WAN 3.0 Prompting Guide
Dieser WAN 3.0 Prompting Guide basiert auf Generierungen mit dem Live-Modell, nicht auf einem Datenblatt. Es geht um Phasen für lange Clips, Rollen und Ausschlüsse für Referenzbilder, Start- und Endframes, adaptive Bildformate, Kamerasprache und die eine gängige Technik, die hier nicht funktioniert.
WAN 3.0 generiert Videos aus einem Text-Prompt, aus bis zu zehn Referenzbildern oder aus einem Start- und Endbild. Der Ton entsteht zusammen mit dem Bild und landet in derselben Datei. Eine einzelne Generierung liefert Clips mit einer Länge von 2 bis 30 Sekunden. Bildformat und Länge kann das Modell auch für dich wählen.
Dieser Guide basiert auf Tests am Live-Modell, nicht auf einem Datenblatt. Jeder Clip auf dieser Seite stammt aus diesen Testgenerierungen und wird in der Auflösung gezeigt, die das Modell geliefert hat. Wo eine Technik funktioniert, gibt es eine Vorlage. Wo eine Technik aus anderen Modellen hier nicht funktioniert, sprechen wir das an, statt sie stillschweigend stehen zu lassen.
Ein Fahrradlaufrad wird in einem einzigen Clip von Anfang bis Ende zentriert. Der Prompt ist in drei Phasen gegliedert, jede mit einem klaren Endzustand. Der Sound entsteht zusammen mit dem Bild.
Prompting-Gewohnheiten aus Seedance und ähnlichen Modellen lassen sich größtenteils übernehmen, mit einer klaren Ausnahme. Jede Zeile unten wurde als Vergleichspaar am Live-Modell getestet: gleiches Motiv, gleicher Seed, gleiche Dauer. Geändert wurde nur die jeweils getestete Technik.
| Technik | Ergebnis mit WAN 3.0 | Was wir beobachtet haben |
|---|---|---|
| Phasen mit klaren Endzuständen | Funktioniert, hier besonders wichtig | Ein 20-Sekunden-Prompt mit drei Phasen erreichte jeden vorgegebenen Endzustand, selbst die kleinen Details: Werkbank nach Phase eins frei, Werkzeug am Ende von Phase zwei noch in der Hand, Ständer am Ende leer. Dieselben Abläufe in einem einzigen langen Satz ergaben einen weniger klaren Clip, in dem immer wieder am selben Objekt hantiert wurde. |
| Zeitbereiche | Funktioniert | Die drei aufeinanderfolgenden Abschnitte à vier Sekunden liefen in der richtigen Reihenfolge ab. Jeder hielt seinen Endzustand "Nur X bleibt übrig" exakt ein. |
| Referenzen zuweisen und Unerwünschtes ausschließen | Funktioniert | Mit zwei Referenzbildern und klaren Ausschlusssätzen tauchte keines der ausgeschlossenen Elemente auf. WAN 3.0 kombiniert eine Person und einen Ort aus getrennten Referenzen von selbst sauber. Ein einziger Ausschlusssatz sichert das Ergebnis ab. |
| Sichtbares Verhalten statt Gefühlswörter | Funktioniert | Die benannten Verhaltenssignale, fixierter Blick, angehaltener Atem, regungslose Finger, sorgten für eine gleichbleibende, präzise Darstellung im genau gewünschten Setting. |
| Einen Kamerabegriff als sichtbare Veränderung beschreiben | Funktioniert, die Worte lohnen sich | Die genaue Beschreibung, wie eine Schärfeverlagerung aussehen soll, lieferte einen sauberen Fokuswechsel von den Blättern im Vordergrund zum Motiv. Der bloße Begriff „Rack Focus“ bewirkte überhaupt keinen Fokuswechsel. |
| Reihenfolge: Motiv, Handlung, Szene, Stil, Kamera, Audio | Funktioniert, gibt dir präzise Kontrolle | Schon ein schlichter Einzeiler lieferte einen soliden Clip mit mehreren Einstellungen. Die strukturierte Version war nicht schöner, sondern präziser: Sie setzte genau die eine gewünschte Kamerabewegung um, statt eigene Einstellungen zu erfinden. |
| Klammersyntax für Musik, Effekte, Dialoge und Untertitel | Stattdessen einfache Sätze verwenden | WAN 3.0 versteht Musik, Effekte, Dialoge und Text im Bild am besten als einfache Sätze. So formuliert lieferte es eine saubere, korrekt geschriebene Titelkarte, die eingeblendet wurde und stehen blieb. |
Kurz gesagt: Struktur behalten, Satzzeichen weglassen. Phasen, Endzustände, benannte Referenzen, Ausschlüsse und sichtbare Details funktionieren. Beschreibe Ton und Text in einfachen Sätzen.
Profi-Tipp für Ton und Text: Jeder Clip bringt direkt generierten Ton mit. Beschreibe Musik, Effekte und Dialoge deshalb in einfachen Sätzen. Halte Texteinblendungen kurz und schlicht. Muss Schrift pixelgenau sitzen, setze sie im Schnitt.
Motiv + Handlung oder Ereignis + Szene und Umgebung + Visueller Stil + Kamerabewegung oder Schnitt + Audio
WAN 3.0 füllt Lücken selbstbewusst. Lässt du die Kamera offen, wählt das Modell seine eigenen Einstellungen und schneidet innerhalb von fünf Sekunden oft zwischen zwei oder drei davon hin und her. Das passt, wenn du einen fertig geschnitten wirkenden Clip willst. Brauchst du eine ganz bestimmte Einstellung, ist es eher hinderlich. Benenne, was dir wichtig ist, und lass das Modell den Rest erfinden.
<Subject> performs <primary action or event> in <scene and environment>. The visuals feature <visual style>. Use <shot size, camera angle, camera movement, or cuts>. Audio includes <dialogue, ambience, sound effects, or music>.
A woman pours hot water in slow spirals over a paper filter of ground coffee, then lifts the kettle away, in a narrow kitchen at sunrise. The visuals feature low warm sunlight from a window on the left, steam catching the light, matte ceramic and brushed steel surfaces. Begin on a medium shot of her hands at the kettle, then slowly push in to a close-up of the coffee bed blooming. Audio includes the trickle of water, the low hiss of steam, and quiet morning room tone.
Solide umgesetzt und komplett die eigene Inszenierung des Modells. Es wählte die Küche, schnitt zwischen vier Einstellungen und endete auf der Karaffe.
Eine Kamerafahrt nach vorn, wie gewünscht. Licht von der angegebenen Seite, Dampf im Licht, am Ende das Kaffeebett. Derselbe Seed wie bei der Kurzversion.
Beide Clips sehen großartig aus. Genau darum geht es: Der strukturierte Prompt liefert zusätzlich zur gewohnten Qualität von WAN 3.0 präzise Umsetzung. Nutze die Formel, wenn die Einstellung deiner Vorstellung entsprechen muss, und einen Einzeiler, wenn du dich gern überraschen lässt.
Dreißig Sekunden in einer Generierung sind das Highlight. Genau hier zahlt sich eine klare Prompt-Struktur am meisten aus. Teile den Clip in aufeinanderfolgende Phasen auf. Gib jeder Phase eine zentrale Veränderung und beschreibe, was am Ende sichtbar sein soll. Der Endzustand macht den Unterschied: Er gibt dem Modell einen konkreten Kontrollpunkt statt einer Stimmung, die es halten soll.
[Generation Goal] Generate a <video type>. The central subject is <subject>, and the primary event is <story summary>. [Stage 1] Initial state: <initial state of characters, props, and scene>. Primary event: <one primary action or event>. End state: <positions, ownership, or visible scene state>. [Stage 2] Initial state: <continues from Stage 1's end state>. Primary event: <one primary action or event>. End state: <positions, ownership, or visible scene state>. [Stage 3] Initial state: <continues from Stage 2's end state>. Primary event: <one primary action or event>. End state: <final visible state>. Keep <identity, clothing, layout, and lighting> consistent throughout.
[Generation Goal] Generate an instructional video in a small bicycle repair shop. The central subject is a mechanic, and the primary event is truing a bent wheel. [Stage 1] Initial state: a bent wheel lies flat on the workbench, and the truing stand beside it is empty. Primary event: the mechanic lifts the wheel and seats it in the truing stand. End state: the wheel stands upright in the stand, and the workbench surface is empty. [Stage 2] Initial state: the wheel stands upright in the stand. Primary event: the mechanic spins the wheel and tightens spokes with a spoke wrench. End state: the wheel is still in the stand and spins without wobbling. The spoke wrench is in the mechanic's right hand. [Stage 3] Initial state: the trued wheel is still in the stand. Primary event: the mechanic lifts the wheel out and hangs it on a wall hook. End state: the wheel hangs on the wall hook, and the truing stand is empty. Keep the mechanic's identity and clothing, the shop layout, and the afternoon light from the shopfront window consistent throughout.
Das Rad wird wiederholt angehoben und abgesetzt, die Nutzung des Ständers bleibt uneindeutig, und am Ende ist kaum zu erkennen, dass es "an einem Haken hängt".
Achte darauf, dass die Endzustände stimmen: die Werkbank frei, sobald das Laufrad im Ständer sitzt, der Schraubenschlüssel nach der Arbeit an den Speichen noch in der Hand, der Ständer sichtbar leer, sobald das Laufrad an der Wand hängt.
Arbeite standardmäßig mit Phasen. Nutze Zeitstempel, wenn eine bestimmte Aktion genau im richtigen Moment passieren soll, etwa eine Übergabe, ein Auftritt oder ein Übergang. Die Zeitbereiche sollten lückenlos aufeinanderfolgen und sich nicht überschneiden.
0-4 seconds: an empty wooden display table in soft studio light. A hand places a white ceramic plate in the center. End state: the hand has left the frame and only the white plate remains. 4-8 seconds: the white plate is removed and a clear glass is placed in the center. End state: only the clear glass remains. 8-12 seconds: the clear glass is removed and a green ceramic vase is placed in the center. End state: only the green vase remains. Locked-off frontal camera throughout.
Erst der Teller, dann das Glas, dann die Vase. Jedes Objekt wird weggeräumt, und die Hand verlässt das Bild, bevor der nächste Zeitabschnitt beginnt. Genau wie in den Endzuständen vorgegeben.
Alle drei Aktionen liefen der Reihe nach ab. Jedes Objekt war aus dem Bild verschwunden, bevor das nächste auftauchte. Behandle einen Zeitbereich als Zeitbudget statt als exakten Schnittpunkt. Gib keine Ereignisrate vor, etwa drei Aktionen in einer Sekunde.
Der offizielle Prompt-Guide ergänzt ein Format mit nummerierten Einstellungen für gezielte Schnitte: erst eine einzeilige Gesamtbeschreibung, dann jede Einstellung mit eigener Nummer und eigenem Zeitbereich. Motive, Schauplätze und Atmosphäre bleiben über die Einstellungen hinweg konsistent. Genauso wichtig ist die Kehrseite: Wenn du gar keine Schnitte willst, verwende die exakte Formulierung "One continuous take". Ohne diese Vorgabe entscheidet das Modell selbst, welche Einstellungen es zeigt.
A short piece about losing and regaining hope, told in three shots. Shot 1 [0-3s]: The main character sits alone at the edge of a playground, reading a letter. They sigh, eyes confused and sad. Shot 2 [4-6s]: Hard cut. Fixed camera, close-up on their eyes, glistening. Shot 3 [7-10s]: Hard cut to a plain classroom. A second character in simple clothes smiles warmly and walks toward them.
WAN 3.0 nimmt bis zu zehn Referenzbilder an. Da es keinen Negativ-Prompt gibt, musst du alles, was draußen bleiben soll, direkt im Prompt benennen. Weise jedem Bild genau eine Aufgabe zu. Ergänze einen Ausschluss, sobald das Bild etwas enthält, das du nicht übernehmen willst. Das ist fast immer der Fall: Ein Porträt bringt einen Hintergrund mit, ein Ortsfoto meist eine Person.
@Image 1 defines <Subject A>'s <face, hair, and clothing>. Do not use the image background. @Image 2 defines <Location>'s <structures, materials, and light>. Do not use the person in the image. <Subject A> performs <action> in <Location>. The visuals feature <visual style>. Use <camera treatment>.
@Image 1 defines the Knight's face, short dark red hair, and engraved silver armor. Do not use the image background. @Image 2 defines the Dock's wooden pilings, coiled rope, still water, and the mountains behind it. Do not use the person in the image. The Knight walks slowly along the Dock toward the camera and stops at the end of the boards. The visuals feature flat overcast daylight. Use a locked-off wide shot.
Ritter aus Bild 1, Steg aus Bild 2. Keine Kirschblüten aus dem Hintergrund von Bild 1, kein Fischer aus Bild 2.
Auch hier hielt WAN 3.0 beide Elemente sauber getrennt und setzte „geht auf die Kamera zu“ präzise um. Zwei Referenzen werden ohne weiteres Zutun sauber kombiniert.
Bild 1 war ein Porträt mit einem markanten Blütenhintergrund. Bild 2 zeigte einen Steg mit einem Mann, der an einem Pfosten lehnte. Die Version mit Rollen und Ausschlüssen übernahm den Ritter und den Steg, ließ aber die Blüten und den Mann weg. Die Kontrollversion tat dasselbe. Das verdient eine klare Erwähnung: Bei zwei Bildern, die sich eindeutig in Person und Ort aufteilen, erkannte WAN 3.0 die Zuordnung von selbst.
Schreibe die Rollen trotzdem dazu. Sie kosten eine Zeile und nehmen dem Modell das Rätselraten ab, sobald du mehr als zwei Bilder nutzt oder sich die Motive deiner Referenzen überschneiden. Und seit es keinen Negativ-Prompt mehr gibt, sind sie die einzige Möglichkeit, überhaupt einen Ausschluss zu formulieren.
Gib einen Startframe vor, und der Clip beginnt damit. Gib zusätzlich einen Endframe vor, und das Modell generiert die Bewegung dazwischen. Nutze diesen Modus, wenn eine Einstellung mit etwas Bestimmtem beginnen oder enden muss.
<Describe one continuous action that moves from the first frame to the last frame>. Keep <subject identity, clothing, prop positions, and camera framing> unchanged except where the action requires it. Do not <specific drift you want to prevent, for example: do not move the camera off the subject or leave the starting position>.
Der erste Frame gibt das Ausgangsbild wieder. Am Ende hat die Person den Pfosten verlassen, und die Kamera ist hinter sie gefahren. Beides war im Prompt nicht verlangt.
In unserem Test begann der Clip exakt mit dem vorgegebenen Frame. Danach ging er über den Prompt hinaus: Die Person sollte an einem Pfosten angelehnt bleiben und den Kopf drehen. Am Ende hatte sie den Pfosten verlassen, und die Kamera war hinter sie gefahren. Ein Startframe verankert den Einstieg, nicht den ganzen Clip. Wenn die Einstellung unverändert bleiben soll, sag klar, was sich nicht ändern darf.
Zwei Optionen hier haben bei den meisten anderen Modellen kein Gegenstück. Stell das Seitenverhältnis auf adaptive, und WAN 3.0 wählt das Bildformat anhand des Prompts. Stell die Dauer auf -1, und es bestimmt die Länge selbst.
A vertical social ad for a stainless steel water bottle. The bottle stands on wet river stones, the camera rises slowly, and condensation runs down the side. Text-free, product-first framing for a phone screen.
Im Prompt steht "Hochkant-Werbung für Social Media", sonst nichts zu Format oder Länge. Das Modell lieferte 480 mal 832, etwa sechs Sekunden.
Dieser Prompt nennt weder Bildmaße noch Sekunden. Das Ergebnis war ein Hochkant-Clip von etwa sechs Sekunden. Mit einem Startframe statt des reinen Text-Prompts übernahm adaptive das Seitenverhältnis des vorgegebenen Bildes. Beschreibe in Worten, wofür der Clip gedacht ist. Die Einstellung erledigt den Rest.
Offizielle Formeln: Dialoge im Format Name says: "the exact line" werden wortgetreu übernommen. Eine Stimme besteht aus dem Text plus Emotion, Intonation, Sprechtempo, Klangfarbe und Akzent. Um einen Tonkanal stummzuschalten, verwende die exakten Formulierungen "No dialogue throughout the entire video" oder "No background music.". Das Modell versteht sie als Anweisungen, nicht als Beschreibungen.
The keeper turns to the camera and says, calm and worn: "The light is still turning." The pace is slow, the voice low and gravelly, in British English.
WAN 3.0 versteht Ton und Text als einfache Sätze. Lass deshalb die Klammer-Markierungen weg, die andere Modelle für Musik, Soundeffekte, Dialoge und Untertitel verwenden. Klar ausformuliert lieferte es eine saubere, korrekt geschriebene Titelkarte, die eingeblendet wurde und stehen blieb.
Der Ton ist zuverlässig und wird bei jedem Clip direkt mitgeneriert. Profi-Tipp: Halte Texteinblendungen kurz und schlicht. Wenn dein Schnitt von einer bestimmten Beschriftung oder einem Titel abhängt, setze die Schrift in der Nachbearbeitung. So hast du pixelgenaue Kontrolle.
A lighthouse keeper in a yellow raincoat pushes open a heavy door at the top of a lighthouse and steps out onto the gallery in wind and rain. Slow low strings play underneath. Wind gusts hard and rain rattles on metal. The keeper turns to the camera and says that the light is still turning. A subtitle reading Chapter One: The Keeper appears on screen.
A lighthouse keeper steps out onto the gallery in wind and rain.
(Slow, low strings play underneath)
<Wind gusts hard and rain rattles on metal>
The keeper says: {The light is still turning.}
【Chapter One: The Keeper】Die Szene passt. Eine Titelkarte erscheint zu keinem Zeitpunkt, auch bei einer zweiten Szene nicht.
Unser bestes Textergebnis: "Chapter One: The Keeper" wird korrekt geschrieben eingeblendet und bleibt stehen. Dieselbe Formulierung erzeugte in einer Café-Szene gar keinen Text. Das ist also der gelungene Fall, nicht der typische.
Emotionswörter geben eine Richtung vor und lassen den Rest offen. WAN 3.0 füllt diesen Spielraum großzügig aus, meist stärker als beabsichtigt. Mit zwei bis vier sichtbaren Verhaltenssignalen hältst du die Darstellung genau dort, wo du sie haben willst.
A young violinist sits alone backstage before a performance. Her fingers press hard against the neck of the violin and stop moving, her gaze fixes on the floor without blinking, her shoulders stay lifted, and she takes one short breath in and holds it. Medium close-up, static camera.
Beginnt mit neutralem Gesichtsausdruck und steigert sich bis kurz vor die Tränen. Dabei wird sie unauffällig vom Backstage-Bereich auf eine beleuchtete Bühne versetzt.
Fixierter Blick, angehaltener Atem, regungslose Finger, hochgezogene Schultern. Ein zurückhaltender Ausdruck, über den ganzen Clip gehalten, im gewünschten Setting.
Die Version mit konkreten Verhaltenssignalen hielt über den gesamten Clip einen klar umrissenen Zustand, genau an der vorgesehenen Stelle. Benannte Signale geben WAN 3.0 etwas Konkretes zum Umsetzen, und das setzt es um.
The overall emotion shifts from <starting emotion> to <ending emotion>. After <triggering event>, <subject> first shows <immediate observable reaction>. Then, <eyes, brows, mouth, breathing, gaze, or hand movement> gradually <changes>. Finally, <subject> expresses <target emotion> through <restrained or explicit outward behavior>.
Einfache Einstellungsgrößen und Kamerabewegungen funktionieren direkt als Begriffe. Techniknamen allein sind weniger zuverlässig. Das stärkste Einzelergebnis in unseren Tests entstand, als wir das sichtbare Ergebnis einer Technik beschrieben, statt sie nur zu benennen.
| Typ | Begriffe, die direkt funktionieren |
|---|---|
| Einstellungsgröße | extreme wide shot, wide shot, medium shot, close-up, extreme close-up |
| Kamerabewegung | push in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off |
| Position und Perspektive | low angle, overhead view, first-person view |
Kamerabegriff + Zielmotiv + sichtbare Veränderung + Verhältnis zwischen Vorder- und Hintergrund + Richtung oder Tempo
Works: In a greenhouse, a gardener stands among hanging ferns. Rack focus: shift focus smoothly from the fern leaves in the foreground to the gardener in the background. The leaves gradually blur while the gardener's face changes from soft to sharp. The camera does not move. Does not: Rack focus in a greenhouse. A gardener stands among hanging ferns.
Der Gärtner bleibt im gesamten Clip unscharf. Es gibt keine Fokusverlagerung.
Zu Beginn Blätter scharf und Gesicht unscharf, am Ende Gesicht scharf und Blätter unscharf, Kamera fixiert. Derselbe Seed wie in der Kurzfassung.
Die ausgeschriebene Version lieferte eine saubere Fokusverlagerung: Am Anfang sind die Blätter im Vordergrund scharf und die Person unscharf, am Ende umgekehrt. Die Kamera bleibt dabei fixiert. Der reine Fachbegriff ließ die Person den ganzen Clip über unscharf und löste keine Fokusverlagerung aus. Das war der größte Einzelunterschied in der gesamten Testreihe, und er kostet nur einen zusätzlichen Satz.
| Einstellung | Werte | Hinweise |
|---|---|---|
| Dauer | 2 to 30 seconds, or -1 | Eine Generierung, kein Zusammenfügen. Mit -1 entscheidet das Modell selbst. Ein Test mit -1 lieferte für eine kurze Produktaufnahme etwa sechs Sekunden. |
| Auflösung | 480P, 720P, 1080P | Großschreibung. Testclips mit 480P wurden mit 832 mal 480 bei 30fps ausgegeben. |
| Seitenverhältnis | 16:9, 4:3, 1:1, 3:4, 9:16, adaptive | Adaptiv leitet das Format aus dem Prompt ab oder übernimmt es vom mitgelieferten Frame. |
| Referenzbilder | Bis zu 10 | Pro Einstellung statt Start- und Endframes verwenden. Der Fast-Modus liefert Generierungen mit Referenzbildern in wenigen Minuten. |
| Start- und Endframe | Jeweils eins | Pro Einstellung statt Referenzbildern verwenden. Der Startframe legt den exakten Einstieg fest. |
| Audio | An oder aus | Nativ, in derselben Datei. Die Kosten bleiben gleich, ob mit oder ohne Audio. |
| Negativ-Prompt | Nicht unterstützt | In WAN 3.0 entfernt. Ausschlüsse gehören in den Prompt. |
| Seed | Ganzzahl | Lege den Wert beim Vergleich zweier Prompts fest, damit sich nur der Wortlaut ändert. |
Ein paar Gewohnheiten aus anderen Modellen lassen sich hier gezielt verbessern. Nutze diese Ansätze, damit jede Generierung zählt.