文字与首尾帧
支持纯文生视频、首帧图生视频，以及在 Canvas 中添加尾帧。首尾帧控制与通用参考是两种独立的输入方式。
Wan 3.0
用 Wan 3.0 将文字场景、起始画面或参考素材变成视频，在同一创作流程中编排动作、镜头和声音。
Wan 3.0
了解 Wan 3.0
Wan 3.0 是阿里巴巴的视频生成模型，适合需要时间展开的场景。你可以从一段文字创意开始，让静态首帧动起来，或结合视觉与声音参考创作新镜头。连续运镜、人物情绪变化和有节奏的揭示，都能在最长 30 秒的一次生成中展开。
参考素材为创作提供明确的视觉起点：用图片确立人物、物品和环境，用视频引导动作或镜头节奏。如果开场与结尾的构图已经确定，可在 Canvas 中使用首尾帧控制。提示词重点描述两个画面之间发生什么，无需重复图片中已有的细节。
Arcloop 接入 Wan 3.0 标准版。在 Canvas 中可选 2–30 秒、480p／720p／1080p，以及横屏、竖屏或方形画幅；生成音频可按需开关。在本页开始输入，再进入 Canvas 设置参考角色、输出参数并查看当前积分预估。
Wan 3.0 视频提示词示例
使用 Wan 3.0 生成，分辨率为 720p，时长为 5–6 秒。可查看每个视频实际使用的提示词。
5秒，写实军事悬疑电影片段，三个镜头硬切，明确分镜，不使用渐变转场。
同一名35岁左右的欧美白人成年男性狙击手，棕色短发、浅色眼睛、自然的短胡茬、轮廓分明的面部，穿灰绿色战术外套和低调的战术背心。他在一座空旷旧城区的屋顶上，利用低矮的混凝土护墙隐蔽，手持装有瞄准镜的长枪。自然、真实的皮肤质感，安静而紧张，人物外貌和服装跨镜头一致。
镜头1，0–1.5秒：24mm广角中远景，从屋顶侧后方拍摄。男子半跪在护墙后，面向远处的城市。傍晚阴天，冷色天空映出屋顶轮廓，风吹动衣角。画面交代他的身体位置、护墙和远方街道。结束时直接硬切。
镜头2，1.5–3.5秒：侧面中近景，平视机位。清楚展示男子的欧美面部轮廓、短胡茬、肩部和瞄准镜。他将脸颊轻轻贴近枪托，身体保持稳定，目光专注。浅景深，远处楼群柔和虚化。保持与上一镜头一致的观察方向。结束时直接硬切。
镜头3，3.5–5秒：从斜前方切入紧凑的眼神特写，清晰看见同一名男子专注的浅色眼睛、微皱眉头和瞄准镜边缘。他轻缓呼气，目光保持不动。用克制的表情和皮肤细节结束画面。
真实电影摄影，低饱和冷灰色调，柔和自然侧光，暗部有细节，轻微胶片颗粒。每个镜头构图稳定，切镜清楚，人物与枪械形态一致。人物始终是成年人，欧美白人面孔，不使用真实演员或公众人物的相貌。
声音：屋顶风声、远处城市低鸣、衣料摩擦、最后一次轻缓呼气。无对白、无背景音乐、无字幕。镜头只表现观察和准备，没有射击、命中画面或血腥内容。
5秒，单个连续镜头，手工黏土定格动画风格。
一名圆头、短腿的薄荷绿色黏土小人，穿着浅黄色背带裤，站在迷你菜园里，双手紧紧抓着一颗胡萝卜的叶子。人物有简单的黑色圆眼睛和小嘴，黏土表面保留细小指纹、手工压痕和柔软的边缘。土壤、植物和人物都由真实感黏土制成。
0–2秒：小人身体向后倾，用力拉住萝卜叶，双脚牢牢踩在地上，脸颊因使劲微微鼓起。
2–4秒：胡萝卜突然从土中拔出，带起几粒黏土土块。小人失去平衡，一屁股坐在地上，仍然抱着萝卜。
4–5秒：小人愣一下，低头看看怀里的大萝卜，露出满足的笑容。
固定的低机位中景，人物全身和萝卜始终留在画面内。温暖柔和的摄影棚光线，浅景深，精致的微缩布景。动作带有手工定格动画的节奏，人物造型和材质始终一致。
声音：轻微用力的哼声、萝卜拔出的“啵”声、柔软的落地声。无对白、无背景音乐、无字幕和标识。
写实电影风格的美国西部片，19世纪末，一座荒凉的边境小镇，暴风雨前的深灰色天空，低角度夕阳穿过风沙，照亮木制酒馆和尘土飞扬的街道。保持同一名主角的面容、服装和位置关系连续：一位四十岁左右、欧美面孔、胡茬明显的赏金猎人，戴磨旧的深棕色牛仔帽，穿褪色长风衣，腰间佩戴左轮手枪。
0–2.5秒，低机位中景：镜头从街道另一端缓慢向赏金猎人推进。他独自站在街中央，侧身面对酒馆，右手自然垂在枪套旁。风卷起脚边的尘土，风衣下摆摆动，一团风滚草从前景横穿画面。
2.5–4秒，硬切至侧面近景：赏金猎人缓慢抬起下巴，露出帽檐下警惕的双眼。他的视线始终朝向画面右侧，嘴角微微收紧。背景虚化的酒馆双扇门被人推开。
4–6秒，硬切反打至酒馆门口：从赏金猎人肩后拍摄，一名穿黑色马甲的陌生人停在门框阴影里，两人隔着空旷街道对视。镜头保持稳定，以悬而未决的对峙结束。三个镜头保持同一场景、同一时刻和清晰的空间方向。
变形宽银幕电影镜头质感，克制的胶片颗粒，真实皮肤、皮革与木材纹理，暖色夕阳与冷色乌云形成层次。原生同步音频：持续的低沉风声和砂砾滚动声，风衣轻微扑动声，皮靴踩过砂砾的轻响，酒馆木门打开时短促的吱呀声，结尾传来一声远处低沉的雷鸣。无对白、无配乐、无字幕。全片不拔枪、不射击，用眼神、空间和声音建立紧张感。
5秒，写实电影风格的公路片，三个清晰的硬切分镜。初秋傍晚的加州沿海公路，金色斜阳，远处是蓝色海面、海岸峭壁和低矮的干草山坡。一辆复古焦橙色双门轿跑车，米色皮革内饰，驾驶侧车窗打开，沿着右侧车道平稳行驶。全片始终是同一辆车、同一名驾驶者和同一段旅程。驾驶者是一位三十岁左右、欧美面孔、棕红色齐肩头发的成年女性，穿米白色衬衫，系好安全带，独自开车，目光始终关注前方道路。
0–1.8秒，车外前侧方跟拍中远景：摄影机与汽车同速平行移动，车辆从画面左侧向右侧前进。焦橙色车身上掠过温暖的夕阳反光，车轮自然旋转，海岸和路旁草坡在背景中连续滑过。车辆始终贴合路面，运动流畅、速度适中。
1.8–3.4秒，硬切至车内副驾驶位置的驾驶者侧面近景：镜头稳定，清楚看到她的侧脸、前方挡风玻璃和方向盘。她双手自然扶住方向盘，轻轻调整方向，目视前方，嘴角露出放松的微笑。打开的侧窗吹动几缕头发，夕阳在她的面颊和仪表台上移动。背景道路的运动方向与上一镜头一致。
3.4–5秒，硬切至车后方跟随远景：同一辆焦橙色轿跑车沿海岸公路驶入一个宽缓弯道，摄影机逐渐落后，让车辆在海岸和开阔海面之间向远处驶去。以自由、安静而略带怀旧的旅途氛围结束。
35毫米电影胶片质感，自然的皮肤和车漆纹理，柔和的高光，克制的镜头光晕，真实的车轮运动模糊。保持人物面容、服装、车辆造型和光照连续，驾驶动作清晰可信。原生同步音频：低沉平稳的汽油发动机声、轮胎与沥青的摩擦声、侧窗风声，切入车内时声音自然变得低闷，切回车外时恢复开阔的风声。无对白、无配乐、无字幕或标识。
电影级日式二维动画，雨后黄昏的小镇车站，精细手绘背景，蓝紫色暮光与车厢暖光。黑色齐肩短发少女，深蓝校服外套，米白帆布包。
0–1.8秒：侧面跟拍少女沿站台小跑。
1.8–3.3秒：硬切近景，她停下喘气，抬头望向右侧，神情从焦急变为惊讶，晚风吹动碎发。
3.3–5秒：硬切少女肩后反打，黑发少年站在敞开的列车门内，回头与她对视，轻轻微笑。
列车始终静止，人物造型和视线方向连续，动作自然，情绪克制。声音：脚步、轻微喘息、晚风和列车低鸣。无对白、配乐、字幕。
Wan 3.0 核心能力
多模态参考
Canvas 最多支持 10 张图片、5 段视频和 5 段音频。参考视频与音频各自总长不超过 15 秒；参考视频与输出合计不超过 30 秒。
成本与质量的平衡
在画面质量、动作表现与原生声音之间，兼顾生成成本。
如何使用 Wan 3.0
从本页开始，在 Arcloop Canvas 中确认完整输入、输出设置和积分预估。
- 01
描述场景
写清主体、动作和镜头方向。此处可先添加一张图片或一段视频，更多参考素材在 Canvas 中整理。
- 02
进入 Canvas
点击立即生成，按需登录。提示词与已选参考会带入 Story Canvas。
- 03
确认输入与参数
设置参考角色、画幅、分辨率、时长和音频，提交前查看当前积分预估。
- 04
生成视频
确认设置后在 Canvas 提交，结果保留在故事中，便于继续制作后续内容。
你可以创作什么
短剧
人物相遇、简短对白和情绪转折。
电影场景
连续运镜、动作段落与有氛围的预告片镜头。
产品影片
从写实到风格化动画，呈现产品揭示与品牌故事。
Wan 3.0 创作建议
结合阿里云 Wan 3.0 提示词指南与 Arcloop 实际控件整理的创作建议。
- 01
按顺序描述动作
单镜头优先写清主要动作与运镜；包含多个情节时，为每段标注与所选时长匹配的时间范围。
- 02
明确参考的用途
说明哪张图片定义人物或场景、哪段视频引导动作。首尾帧控制与通用参考分开使用。
- 03
写清对白与声音
标明说话角色，将台词放在引号中，再补充环境声、音效和音乐。对白长度应适合视频时长。
- 04
只补充必要限制
按需加入不要字幕、不要背景音乐等限制，直接写在提示词中，避免重复或相互冲突的要求。
Wan 3.0 计费
Wan 3.0
生成规格: 随生成设置变化
参考积分: 按实际用量结算
此处为预估价格，请在 Canvas 查看所选分辨率、时长与参考素材对应的报价，实际费用以最终结算为准。
Wan 3.0 替代模型
根据输入素材和想创作的镜头选择替代模型。以下参数对应 Arcloop 当前接入方式。
Wan 3.0
兼顾画面质量、动作表现、原生声音与生成成本，支持文本、首尾帧及多模态参考创作。
- 时长
- 2–30 秒
- 参考数量
- 图片 10／视频 5／音频 5
- 输出分辨率
- 480p / 720p / 1080p
Kling 4.0
适合以参考素材驱动人物表演、明确运镜，以及短剧或动作场景。
- 时长
- 3–30 秒
- 参考数量
- 图片 10／视频 5／音频 3；合计 15
- 输出分辨率
- 720p / 1080p
Seedance 2.5
适合更大的参考素材组合、连续叙事节拍与多镜头电影创作。
- 时长
- 4–30 秒
- 参考数量
- 图片 30／视频 10／音频 10
- 输出分辨率
- 480p / 720p / 1080p
常见问题
可以使用哪些输入？
支持从文字开始、使用首帧与可选尾帧，或在 Canvas 中组合图片、视频和音频通用参考。同一次请求不能混合首尾帧控制和通用参考。
可以添加多少参考素材？
Canvas 最多支持 10 张图片、5 段视频和 5 段音频。参考视频总长不超过 15 秒，参考音频总长不超过 15 秒；参考视频与输出时长合计不超过 30 秒。本页快捷创作区用于开始输入，完整参考组合请在 Canvas 中整理。
Wan 3.0 可以生成声音吗？
可以。生成音频可选，本页默认开启。在提示词中描述对白、环境声或音乐，再到 Canvas 确认音频设置。
积分如何计算？
报价受分辨率、输出时长和参考视频使用情况影响。Canvas 会在提交前展示可用设置与积分预估，实际费用以最终结算为准。
开始使用 Wan 3.0 创作
用 Wan 3.0 将文字场景、起始画面或参考素材变成视频，在同一创作流程中编排动作、镜头和声音。