Wan 3.0 w PixMind to multimodalna ścieżka generowania klipów trwających od 2 do 30 sekund na podstawie tekstu, obrazów, pierwszej i ostatniej klatki, materiałów referencyjnych, plików lub stron internetowych. Obecny stabilny identyfikator modelu to wan3.0-video, a dostępne ustawienia wyjściowe obejmują 480p, 720p i 1080p ze zsynchronizowanym dźwiękiem.
Najważniejsza decyzja nie dotyczy długości promptu, lecz tego, który tryb wejściowy zapewni modelowi właściwy rodzaj kontroli. Pierwsza klatka określa początek ujęcia, para klatek krańcowych definiuje oba końce, materiały referencyjne przekazują tożsamość lub styl, a plik bądź strona internetowa dostarcza materiał źródłowy do interpretacji. Tryby te podlegają różnym zasadom zgodności.
Ten przewodnik zweryfikowano 5 września 2026 r. na podstawie działającego generatora Wan 3.0 i strony API, implementacji PixMind, dokumentacji API Alibaba, oficjalnego repozytorium oraz bieżącej listy wydanych modeli Alibaba Cloud. Potwierdza on interfejsy i limity, lecz nie ocenia szybkości, jakości ani niezawodności na podstawie płatnego testu porównawczego.
O tym przewodniku: PixMind Editorial Team dokumentuje bieżące działanie produktu na podstawie kontroli aktywnych stron, przeglądu implementacji i pierwotnych źródeł dotyczących modelu. Na potrzeby tego artykułu nie zlecono płatnego testu wyników.
Najważniejsze informacje
- Używaj aktualnego identyfikatora modelu PixMind
wan3.0-video; nie zastępuj go identyfikatorem źródłowym ani starszym.- Przed dodaniem multimediów wybierz jedną strategię kontroli: klatki krańcowe dla dokładnego początku i końca, referencje dla powtarzalnej tożsamości lub stylu, a plik albo link dla planowania opartego na źródle.
- Obecna ścieżka obsługuje wyniki od 2 do 30 sekund w 480p, 720p lub 1080p, z adaptacyjnymi albo stałymi proporcjami obrazu i zsynchronizowanym dźwiękiem.
- Limity referencji wynoszą 10 obrazów, 5 filmów i 5 plików audio. Źródłowa dokumentacja Alibaba ogranicza również łączny czas filmów referencyjnych i łączny czas audio referencyjnego do 15 sekund dla każdej kategorii.
- Gdy żądanie zawiera wejściowy film, źródłowa reguła Alibaba wymaga, aby czas filmu wejściowego plus żądany czas wyniku nie przekraczały 30 sekund.
- Cennik API i kredyty Studio są rozdzielone. W zadaniu API cena zwrócona w chwili przyjęcia zadania jest ostatecznym, właściwym dla niego zestawieniem.
W tym przewodniku
- Czym Wan 3.0 jest obecnie w PixMind
- Najważniejsze parametry Wan 3.0
- Jak wybrać tryb wejściowy
- Limity referencji i prawidłowe kombinacje
- Rola zsynchronizowanego dźwięku
- Czas, rozdzielczość, proporcje i cena API
- Szablony promptów według celu kontroli
- Wan 3.0 a Wan 2.7
- Praca w Studio a praca przez API
- Ograniczenia, prawa i kontrola przed publikacją
- Często zadawane pytania
Czym Wan 3.0 jest obecnie w PixMind
Wan 3.0 to aktualna, połączona ścieżka rodziny modeli wideo Wan do generowania multimodalnego w PixMind. Aktywny interfejs produktu wskazuje wan3.0-video jako stabilną ścieżkę i udostępnia w jednym generatorze dane tekstowe, obrazy, klatki krańcowe, referencje, pliki oraz strony internetowe.
To rozróżnienie ma znaczenie, ponieważ źródłowa rodzina modeli może zawierać produkty, których połączona platforma nie udostępnia. Dokumentacja Alibaba wymienia zarówno wan3.0-video, jak i wan3.0-video-prime, ale aktualna strona API PixMind zawiera wyłącznie wan3.0-video. Dokumentacja źródłowa może wyjaśniać działanie technologii, lecz nie dowodzi, że każdy wariant źródłowy jest dostępny przez PixMind.
Model najlepiej rozumieć jako zestaw trybów kontroli:
- Tekst na wideo rozpoczyna od opisu sceny i nie wymaga wizualnego materiału źródłowego.
- Obraz pierwszej klatki na wideo rozpoczyna od dostarczonego obrazu i zleca modelowi animowanie od niego.
- Generowanie z pierwszej i ostatniej klatki ustala oba końce ujęcia.
- Generowanie z referencji wykorzystuje obrazy, wideo, audio lub ich zgodną kombinację do ukierunkowania wyniku.
- Plik lub strona internetowa jako wejście dostarcza materiał źródłowy, który może wpływać na żądanie.
Centrum rodziny modeli Wan służy do sprawdzania powiązanych ścieżek Wan, natomiast aktywny generator pozostaje źródłem informacji o kontrolkach dostępnych dla konkretnego zadania.
Najważniejsze parametry Wan 3.0
Obecna ścieżka PixMind łączy długi czas klipu, wiele rodzajów referencji i trzy poziomy rozdzielczości. Każdy poniższy wiersz należy jednak traktować jako stan interfejsu na określony dzień, a nie trwałą obietnicę usługi.
| Ustawienie | Bieżący interfejs PixMind | Wskazówka planistyczna |
|---|---|---|
| Identyfikator modelu | wan3.0-video |
Użyj dokładnie tego identyfikatora w bieżącej ścieżce API |
| Czas | Od 2 do 30 sekund | Przy wejściowym filmie jego czas plus czas wyniku nie mogą według reguł źródłowych przekroczyć 30 sekund |
| Rozdzielczość | 480p, 720p, 1080p | Wyższe poziomy mają wyższą cenę za sekundę |
| Proporcje obrazu | Adaptacyjne, 16:9, 4:3, 1:1, 3:4, 9:16 | Dopasuj do miejsca publikacji przed generowaniem |
| Audio | Zsynchronizowany dźwięk | Świadomie opisz dźwięk i dialog |
| Obrazy referencyjne | Maksymalnie 10 | Używaj tylko referencji o określonej roli |
| Filmy referencyjne | Maksymalnie 5 | Źródłowy limit łącznego czasu wynosi 15 sekund |
| Audio referencyjne | Maksymalnie 5 | Źródłowy limit łącznego czasu wynosi 15 sekund |
| Inne źródła | Plik lub strona internetowa | Tryby pliku i linku wzajemnie się wykluczają według reguł źródłowych |
| Punkt końcowy API | POST /v1/generations |
Odpowiedź o przyjęciu zadania podaje jego ostateczną wycenę |
Dwa źródła mogą także opisywać limit na różnych poziomach. Strona produktu PixMind podaje, że film referencyjny może trwać do 15 sekund, natomiast źródłowa dokumentacja API Alibaba ustala łączny limit 15 sekund dla filmów referencyjnych. Jeśli dodajesz kilka klipów, bezpieczniej założyć, że ich łączny czas powinien wynosić najwyżej 15 sekund. Ten sam łączny limit stosuj do kilku referencyjnych plików audio. Żądanie z wejściowym filmem ma jeszcze jeden źródłowy pułap: łączny czas filmu wejściowego i żądanego wyniku nie może przekroczyć 30 sekund.
Jak wybrać tryb wejściowy
Wybierz tryb odpowiadający ograniczeniu, którego nie możesz utracić. Większa liczba danych wejściowych nie zapewnia automatycznie większej kontroli, a niezgodne tryby mogą unieważnić żądanie.
Użyj tekstu na wideo dla swobodnej kompozycji
Generowanie wyłącznie z tekstu sprawdza się przy nowym ujęciu, gdy nie trzeba zachować istniejącego obrazu ani klatki krańcowej. Zdefiniuj bohatera, działanie, miejsce, kamerę, oświetlenie, czas i dźwięk wokół jednego głównego zdarzenia.
Użyj pierwszej klatki, gdy ważny jest obraz początkowy
Generowanie wideo z pierwszej klatki rozpoczyna się od zatwierdzonej kompozycji. Określ, co się porusza, co pozostaje stabilne i jak zachowuje się kamera.
Użyj pierwszej i ostatniej klatki, aby kontrolować zakończenie
Para klatek krańcowych pasuje do przejść o z góry ustalonym początku i końcu. Alibaba traktuje to jako osobny tryb: nie łącz go z materiałami referencyjnymi, plikami, linkami ani wejściowym audio.
Użyj referencji, gdy priorytetem jest spójność lub dźwięk
Tryb referencyjny ukierunkowuje ujęcie za pomocą powiązanych materiałów. Obrazy mogą określać wygląd, film może przekazywać ruch, a audio może dostarczać rytmu lub kierunku dźwiękowego. Typy te można łączyć w granicach ich limitów.
Jeśli główną przeszkodą jest wybór modelu i trybu, AI Video Agent prowadzi od opisu sceny do aktualnych opcji modelu. Bezpośrednie generowanie Wan 3.0 lepiej odpowiada użytkownikom, którzy znają już tryb wejściowy i ustawienia, nad którymi chcą mieć kontrolę.
Limity referencji i prawidłowe kombinacje
Wan 3.0 obsługuje kilka typów referencji jednocześnie, lecz tryby klatek krańcowych, pliku i linku wyznaczają wyraźne granice. Zbuduj żądanie wokół jednej prawidłowej kombinacji, zanim zaczniesz skracać prompty.
Źródłowe reguły Alibaba można podsumować następująco:
| Kombinacja wejściowa | Obsługiwana reguła źródłowa | Ważne ograniczenie |
|---|---|---|
| Obrazy referencyjne + filmy referencyjne | Tak | Filmy referencyjne łącznie maksymalnie 15 sekund; czas filmu wejściowego plus czas wyniku maksymalnie 30 sekund |
| Obrazy referencyjne + audio referencyjne | Tak | Zalecany wariant, gdy obraz i audio mają kierować wynikiem |
| Film referencyjny + audio referencyjne | Tak | Każda kategoria multimediów musi mieścić się we własnych limitach |
| Plik + materiały referencyjne | Tak | Plik może towarzyszyć zgodnym referencjom |
| Link internetowy + materiały referencyjne | Tak | Link może towarzyszyć zgodnym referencjom |
| Plik + link internetowy | Nie | Wybierz jeden tryb dokumentu źródłowego |
| Pierwsza/ostatnia klatka + materiały referencyjne | Nie | Tryb klatek krańcowych jest osobny |
| Pierwsza/ostatnia klatka + wejściowe audio | Nie | Jako alternatywę sterowaną audio użyj obrazu referencyjnego + audio referencyjnego |
Przypisz każdemu zasobowi jedno zadanie, na przykład określenie produktu, tła lub ruchu kamery. W przypadku pliku albo strony wskaż, co należy wyodrębnić. Nigdy nie zakładaj, że każde zdanie, cena czy zastrzeżenie zostaną przedstawione dokładnie.
Rola zsynchronizowanego dźwięku w procesie
Zsynchronizowany dźwięk jest częścią bieżącej ścieżki, dlatego atmosferę, efekty, zamysł dialogu i rytm należy planować razem z akcją wizualną.
W prostej scenie oddziel instrukcje dźwiękowe od wizualnych:
Visual: A barista places a ceramic cup on a walnut counter as the camera makes a slow 20-degree arc.
Timing: The cup lands at 00:03 and steam becomes visible immediately after.
Audio: Quiet cafe room tone, one soft ceramic tap at 00:03, no music, no spoken dialogue.
Taka struktura nie gwarantuje synchronizacji idealnej co do klatki. Przed publikacją sprawdź czas dialogów, niezamierzoną mowę, muzykę i podobieństwo głosu.
Źródłowy tryb klatek krańcowych Alibaba nie przyjmuje wejściowego audio. Jeśli audio ma sterować generowaniem, użyj obrazu referencyjnego wraz z audio referencyjnym. Jeśli ważniejsze są klatki krańcowe, później dodaj dźwięk objęty właściwą licencją.
Prawa do głosu wymagają szczególnej uwagi. Nie przesyłaj referencji głosu ani nie publikuj rozpoznawalnego podobieństwa głosowego bez wymaganego zezwolenia i zgodności z obowiązującymi warunkami.
Czas, rozdzielczość, proporcje obrazu i cena API
Ustal format docelowy przed generowaniem, ponieważ czas i rozdzielczość bezpośrednio zmieniają koszt API, a proporcje wpływają na dopasowanie kompozycji do kanału docelowego. Zweryfikowana 5 września 2026 r. bieżąca migawka cen API wynosi $0.050 za sekundę w 480p, $0.090 za sekundę w 720p i $0.18 za sekundę w 1080p.
Poniższe szacunki to zwykłe iloczyny czasu i podanej stawki za sekundę:
| Czas | 480p po $0.050/s | 720p po $0.090/s | 1080p po $0.18/s |
|---|---|---|---|
| 2 sekundy | $0.10 | $0.18 | $0.36 |
| 5 sekund | $0.25 | $0.45 | $0.90 |
| 10 sekund | $0.50 | $0.90 | $1.80 |
| 30 sekund | $1.50 | $2.70 | $5.40 |
Są to szacunki planistyczne, a nie wycena przyszłego żądania. Ceny i zasady kont mogą się zmieniać. Aktywna strona API Wan 3.0 jest bieżącym publicznym źródłem informacji, a odpowiedź o przyjęciu zadania stanowi ostateczną migawkę ceny właściwą dla tego zadania.
Wiersz dotyczący 30 sekund nie jest dostępny dla każdego żądania uwarunkowanego wejściowym filmem. Zgodnie z udokumentowaną regułą źródłową Alibaba, aby obliczyć maksymalny żądany czas wyniku dla zadania zawierającego wejściowy film, odejmij jego łączny czas od 30 sekund, a następnie przed wysłaniem potwierdź aktualne kontrolki PixMind.
Rozliczenia API są niezależne od kredytów Studio. Nie przeliczaj podglądu kredytów Studio na cenę API w dolarach ani nie zakładaj, że saldo API daje uprawnienia w Studio. Sprawdź kontekst planu na aktualnej stronie cenowej, a następnie sprawdź interfejs, którego rzeczywiście zamierzasz użyć.
W planowaniu kanału proporcje 16:9 pasują do publikacji poziomej, 9:16 do pionowego wideo, a 1:1 do formatów kwadratowych. Proporcje adaptacyjne mogą podążać za materiałem źródłowym, ale stałe proporcje docelowe ograniczają późniejsze przycinanie. Użyj 480p do niedrogich testów struktury, a rozdzielczość zwiększ dopiero po ustabilizowaniu trybu, czasu i kompozycji.
Szablony promptów według celu kontroli
Dobry prompt określa, co pozostaje stałe, co może się zmienić i jak przebiega zmiana. Te struktury nie gwarantują wyniku.
Szablon 1: Jedno kontrolowane ujęcie z tekstu
Create a [duration]-second [aspect ratio] shot.
Subject and action: [one subject performing one clear action].
Setting: [location, time, background activity].
Camera and light: [framing, movement, light direction, palette].
Timing: [start], [midpoint], [final state].
Audio: [ambience, effects, dialogue, music].
Preserve or avoid: [essential constraints].
Szablon 2: Animacja zatwierdzonej pierwszej klatki
Use the image as the opening composition.
Keep stable: [identity, product, logo, or geometry].
Animate: [motion and final action by time].
Camera: [locked, pan, dolly, or orbit].
Audio: [sound tied to visible events].
Do not introduce: [unwanted additions].
Szablon 3: Przypisywanie ról multimodalnym referencjom
Image 1 defines [subject]. Image 2 defines [setting or palette].
Video 1 defines [camera or action], not identity.
Audio 1 defines [tempo, timing, ambience, or dialogue cue].
Create a [duration]-second [ratio] scene with [one narrative beat].
Prioritize: [two constraints]. Allow variation in: [nonessential details].
Szablon 4: Zamiana pliku lub strony internetowej w zwięzły opis wideo
Use the [file or web page] as source material.
Extract only: [approved facts or section].
Audience and goal: [viewer], [explain, introduce, or summarize].
Structure: [opening], [two beats], [final message].
Do not invent: [prices, claims, quotations, or features].
Audio: [narration, ambience, effects, music].
Przed długim renderowaniem końcowym wykonaj najtańszy użyteczny test. Jeśli kompozycja jest niewłaściwa, skróć prompt zamiast dodawać przymiotniki. Jeśli problemem jest spójność, ogranicz referencje i oznacz ich role. Jeśli problemem jest czas, opisz mniej zdarzeń, podając wyraźniejsze znaczniki czasu.
Wan 3.0 a Wan 2.7
Wan 3.0 jest nowym celem integracji, a nie nową nazwą żądania Wan 2.7. Bieżąca ścieżka używa wan3.0-video, wydłuża udokumentowany wynik do 30 sekund i rozszerza planowanie wejścia o klatki krańcowe, referencje, pliki i strony internetowe. Przed migracją ponownie sprawdź nazwy parametrów, prawidłowe kombinacje, proporcje, czas, dźwięk, obsługę odpowiedzi i ceny.
Jest to podsumowanie migracji interfejsu, a nie twierdzenie, że wersja 3.0 wygrywa każde porównanie jakości. Na potrzeby tego przewodnika nie przeprowadzono kontrolowanego generowania obok siebie. Preferencje dotyczące wyniku mogą zależeć od tematu, referencji, projektu ujęcia i kryteriów oceny.
Artykuły dotyczące poszczególnych wersji powinny pozostać jednoznaczne, dlatego nie zmieniaj po cichu nazwy kompletnego przewodnika po Wan 2.7. Przed wyciągnięciem wniosków o ruchu, spójności, zgodności z promptem, dźwięku lub wartości nadal potrzebne jest kontrolowane porównanie.
Praca w Studio a praca przez API
Dostęp przez Studio i API służy różnym potrzebom operacyjnym i korzysta z odrębnych systemów rozliczeń. Studio sprawdza się przy interaktywnym konfigurowaniu i wizualnych iteracjach, natomiast API jest przeznaczone dla aplikacji wymagających powtarzalnego wysyłania, śledzenia zadań i programistycznej obsługi wyników.
Proces w Studio
Otwórz generator Wan 3.0, wybierz tryb, dołącz tylko zgodne źródła i potwierdź czas, rozdzielczość, proporcje oraz bieżący podgląd kredytów. Po przejrzeniu ustawień rozpocznij generowanie, a następnie przed eksportem sprawdź całe wideo i dźwięk.
Proces przez API
- Potwierdź dostępność
wan3.0-videoi aktualną cenę API. - Wyślij jedną prawidłową kombinację trybów do
POST /v1/generations. - Zapisz identyfikator zadania i dane cenowe z chwili przyjęcia, a następnie odpytuj to samo zadanie.
- Sprawdź wynik oraz zapisz parametry, pochodzenie źródeł i zatwierdzenia praw.
Alibaba dokumentuje źródłowy mechanizm asynchronicznego tworzenia i odpytywania. Nie przenoś zasad dotyczących czasu życia zadań do PixMind, jeśli PixMind ich nie podaje. Przewodnik szybkiego startu API PixMind wyjaśnia, dlaczego zapisanie identyfikatora zadania jest bezpieczniejsze niż ponowne wysłanie żądania po przekroczeniu czasu po stronie klienta.
Ograniczenia, prawa i kontrola przed publikacją
Wynik Wan 3.0 wymaga weryfikacji przez człowieka, ponieważ multimodalna kontrola nie oznacza gwarantowanej zgodności. Udokumentowany interfejs wskazuje akceptowane dane wejściowe i ustawienia, ale nie potwierdza dokładności, niezawodności, uregulowania prawnego ani przydatności do określonej publikacji.
Skorzystaj z tej listy kontrolnej przed publikacją:
- Dokładność wizualna i czasowa: Porównaj cały klip z zatwierdzonymi referencjami i sprawdź odchylenia, zmiany obiektów, nieprawidłowy tekst oraz niezamierzone cięcia.
- Kontrola audio: Sprawdź dialogi, podobieństwo głosu, synchronizację, mowę w tle, muzykę i efekty.
- Kontrola faktów: Zweryfikuj względem źródła twierdzenia wyprowadzone z dokumentu lub strony.
- Kontrola praw: Potwierdź zezwolenia dotyczące promptów, obrazów, materiału filmowego, audio, osób, głosów, znaków towarowych, logo i wszelkich innych materiałów podmiotów trzecich.
- Kontrola publikacyjna: Sprawdź czas, wymiary, proporcje, kodowanie oraz odtwarzanie wyeksportowanego pliku na platformie docelowej.
- Prowadzenie dokumentacji: Zapisz szczegóły przyjętego zadania, pochodzenie danych wejściowych, zgody lub licencje, osobę sprawdzającą oraz decyzję o zatwierdzeniu.
Użytek komercyjny zależy od uprawnień płatnego planu, obowiązujących warunków modelu i dostawcy oraz praw użytkownika do promptów, referencji, osób, głosów, logo i pozostałych materiałów podmiotów trzecich. Samo wygenerowanie nie reguluje tych praw automatycznie. Sprawdź aktualne warunki cenowe i warunki świadczenia usług właściwe dla konta i zastosowania, a gdy ryzyko prawne tego wymaga, zasięgnij profesjonalnej porady.
Często zadawane pytania
Czy mogę używać audio przy generowaniu z pierwszej i ostatniej klatki?
Nie jako wejściowego audio w udokumentowanym przez Alibaba źródłowym trybie pierwszej i ostatniej klatki. Jeśli audio ma sterować wynikiem, użyj oficjalnego połączenia obrazu referencyjnego i audio referencyjnego. Jeśli klatki krańcowe są obowiązkowe, zachowaj ten tryb i obsłuż licencjonowany dźwięk w osobnym procesie.
Ile kosztuje generowanie przez API Wan 3.0?
Migawka z 5 września 2026 r. wynosi $0.050 za sekundę w 480p, $0.090 za sekundę w 720p i $0.18 za sekundę w 1080p. Traktuj te wartości jako dane planistyczne na określony dzień. Odpowiedź o przyjęciu zadania stanowi ostateczną migawkę ceny właściwą dla tego zadania, a rozliczenia API są niezależne od kredytów Studio.
Czy wan3.0-video-prime jest dostępny przez PixMind?
Aktualna strona modeli PixMind wymienia wan3.0-video, a nie wan3.0-video-prime. Alibaba dokumentuje Prime jako wariant źródłowy, ale nie dowodzi to jego dostępności przez PixMind.
Czy mogę używać wyników Wan 3.0 komercyjnie?
Użytek komercyjny jest warunkowy, nie automatyczny. Zależy od uprawnień płatnego planu, obowiązujących warunków modelu i dostawcy oraz Twoich praw do wszystkich promptów, referencji, osób, głosów, logo i materiałów podmiotów trzecich użytych w zadaniu i wyniku.
Wybierz jedno ograniczenie i uruchom pierwsze kontrolowane zadanie
Najprościej rozpocząć pracę z Wan 3.0 od wybrania najważniejszego ograniczenia, a następnie odpowiadającego mu trybu wejściowego. Użyj tekstu do swobodnej kompozycji, pierwszej klatki do stałego początku, pary klatek krańcowych do określonego zakończenia, referencji do zachowania tożsamości lub kierunku dźwiękowego, a pliku lub linku do planowania opartego na źródle.
Pierwsze zadanie powinno być na tyle krótkie, by ujawnić problemy strukturalne. Przed wysłaniem potwierdź identyfikator modelu, referencje, proporcje, rozdzielczość, czas, dźwięk, cenę i prawa. Oceń pełny wynik, a nie miniaturę.
Gdy te decyzje są już jasne, otwórz generator Wan 3.0, aby wykonać zadanie interaktywnie, albo stronę API Wan 3.0, aby skorzystać z programistycznego procesu. W chwili generowania ponownie sprawdź aktywne kontrolki i cenę przyjętego zadania.
