摘要
- 阿里巴巴Wan账号9月17日发布了第八期直播访谈片段Wan 3.0 in production。
- 电影制作人Keith Zhang把单镜头30秒生成和在全能参考中上传5段视频列为最令人惊讶的功能。
- 他提出不再逐段生成片段，而是先生成长片段，再按剧本做后期剪辑。
阿里巴巴旗下视频生成模型Wan的官方账号9月17日发布了第八期直播访谈的片段。这段93秒的视频题为Wan 3.0 in production，只讨论一个问题：Wan3.0在真正的电影制作中能用在哪里。回答的人是来自美国、Soulscape背后的电影制作人Keith Zhang，提问的是阿里云的Johnny Mai。帖子把这段视频称为Wan3.0开始融入真实制作的节点。
Keith Zhang最先提到的是时长。他在视频里说：“它能一个镜头生成30秒，这绝对很疯狂。”过去只能生成5秒，后来是15秒，现在模型可以直接输出30秒的单个镜头。帖子正文也是按同样的顺序写的：一年前是5秒片段，之后是15秒，现在是模型直接生成的30秒单镜头。
第二点是参考。他提到导演级控制功能，说自己惊讶于全能参考界面最多可以上传5段视频。“不是5张图片，是5段视频。”他特别强调。METAL曾在Wan3.0公开测试发布时报道，全能参考除了文字、图片、音频和视频，还能接收文档、表格、幻灯片和网页。这段视频则由真正上手用过的人，确认了其中视频参考的数量。
8月6日发布卡片上列出的有三项：原生30秒视频生成、真实级渲染，以及在文字、图片、音频、视频之外还能接收文档、表格、幻灯片和网页的全能参考。当时的帖子配了“简单输入，智能创作”的口号，并表示正在接受公开测试申请。这期直播访谈以创作者的实际体验，重新梳理了其中的首尾两项，也就是时长和参考。
制作流程上的变化，是逐段生成的工作方式消失了。据Keith Zhang介绍，现在不用再一段一段地生成，而是先生成长片段，再根据剧本和故事做后期。视频里的卡片也画出了同样的流程：不要逐段生成，生成长片段，按剧本和故事做后期，再用上多得多的参考。帖子把这概括为“再也不用把无数短片段拼接起来”。
从工程师的角度看，这两个数字指向的是同一个瓶颈。拼接5秒片段时，最耗时的不是生成，而是保证片段与片段之间的连贯；如果参考只能用图片，动作和运镜每次都得重新用文字描述。30秒单镜头从源头上减少了拼接点，5段视频参考则是一条用画面而非语言传递动作的通道。两项功能同时具备，才能按剧本来工作，这正是Keith Zhang所说的制作用法的骨架。
在同一账号前一天，也就是9月16日发布的上一段视频里，Keith Zhang谈到了模型的变化幅度。Johnny Mai问他在最新更新中注意到了什么、什么让他惊讶，他把去年的Wan 2.1、2.2和今年的Wan3.0放在一起，回答说：“就一年之内发生的事情而言，这绝对不止是一次代际跨越。”他列举的是多重参考、一致性、创作控制和分辨率，并表示模型越往下一代发展，对讲故事的创作者和电影人就越友好。那条帖子写道：“工具终于不再挡在讲故事的人面前。”
METAL查阅的两条帖子，结尾都附有钉钉申请表链接，面向想在团队中引入Wan3.0的人。案例视频同时也是企业销售入口。9月17日的片段在画面左上角同时标出了Wan3.0和两位出场者的名字；9月16日的片段长65秒，9月17日的片段长93秒。截至查看时，9月16日的片段播放量略超9000次，9月17日的片段刚发布几个小时，播放量约1800次。与8月6日公开测试发布帖超过2000万次的播放量相比，这一期不是面向大众的宣传，而是向已经在用的人展示用法。
阿里巴巴Wan账号正在把制作一线的声音做成系列。METAL曾报道伦敦一位广告导演用Wan3.0在不调色的情况下完成了广告，这次则是美国的电影制作人把同一模型放进了长片制作流程。广告和电影的要求不同，前一个案例谈的是画面质感，这一个谈的是时长和参考。
30秒单镜头和5段视频参考，本是8月发布卡片上写明的规格，这段视频记录的是这些规格从真正用过的人口中再次说出。它们会停留在参数表上，还是固化为制作流程，取决于这类一线证言积累的速度。
评论