实测阿里Wan3.0：30秒一镜到底与音画同步表现

熟悉我的老读者都知道， 之前我其实一直沉迷于AI编程、AI办公方面的实测， 最近，我决定要进入 AI 视频领域了， 主要是视频目前发展得太快了。 包括我自己，每天都会刷1-2小时AI视频。 太上瘾了。。 小时候，一直想当动画片里的主角。 这次终于实现了。 同时也计划为大家分享一些关于 AI 生成视频时的技巧，教程等等。 AI 视频这两年一直在卷。 卷画质，卷时长，卷一致性，卷价格。 万相 Wan3.0 这次也出息了，最让我在意的是两件事： 视频更长了，声音也能一起生成了。 开放公测以后，原生支持 30 秒一镜到底。 上一代 Wan2.7 的上限还是 15 秒，这次直接翻倍。 再加上音画一体，画面和音效一起出，不用生成完视频，再从零开始补声音。 价格也先放这儿： 1080P 每秒 1.2 元，限时 7 折后 0.84 元；480P 每秒 0.3 元，失败不计费，新用户送 30 秒免费额度。 算下来，一条 30 秒的 1080P 视频，折后大概 25 块钱。 听起来，时长、声音、价格，都挺有吸引力。 但毕竟，参数表好看，和真正能拿来干活，是两件事。 一条视频 25 块，生成一次就能用，和反复跑十次才能挑出一条，也完全不是一个成本。 所以今天，我把五项实测的结果全部摊开。 每一步用了什么提示词，也一起公开。 Wan3.0 是个什么模型 阿里通义万相出品，万相视频家族的第八个迭代版本。 往前捋一下这个家族的谱系，你就知道 3.0 站在哪一步： Wan2.1 / Wan2.2 开源版（2025 年，Apache 2.0 协议） ↓ Wan2.5 / 2.6 / 2.7 商业 API（音频能力逐代补齐，时长卡在 15 秒） ↓ Wan3.0 公测（2026 年 8 月 6 日） 开源的两代在 GitHub 上各拿了 17000 多个星标，商业版一路迭代，把音频补了进来，但时长一直没过去。 到了 3.0，官方给的能力清单是五条。 原生 30 秒一镜到底，支持智能时长推荐和视频延长。 四模态参考，文本、图片、音频、视频之外，第一次支持文档输入， doc、xls、ppt、pdf、md 都行， 单文件 100MB 以内、50 页以内，一次最多喂 20 个参考素材， 主打角色、道具、声音、空间、风格的像素级一致。 音画一体，电影级声画同步，原生音效设计。 四类创作模式：参考、编辑、复刻、驱动。 参考是喂素材保一致，编辑是改画面改台词，复刻是照着样片还原，驱动是让素材动起来，改剧情、自动分镜都在这一套里。 12 种语言的文生字，图表和公式也能直接生成进画面。 使用渠道有四个：万相官网、阿里云百炼、千问创作和千问 App，网页版即开即用。 API 按秒计费，480P 每秒 0.3 元，720P 每秒 0.6 元，1080P 每秒 1.2 元，目前限时 7 折，折后分别是 0.21、0.42、0.84。 生成失败不计费，新用户送 30 秒免费额度！（好评，快去薅羊毛芜湖！） 时长翻倍这件事，看起来只是数字变大，实际上是整个玩法变了。 开测之前 能玩到 Wan3.0 的路子有三条，各有各的用法。 只想先试试的，直接上万相官网网页版，登录就能生成，零门槛。 想接进自己产品的，走阿里云百炼的 API，按秒计费，那 30 秒免费额度也在这一侧。 习惯在千问里干活的，千问创作和千问 App 里也挂了入口。 我这次的主战场是网页版，API 侧只核对价格和免费额度的位置。 测试方法我也做了减法，统一成一套动作：参考素材加提示词，直接出视频。 五项里四项都这么跑，唯一的例外是文生字，不给参考素材，纯裸考。 五项实测，先立好目标，再定判定标准： 一  30 秒一镜到底    金芦入山做首帧，看崩不崩、跳不跳 二  音画同步         霜芦骑影做首帧，看声画对不对得上 三  多素材一致性     同一主角两支剧情，看跑不跑偏 四  文生字           唯一裸考，标题图表公式，错不错字 五  视频延长         拿实测一的片子接着延 规矩也说在前面：所有提示词全部公开，效果好的地方放开写，跑不出什么就如实写什么。 这五项，我连着一个晚上跑完。 欧克，规矩说完，开测gogogo！ 30 秒一镜到底，到底稳不稳 第一项，测大家最关心的时长 一镜到底最怕的不是崩，是闷： 一个镜头扛 30 秒，景别和焦距得自己会变化。 参考图用金芦入山这张剧照，做首帧喂进去，让它延展成 30 秒。 图：30 秒测试的参考图，金芦入山。 提示词全文如下，可以直接复制： 一段 30 秒的一镜到底视频，16:9 横幅，电影写实质感，以上传图片为首帧，全程一个镜头，不切断，不跳切。 开场沿用首帧的大远景：白衣剑客穿过齐腰的金色芦苇，走向远处的山口。 镜头调度把景别拉开：先向前推近成中景跟拍，芦苇从画面两侧向后掠过；中段焦点从芦苇尖移到人物肩头，再推成手部特写，黑褐木剑鞘入画；后段缓缓拉高拉远，人物重新变小，画面收在山口方向的大远景。 光线跟着景别走：前段清晨冷调，中段慢慢转暖，最后 10 秒芦苇尖被晨光照成金色，群山保持冷蓝，轻胶片颗粒。 声音与画面同步：芦苇叶的沙沙声、脚步踩过干草的碎响、风声由小到大，两声鸟鸣掠过，无配乐，无旁白。 不要出现：字幕、水印、Logo、镜头切换、人物换脸、肢体畸变、目的地建筑。 提交，排队，等结果！ 出片那一刻，我是真有点坐不住。 30 秒，一镜到底，景别换了好几轮： 从芦苇海的大远景，推到中景跟拍，再怼到剑鞘的手部特写，最后拉升回大远景。 怼到剑鞘的手部特写 逐段看下来，画面里该有的东西都在。 芦苇是往后掠的，脚步是连续的，光线从前段的冷调慢慢转暖，没有出现上一代常见的突然变色。 我最担心的中段崩帧，这次没有出现。 把 30 秒拆成三段截了关键帧连着看，人物比例稳定，芦苇和远山的透视没有漂移。 要说不足也有一点，镜头拉到最远的几秒，芦苇的细节有一层轻涂抹感，放大看经不起推敲。 不过按 1080P 全屏看，这个细节密度已经够用。 对照一下就知道翻倍的分量。 上一代 Wan2.7，15 秒封顶，一条片子讲一个片段就得收尾；30 秒，才够讲完起承转合。 15 秒讲一个片段，30 秒才讲得完一个故事。 音画同步，它是真的自带音效 第二项，音效 参考图换成霜芦骑影这张，声音设计全部写进提示词里。 图：音画同步测试的参考图，霜芦骑影。 一段 5 秒的视频，16:9 横幅，电影写实质感，以上传图片为首帧，固定机位。 灰蓝雾色的芦苇海，黑衣剑客骑黑马从画面左侧缓步走入，沿中线略左穿过画面，从右侧走出。 声音逐一对位：马蹄踏进霜芦一步一声，闷响跟着马腿的起落走；披风被风掀起时带出一声猎猎的布响；芦苇丛里两声短促的鸟叫；马走出画面后，只剩风声铺底。 无配乐，无旁白。 不要出现：字幕、水印、Logo、镜头切换、马匹肢体畸变、骑手换脸。 生成出来第一遍，我戴着耳机又听了一遍。 马蹄踏进芦苇的那几步，蹄声一步一声，跟马腿的起落对得很准。 披风被风掀起的那一下，布响跟着动作一起出来。 这一下我是真没想到，对得死死的。 这种对位，以前要靠剪辑软件手工卡点，现在是出厂自带。 音质嘛，说实话，环境音很真实，但离直接当配乐用还差一层，细节的层次感有进步空间。 这一点官方自己在公测文里也承认了，声音质感仍在打磨。 能用，好用的部分占大头。 以前生成完视频还要去配乐，现在是画面和声音一起出厂。 20 个参考素材，一致性是不是真的 第三项，是 3.0 最牛叉的地方：参考素材 它一次最多吃 20 个参考素材，图片、视频、音频、文档都算在内， 官方的说法是角色、道具、声音、空间、风格五个维度保持一致。 这五个维度，我拆成三支片子来验，每支都是老套路：参考素材加提示词。 素材墙直接建满： 14 张参考图全部上传，逼近 20 的上限。 测试一，角色认不认得住 素材墙里的白衣剑客，从月灰盐原走进金芦入山，两个世界一支片子过 一段 5 秒的视频，16:9 横幅，电影写实质感。 角色用素材墙里的白衣剑客：朴素高髻，长袍配剑，黑褐木剑鞘。 以上传的月灰盐原为首帧：浅水盐面，剑客背向镜头缓步向前； 光线从盐原的月灰过渡到芦苇的暖金，远山保持冷蓝，轻胶片颗粒。 声音与画面同步：浅水的涉水声、踩上干芦苇叶的碎响、风声渐起，无配乐。 不要出现：换脸、换装、服装变色、字幕、水印、镜头切换。 参考图 你还真别说，高髻的形状、剑鞘的位置、走路的姿态，都对得上素材。 测试二，世界稳不稳定 素材墙里的巨物世界，四张图一个风格，看视频会不会漂 一段 5 秒的视频，16:9 横幅，电影写实质感。 世界用素材墙里的巨物系列：翠绿草海，朱红巨构，漆黑石材，纯白光线。 以上传的圣墙为首帧：深色长袍的旅人沿草地走向墙中央那道纯白缝隙，镜头从地面缓缓推近，墙体占比越来越大，旅人始终极小。 声音与画面同步：风扫过草海的低频、旅人的脚步声、靠近墙体时一声低沉的嗡鸣，无配乐。 不要出现：第二个人、多余建筑、文字、水印、镜头切换。 参考图 草海的翠绿、墙体的朱红、旅人的深色长袍，三样东西稳稳当当地站在素材这一边。 风格没有漂，四张图的世界，视频接住了。 文生字，教程党的刚需 第四项，文生字 这项是唯一的裸考，不给参考素材，纯看提示词的功夫。 做教程的人都知道，画面里的字有多难搞，生成图里出现汉字，十个有八个是鬼画符。 Wan3.0 的官方口径是 12 种语言文生字，图表和公式也能画。 提示词直接上强度： 一段 10 秒的信息图视频，深蓝色背景，扁平简洁风格。 画面中央出现白色标题字：三分钟看懂视频生成。 下方依次弹出三个要点，逐条出现，每条停留约两秒：30 秒一镜到底；音画一体；12 种语言文生字。 结尾出现一个简单柱状图，两根柱子并排，标注 15 秒与 30 秒，30 秒那根明显更高。 全部文字为简体中文，笔画清晰，无错字，无英文。 不要出现：乱码、缺笔画、多余文字、水印、Logo。 我把生成的几帧挨个放大看了。 标题 9 个字，全对（看了三遍！！）。 三个要点也全对，柱状图的数字和标签都落对了位置。 标题、要点、图表交给它，后期字幕省一半。 字幕不用后期打，成片直接带字出门！ 一镜到底的片子，现在也能像连载一样往下写了！ 它现在还做不到的事 吹完了，按规矩说边界 三件事，你得知道。 第一，音质和文字的细节还没到顶。 声音质感、文字准确度，官方自己写了仍有提升空间，我的实测也印证了这两条： 环境音能打，配乐级还差口气；大字稳，小字有翻车率。 第二，3.0 目前没有开源。 想本地部署、想在 ComfyUI 里折腾的，暂时只能用 Wan2.2 开源版。 3.0 的官方仓库里现在只有 README 和 LICENSE，什么时候开源，还没有时间表。 第三，盲测榜是社区投票口径，不是官方 benchmark，参考可以，别当圣旨。 像我这样的普通小白玩家，短期内网页版就是最顺的路，本地部署的事，等开源再说。 没做到的地方说明白，比吹上天更让人信任。 它适合谁 最后算总账，横向放一起看 维度 万相 Wan3.0 可灵 3.0 Veo 3.1 时长上限 原生 30 秒一镜到底 主流 5 至 10 秒档 主流 5 至 10 秒档 原生音频 音画一体 有 有 参考素材 最多 20 个，支持文档输入 图片参考为主 图片参考为主 盲测 Elo（带音频文生视频） 1238，第一 1108 1092 1080P 每秒单价 1.2 元，限时 7 折 0.84 元 以官方当期公示为准 以官方当期公示为准 第三方的视频盲测榜上，Wan 3.0 拿了两个第一，带音频的文生视频类，Elo 1242；无音频类，Elo 1333。 可灵 3.0 和 Veo 3.1 都排在它后面。 国产视频模型在社区盲测里登顶，这个第一是真实用户一张一张投票投出来的。 欧克，算账。 一条 30 秒的 1080P 成片，原价 36 元，限时 7 折 25 元左右；480P 更是只要 9 块，7 折 6 块 3。 以前找外包出一条 30 秒的成片，报价不便宜，改一版还要加钱等档期； 现在 25 块钱一条，不满意改提示词重跑，失败还不计费。 四类人，各自对号入座。 第一类，短视频和自媒体创作者。 30 秒成片加自带音效，一条龙跑完，日更账号的素材压力能实打实降下来。 第二类，电商和内容团队。 20 个参考素材的一致性，拿来做商品演示、品牌短片，主角和产品不会跑偏，一个 SKU 能铺一整套片子。 第三类，开发者。 API 按秒计费，免费 30 秒额度够跑通全流程，接进自己的产品，成本按条算得清。 第四类，普通用户。 网页版即开即用，特效模板玩起来，零门槛。 它能不能以足够低的成本，每天替你产出一条成片，这才是创作者真正要算的账。 最后想说的话 这五项测下来，我对视频生成的判断，有点变了。 以前我总觉得，视频模型之间的竞争，比的是谁的画质更精致。 后来慢慢发现，真正卡住创作者的，是时长、一致性和成本这三道门槛。 我现在越来越觉得，当这三道门一起被打开的时候，短视频创作的分工就真的要变了。 从生成 5 秒的片段，到生成 30 秒的成片，再到画面、声音、角色全部对得上， 视频生成的终点不是替代创作者，而是把创意到成片的距离，压到一个晚上。 我其实发自内心对它保持期待，也希望国产大模型在视频这条线上继续往前冲。 Wan3.0的后续升级，可以期待一波。 提示词写清楚。 素材给到位。 剩下的，交给它。 新用户有 30 秒免费额度，如果你正好想做视频，抓紧去试！！ 一起实现我们小时候的主角梦。 如果你是很多年前就关注过我。 谢谢你，还在。 如果你是最近才来到这里的新朋友，也欢迎你。 新的故事，从这里开始。 我是洛兹克。 这一次，我们一起走进AGI时代！