8月4日消息,围绕阿里通义万相 Wan 3.0 的模型传闻近日集中出现,核心信息是"原生单次生成约 30 秒视频、自带声音"。传闻主要来自第三方平台与早期测试者的公开动作:AI 平台 PixelDojo 上线了 Wan 3.0 预览页并声称获得早期测试权限,视频创作平台 VivaReel 正在举办以 Wan3.0 为指定模型的创作者活动,X 上已出现自称提前测试 Wan 3.0 的实机对比帖。
传闻中的 Wan 3.0 模型规格
据 PixelDojo 预览页,Wan 3.0 的模型能力集中在以下几点:
时长是最核心的升级:单次生成 2 到 30 秒任意时长的视频,无需多段拼接,页面原话是"一个有开头、中间和结尾的场景,不再需要从碎片拼接而成";时长参数设为 -1 时由模型自行决定生成多长,页面示例中模型为一段纸船提示词选择了 20 秒。作为对比,官方当前 Wan 2.6/2.7 的时长范围是 2 到 15 秒,需要用户显式指定。
音频是第二项重点:对话、音乐、环境音与拟音与画面在同一文件中生成("与画面一起生成,到达时就在同一个 mp4 里"),而非后期配音;页面特别说明,关闭声音与保留声音的成本完全相同,音乐是"与画面一起生成的,不是事后铺上去的"。
参考输入的数量大幅增加:一个请求最多可放入 10 张图片、5 段视频与 5 段音频,并支持跨模态组合——"从一张图中取人脸,从另一张图中取场景,从音频文件中取声音"。官方当前 Wan 2.7 的参考生视频(R2V)能力以图片/视频参考为主,输入数量没有达到这个量级。
此外还包括:首尾帧生成("给它第一帧和最后一帧,它生成中间的运动")、自适应画幅(模型读取提示词自行决定输出比例,页面示例中竖屏广告提示词返回 720x1280、方形产品循环返回 960x960)。示例片段的分辨率为 1080P。页面强调"下面每一支片段都是一次生成,直接从模型出来,声音包含在内",并写明"We have early access while it is still in testing"(我们获得了仍在测试中的早期接入权限)。
第二个迹象:VivaReel 的 Wan3.0 创作者活动
除 PixelDojo 外,第二个第三方迹象来自视频创作平台 VivaReel。据其活动页面,该平台正在举办"VivaReel × Wan3.0 AI Creator Festival 2026",8 月 1 日至 8 月 15 日接受报名与投稿,规则明确要求参赛作品必须使用"HappyHorse/Wan3.0"模型生成,成片最短 60 秒。报名即赠 5,000 平台 credits(注明仅可用于该模型),另提供 1,000 credits 9.99 美元的付费包、每人限购三次。活动页面未说明 60 秒成片是否由模型单次生成,也未给出 Wan3.0 的参数细节。
早期测试者的实机对比
第三个迹象来自实测侧。X 用户 @Dani__oros 于 8 月 4 日发布对比帖,自称提前测试了即将推出的 Wan 3.0,并用完全相同的提示词生成了三个视频,与 Seedance 2.0、Seedance 2.5 横向对比。提示词是一段高度结构化的 7 镜头动作分镜(2D 手绘赛璐璐风格、青橙双色角色对决),三个对比视频时长约 15 秒。
作者的评价是:Wan 3.0 的战斗场面画面干净、动作流畅,青色轨迹与碎石特效表现较好,但没有完全还原提示词要求的 2D 动画风格。该帖提示词已公开在评论区,可供复现。
对比:Wan 2.7 官方规格与 3.0 传闻
当前 Wan 2.6/2.7 系列的规格是:生成时长 2 到 15 秒,分辨率最高 1080P,支持有声生成与多镜头叙事,提供参考生视频(R2V)与视频编辑(videoedit)能力。
传闻中的 Wan 3.0 与之一一对应:时长上限翻倍(30 秒),从"指定时长"变为"可让模型自动决定";参考输入从图片/视频为主扩展到"10 图 + 5 片 + 5 音"的多模态组合;音频从"有声生成"升级为对话、音乐、环境音、拟音同文件输出。整体看,传闻的 3.0 没有引入官方 2.7 完全没有的新方向,而是把既有能力——时长、参考输入、音频完整性——全面放大,定位更接近"单次成片"的生产工具。
阿里官方未对 Wan 3.0 作任何公开确认:通义万相官网、阿里云百炼文档(模型清单止于 wan2.7)、官方 Wan 平台站、Qwen 博客以及 GitHub 与 Hugging Face 官方组织账号中,均无 Wan 3.0 的发布声明、预告或权重。社区中关于 Wan 3.0 的讨论停多在猜测层面。
官方脉络:Wan 系列的迭代节奏
传闻并非空穴来风,回看Wan 2.1 于 2025 年 2 月开源(T2V-14B/1.3B、I2V-14B), 7 月 Wan 2.2 以 MoE 架构开源(T2V-A14B、I2V-A14B、TI2V-5B),8 月、9 月相继发布有声视频模型 S2V-14B 与 Animate-14B。2025 年底,Wan 2.6/2.7 通过阿里云百炼以 API 上线,把时长上限提升到 15 秒,加入音画同步与多镜头叙事。2026 年 7 月,最新开源模型 Wan-Dancer-14B 上线。从 2.1 到 Wan-Dancer,约每 5 个月完成一次代际或能力升级,时长、分辨率与音频能力逐代加码——30 秒传闻正是这条迭代线的下一个刻度。
对视频生成用户,若传闻为真,单次成片能力(30 秒、带声、多模态参考)意味着工作流的实质简化,结合近期minimax H3和seedance 2.5的发布,国内对于AI视频生成这个赛道的竞争来到了刺刀见红的局面,现在的用户不只是说需要便宜、1:1还原的视频生成模型,更需要一个更简单、门槛更低的模型。