教程指南
选择合适的 Wan 3.0 生成模式，给每份参考分工，在固定条件下调整素材，并核对时长与费用。
当任务需要图片、动作片段或音频共同提供上下文时，可以选择 Wan 3.0 的参考生成。本文使用 APIXO 的 wan-3-0-video 接口：它还支持一个文件或一个网页链接，两者互斥；两个 LoRA 接口未提供这些文件、链接字段。如果只有一张起始图和可选的结束图，先评估图生视频是否已经够用。
下文的产品短片是创作规划示例，未提交生成，不是保证复现参考细节的实测配方。
手头的素材: 只有文字需求
手头的素材: 起始图，可选结束图
手头的素材: 图片、视频或音频上下文
手头的素材: 项目文件或网页链接
参考生成最多接受 10 张图片、5 段视频和 5 段音频。每段视频或音频为 1–15 秒；视频合计最多 15 秒，音频另行合计最多 15 秒。使用正数固定时长时，还需满足输出秒数＋全部参考视频秒数不超过 30。
输入要求可查 Wan 3.0 Video 接口文档（英文）。以上是 2026 年 10 月 22 日核对的公开 API 规格；准备请求前，再确认所用界面实际提供了哪些控件。
假设要拍透明瓶身放在浅色桌面上的短片，镜头缓慢侧移，最后留出后期添加字幕的位置。先写清这些要求，再选择参考素材。
素材: 产品正面图
素材: 场景图
素材: 一段 5 秒动作视频
素材: 一段短音频
素材: 一份聚焦的项目文件
这些分工表达的是意图，不保证模型只从每份素材提取指定属性。
选择清楚、主体明确的图片。不同角度可以补充外观，但不同包装、颜色或产品会让需求变得含糊。先去掉与目标版本冲突的素材。
逐段检查文字、商标和形状。参考图不保证精确复刻；源图准备方法可参考图生视频入门。
截取真正表达目标运动的片段，并说明参考的是主体动作还是镜头行为，哪些人物、道具或环境不需要采用。
剪掉无关切镜、停顿和额外动作，同时保留原文件供比较。裁剪既改变输入信息，也改变计费的视频输入秒数。
计算所有参考视频的时长之和：输入共 10 秒时，固定输出最多 20 秒；输入共 15 秒时，固定输出最多 15 秒。不能只看“支持 30 秒输出”，忽略已提交的视频参考。
音频可以提供语气、节奏或声音方向。只有声音参考，并不能确定画面中人物的外观。
音频参考负责提供上下文，输出参数 sound 用于请求是否生成声音。需要声音时分别检查这两项。参考音频不单独收取输入费用，但输出秒数和参考视频秒数仍会计费。
标准 Wan 3.0 Video 的 file_urls 与 link_urls 互斥：每项最多一个，不能同时提供。材料宜聚焦于受众、产品信息和媒体素材未能表达的视觉重点。
服务端需要能够读取来源。私有网盘登录页不是直接素材地址；提交文档也不保证生成视频中的文字、字幕或产品陈述准确。
这一步只适用于标准 Video。准备改用 LoRA 时，先看三个 Wan 3.0 接口的区别，避免沿用不支持的字段。
要比较添加参考的效果，从第一次尝试就固定使用参考生成模式。先提交一张产品图和简短的动作描述；单张图片已经满足“至少一项参考”的要求。随后加入动作视频时，保持提示词、分辨率、固定输出时长和声音设置不变，并提前选择加入视频后仍符合 30 秒合计限制的输出时长。
先看产品形状与构图，再比较运动。只有某个需求仍未满足，才单独加入音频、文件或链接。若同时从图生视频切到参考生成，改变的就不只是新增素材，不能把差异全归因于参考视频。不同次生成也可能自然波动，一次更好的结果不足以证明是哪项素材起了作用。
完整素材组合的提示词示例，未经实测：
根据产品图保持瓶身外形与主色。 根据场景图安排桌面和光线。 参考视频用于平稳侧移的镜头运动，产品保持静止。 声音参考用于克制的背景氛围。 不要新增人物或文字，留出后期添加字幕的空间。
素材编号与引用语法以所用接口为准。这段文字说明素材分工，不是可直接复制执行的完整 API 请求。
现象: 参考读取失败
现象: 产品或服装改变
现象: 动作或镜头不对
现象: 声音缺失或不合适
现象: 固定时长超限
记录每轮调整的理由。同时更换图片、视频、提示词和音频，会让原因难以判断。
参考视频秒数与输出秒数一起计费。按 2026 年 10 月 22 日公开参数中的标准 Video 1080p 费率 $0.20/秒，假设输出 10 秒、参考视频 5 秒，费用为 (10 + 5) × $0.20 = $3.00。这是计算示例，不是实测账单。
Wan 3.0 费用指南说明完整公式和智能时长预扣；提交前再核对 APIXO API 定价。这里计算的是 API 使用费，不是 Studio 月度积分。
按交付要求检查主体、运动、声音和剪辑留白，记录设置、素材、采用秒数及重试理由。进入 Wan 3.0 Video时先用精简的参考组合，只有明确缺少某项信息，再扩大输入。
使用 APIXO 构建
一站式探索图像、视频和音频模型。