国内的 AI 视觉生成模型里，通义万相是绕不开的一个。它是阿里巴巴通义实验室自研的视觉生成大模型，官网页面上给自己的定位是「领先的 AI 视频与图像生成模型」，由阿里云提供支持。目前官网首页主推的版本是万相 3.0——一个把文生视频、图生视频、全模态参考和视频编辑都收进同一套模型里的 All-in-One 方案。

一次生成 30 秒，还带声音

阿里云帮助中心的官方文档写明，万相 3.0 系列是 All-in-One 视频生成模型，在有声视频生成、多模态参考和视频编辑能力上全面升级：单次生成时长最长 30 秒、输出帧率 30fps，并原生输出台词、BGM 和音效。这几个数字放在一起，意味着「先出画面、再找人配音、最后对轨」的老流程可以省掉大半。

文生视频只要给提示词，不需要传任何素材文件。官方文档写明它原生支持最长 30 秒的多镜头叙事，会自动生成同步的台词、BGM 与音效；同时支持单镜头和多镜头分镜格式，每个镜头 4~6 秒并带时间戳标注。分辨率可选 480P / 720P / 1080P，时长 2~30 秒，另外还有一个「智能时长」——把时长参数设为自动，模型自己判断该给多长。

参考能力：图、视频、音频，连文档都能喂

这是万相 3.0 很值得单说的一块。官方文档写明，它单次支持最多 20 个多模态素材参考，涵盖图片、视频、音频、文档与网页。具体到各类：图片最多 10 张、单张不超过 20MB；视频最多 5 段、总时长不超过 15 秒；音频最多 5 段、总时长不超过 15 秒；三类参考素材还可以任意组合，比如图片加视频、图片加音频、图片加视频加音频。

更少见的是文件与网页参考。把素材类型设为「文件」或「链接」（二选一，各限 1 个），就能让它解析文档或网页内容来生成视频——一份产品手册、企划文档或数据表格，可以直接变成片子的结构与风格引导。官网也写明，万相 3.0 最高支持 20 个素材参考生成，支持复杂文档和网页解析。

首尾帧与视频编辑：控制权交回给你

图生视频部分支持首帧生视频和首尾帧生视频：通过首帧、尾帧两张图严格指定视频的开头或结尾画面，像素级还原参考画面，中间的运动交给模型补。首尾帧模式下，模型会自动生成中间的过渡动作——比只丢一句提示词更接近你脑子里那条片子。

官方文档还写明 Wan3.0 支持视频编辑与视频延长。编辑时把素材类型设为参考视频、并让提示词带上编辑意图（比如「编辑视频」「去掉」「替换」「改成」），就能做增删改元素、风格转换、光线编辑和台词编辑；延长则支持向前、向后和双向。换句话说，生成完不满意的地方可以直接在同一套模型里改，还能接着往下拍。

图像侧：文生图、多图融合与主体一致性

虽然视频是主场，万相在图像上并不弱。官网把它定义为「视频与图像生成模型」，图像侧支持文生图与图生图，能力包括多图融合与创意重组、商用级主体一致性保持、美学要素迁移，以及镜头和光线的精准控制；还能做图文混排输出，让多张图片和文字一起生成，适合绘本、信息图表这类需要逻辑排版的场景。写实人像也是它明确在做的方向，官方强调会综合优化构图与光影，削弱常见的「AI 感」。

模型家族与怎么用

通义实验室的官方发布页写明，通义万相 Wan 模型家族已支持文生图、文生视频、图生视频、人声生视频和动作生成等 10 多种视觉创作能力，累计生成 3.9 亿张图片、7000 万个视频；此外已连续开源 20 多款模型，在开源社区和三方平台的下载量超过 3000 万。日常使用上，万相官网可以直接体验，也能通过阿里云百炼平台调用 API 做批量生产。

也要说清的边界

官方文档里有几处限制值得先知道：文档与网页链接仅支持无需登录的公开页面，非公开内容喂不进去；参考素材有上限，图片 10 张、视频与音频各 5 段且各不超过 15 秒；首尾帧模式与参考素材的类型不能混用，比如首尾帧只能传首帧和尾帧，不能再同时塞音频参考。这些不是坑，是选型前就该算进去的约束。

一句话概括：万相 3.0 补的是「一条片子从脚本到成片要跨好几个工具」这件事——30 秒、有声、多镜头、可参考、可编辑，官方都放进了同一套模型里。如果你在做短剧、广告或电商视频，它值得排进试用清单；如果只是偶尔生成一张图，图像侧的文生图入口也就够了。