan 2.7 以 $0.1 每秒进行渲染，使用 MiniMax H3 相同费率或 Seedance 2.5 以 $0.134 每秒作为替代方案。你获得生成素材的外观和帧精确的文本。你没有得到的是：30 秒一次连续拍摄、图生视频渲染同一遍中的音频，或者一个为你读取 .pptx 的模型。

诚实的总结：Wan 3.0 文档转视频 是一个真实的能力，有一个真实的上限，只要你不再要求任何一个去绘制图例，它的输出和你的输出之间的差距比你看到的要小。