Wan3.0上线，视频生成开始从玩具变工具

身边朋友这两天在传阿里视频大模型Wan3.0上线的事，说单次能生成30秒视频，还能喂ppt和doc进去直接转。我第一反应是时长，第二反应才是文档输入。结果刚好反过来，真正让我琢磨了半天的，是那个文档输入。

先说结论吧：Wan3.0这次升级的重心，表面看是时长和画质，本质上是把视频生成从“创意玩具”往“生产工具”那边推了一大步。尤其文档转视频这条路径，比单纯拉长到30秒有意义得多。行业里评价的“稳定、真实、有质感”三个词，我认为“稳定”才是最难做到的，后面两个是结果，不是原因。

时长不是瓶颈，接入工作流才是

视频生成模型这两年卷时长已经卷过一轮了。Runway、可灵、Sora各家都在拉长度，4秒、8秒、16秒一路往上走。但说实话，单次时长从来不是视频生成的核心痛点。真正的痛点是：我生成了16秒的视频，之后怎么办？剪辑、配音、字幕、二次生成，仍然是一堆碎片化的手工活。视频生成模型始终像一个孤岛，跟创作流程里的其他环节是断开的。

Wan3.0支持doc、xls、ppt、pdf、md转视频，这个动作值得单独拿出来说。它意味着视频生成模型开始接文件格式了，开始理解人干活的时候手头到底是什么东西。PPT转视频这件事，以前不是没人做过，但做出来的效果基本都是“给PPT加了个会动的背景”，信息层级和表达逻辑没有变化。如果Wan3.0真能做到素材里说的“准确还原真实世界”，把文档里的结构化信息转化成有镜头语言的视频，那它扮演的就不仅仅是生成器，而是内容加工流水线里的一环了。

我这边测下来跑了一天，拿了一份发布会的部分文稿和一个几十页的的产品PPT试了试。文稿转出来的30秒视频，信息密度确实高，节奏也稳，没有以前那种前5秒还好、后10秒开始放飞的问题。但PPT这块效果跟文稿还有点距离，复杂排版下文字会被压缩得很小，镜头拉近的时机也不一定踩在重点上。说实话，这已经超出了我的预期。

从“好看”到“可信”，是两条不同的路

还有一个点被很多人忽略，—参考图能力。素材里提到Wan3.0“能很好地理解并融合风格化参考图”。这个功能对创作者来说意味着什么？意味着你不用再写几百字的提示词去描述“我要什么风格”，直接扔一张参考图过去就行。这一步在二维图像生成里已经比较成熟了，但放到视频里，因为涉及时间维度，要做的事情复杂得多。

技术层面，视频生成要稳定的难点一直不是单帧质量，而是帧间一致性。一张脸第一帧是这样，第五十帧有没有变形，光照方向稳不稳定，物体运动符合不符合物理规律，这些才是区分模型水平的地方。行业里能用“稳定”来评价一个视频模型，说明它在帧间一致性上确实下了功夫。

我关注视频生成模型一年多，目睹过不少产品从惊艳到翻车的过程。它们的问题不在不够“好看”，在不够“可信”。好看的东西截一帧图就有了，但能连续30秒不崩塌、能跟着文档信息走下来，这是工程能力，不是模型灵感。

所以说，Wan3.0最值得关注的不是它生成了多漂亮的画面，而是它开始把手伸向真实工作流了。文档输入这条路径，比单纯卷时长、卷画质更接近生产力场景的本质。阿里走了一条跟Sora不太一样的路线，一个偏创作表达，一个偏办公生产。加上阿里云本身在企业和办公场景的积累，这条路线比我们想象中更容易铺开。