把文字描述转成 2–30 秒视频。支持 480P、720P、1080P,可选择画幅和是否生成音频。

输入
发送给模型的文本提示词
输出
Sample edited image — run the model to replace this previewSampleRun the model to replace this preview

Wan 3.0 文生视频 API

用文字描述生成带有动作和声音的短片。

从一段场景描述生成短片。例如写清面包店开门时的光线、店员端托盘的动作和镜头位置,再补充脚步声等细节。

短镜头可集中表现一个动作。比较多个版本时,固定时长和画幅,每次只修改一条指令。

主要功能

按镜头需求设置输入和输出参数。

从开场写起

在 prompt 中先写场景和主体,再按发生顺序描述动作和运镜。提示词最多 20,000 个字符。

设置音频

audio 默认开启,设为 false 可关闭生成音频。

设置镜头时长

duration 可设为 2–30 秒的整数,默认 5 秒。复杂动作应预留更多时间。

选择画幅与分辨率

用 ratio 选择画幅。resolution 支持 480P、720P 和 1080P,默认 1080P。

控制提示词扩写

prompt_extend 默认开启。要比较相同措辞的效果时,可将其设为 false。

复用随机种子和水印设置

seed 可选 0–2147483647 的整数。watermark 默认关闭。

调用步骤

准备请求,提交生成任务,完成后获取视频。

  1. 准备场景描述

    写明开场构图、主体动作和镜头怎样跟随。需要声音时,把相关动作和声音写在一起。

  2. 提交任务

    使用 VibeToken API 密钥向 /v1/videos/generations 发送 POST 请求。将 model 设为 alibaba/wan-3-0-t2v。提交字符串 prompt,并按需设置 duration、resolution、ratio 和 audio。

  3. 获取视频

    保存任务 ID,通过 GET /v1/videos/generations/{id} 轮询,或提交时设置 HTTPS callback_url。任务成功后读取视频链接。

定价

按使用量付费

按生成视频的秒数计费,每秒费率取决于所选分辨率。

分辨率VibeToken官方节省
480P 5s¥0.750¥1.500−50%
720P 5s¥1.500¥3.000−50%
1080P 5s¥3.000¥6.000−50%

每秒约 ¥0.600。默认配置(1080P)单次调用 ¥3.000。

使用示例

按实际镜头需求选择提示词和素材。

开店场景工作流示例

描述晨光里的面包店、店员放下托盘的动作和相应声音。

广告留白工作流示例

写明商品摆放位置,留出后期添加标题和字幕的区域。

无声转场工作流示例

用短镜头表现窗帘缓慢摆动,并关闭生成音频,便于衔接后期配乐。

常见问题

了解输入限制、输出设置和计费方式。

默认 5 秒、1080P,画幅为 adaptive,生成音频默认开启。