國內的 AI 視覺生成模型裡，通義萬相是繞不開的一個。它是通義實驗室自研的視覺生成大模型，官網給自己的定位是「領先的 AI 影片與影像生成模型」。目前首頁主推的是萬相 3.0——一個把文生影片、圖生影片、全模態參考與影片編輯都收進同一套模型裡的 All-in-One 方案。

一次生成三十秒，還帶聲音

官方說明寫明，萬相 3.0 系列是 All-in-One 影片生成模型，在有聲影片生成、多模態參考與影片編輯上全面升級：單次生成時長最長三十秒、輸出影格率 30fps，並原生輸出臺詞、背景音樂與音效。這幾個數字放在一起，意味著「先出畫面、再找人配音、最後對軌」的老流程可以省掉大半。

文生影片只要給提示詞，不需要上傳任何素材檔案。官方說明寫明它原生支援最長三十秒的多鏡頭敘事，會自動生成同步的臺詞、背景音樂與音效；同時支援單鏡頭與多鏡頭分鏡格式，每個鏡頭四到六秒並帶時間戳標註。解析度可選 480P、720P、1080P，時長二到三十秒，另外還有一個「智慧時長」——把時長參數設為自動，模型自己判斷該給多長。

參考能力：圖、影片、音訊，連檔案都能餵

這是萬相 3.0 很值得單說的一塊。官方寫明，它單次支援最多二十個多模態素材參考，涵蓋圖片、影片、音訊、檔案與網頁。具體到各類：圖片最多十張、單張不超過 20MB；影片最多五段、總時長不超過十五秒；音訊最多五段、總時長不超過十五秒；三類參考素材還可以任意組合，例如圖片加影片、圖片加音訊、圖片加影片加音訊。

更少見的是檔案與網頁參考。把素材類型設為「檔案」或「連結」（二選一，各限一個），就能讓它解析檔案或網頁內容來生成影片——一份產品手冊、企劃檔案或資料表，可以直接變成片子的結構與風格引導。

首尾幀與影片編輯：控制權交回給你

圖生影片部分支援首幀生影片和首尾幀生影片：透過首幀、尾幀兩張圖嚴格指定影片的開頭或結尾畫面，像素級還原參考畫面，中間的運動交給模型補。首尾幀模式下，模型會自動生成中間的過渡動作——比只丟一句提示詞更接近你腦子裡那條片子。

官方說明還寫明支援影片編輯與影片延長。編輯時把素材類型設為參考影片、並讓提示詞帶上編輯意圖（例如「編輯影片」「去掉」「替換」「改成」），就能做增刪改元素、風格轉換、光線編輯與臺詞編輯；延長則支援向前、向後與雙向。換句話說，生成完不滿意的地方可以直接在同一套模型裡改，還能接著往下拍。

影像側：文生圖、多圖融合與主體一致性

雖然影片是主場，萬相在影像上並不弱。官網把它定義為「影片與影像生成模型」，影像側支援文生圖與圖生圖，能力包括多圖融合與創意重組、商用級主體一致性保持、美學要素遷移，以及鏡頭與光線的精準控制；還能做圖文混排輸出，讓多張圖片和文字一起生成，適合繪本、資訊圖表這類需要邏輯排版的場景。寫實人像也是它明確在做的方向，官方強調會綜合優化構圖與光影，削弱常見的「AI 感」。

模型家族與怎麼用

官方發布頁寫明，Wan 模型家族已支援文生圖、文生影片、圖生影片、人聲生影片與動作生成等十多種視覺創作能力，累計生成三億九千萬張圖片、七千萬段影片；此外已連續開源二十多款模型，在開源社群與三方平台的下載量超過三千萬。日常使用上，官網可以直接體驗，也能透過雲端模型服務呼叫 API 做批次生產。

也要說清的邊界

官方說明裡有幾處限制值得先知道：檔案與網頁連結僅支援無需登入的公開頁面，非公開內容餵不進去；參考素材有上限，圖片十張、影片與音訊各五段且各不超過十五秒；首尾幀模式與參考素材的類型不能混用，例如首尾幀只能傳首幀和尾幀，不能再同時塞音訊參考。這些不是坑，是選型前就該算進去的約束。

一句話收尾：萬相 3.0 補的是「一條片子從腳本到成片要跨好幾個工具」這件事——三十秒、有聲、多鏡頭、可參考、可編輯，官方都放進了同一套模型裡。如果你在做短劇、廣告或電商影片，它值得排進試用清單；如果只是偶爾生成一張圖，影像側的文生圖入口也就夠了。