Guía de prompts para WAN 3.0
Una guía de prompts para WAN 3.0 basada en generaciones hechas con el modelo en funcionamiento, no en una ficha técnica. Estructura por etapas para clips largos, funciones y exclusiones de las imágenes de referencia, fotogramas inicial y final, encuadre adaptativo, lenguaje de cámara y una técnica habitual que aquí no funciona.
WAN 3.0 genera vídeo a partir de un prompt de texto, de hasta diez imágenes de referencia o de un fotograma inicial y otro final. El sonido se genera junto con la imagen y llega en el mismo archivo. Los clips duran de 2 a 30 segundos en una sola generación, y el modelo puede elegir tanto la relación de aspecto como la duración por ti.
Esta guía nace de pruebas con el modelo en funcionamiento, no de una ficha técnica. Todos los clips de esta página son generaciones de esas pruebas y se muestran con la resolución que devolvió el modelo. Cuando una técnica funciona, incluimos una plantilla. Cuando una técnica que funciona en otros modelos falla aquí, lo señalamos en lugar de dejarla pasar sin más.
Una rueda de bicicleta se centra de principio a fin en un solo clip. El prompt se divide en tres etapas, cada una con un estado final definido. El sonido se genera junto con la imagen.
Lo que ya haces al escribir prompts para Seedance y modelos similares funciona aquí en gran parte, con una excepción clara. Cada fila de abajo se probó con un par equivalente en el modelo en funcionamiento: mismo sujeto, misma semilla y misma duración. Solo cambiaba la técnica que se estaba probando.
| Técnica | Resultado en WAN 3.0 | Lo que observamos |
|---|---|---|
| Etapas con estados finales bien definidos | Funciona y aquí es lo más importante | Un prompt de 20 segundos dividido en tres etapas cumplió todos los estados finales indicados, hasta los pequeños detalles: banco de trabajo despejado tras la primera etapa, herramienta aún en la mano al terminar la segunda y soporte vacío al final. Los mismos eventos escritos en una sola frase larga dieron un clip más confuso, que volvía a manipular el mismo objeto. |
| Intervalos de tiempo | Funciona | Los tres intervalos consecutivos de cuatro segundos se reprodujeron en orden y cada uno respetó exactamente su estado final de "solo queda X". |
| Identificar referencias y excluir lo que no se debe usar | Funciona | Con dos imágenes de referencia e instrucciones claras de exclusión, no apareció ninguno de los elementos excluidos. WAN 3.0 combina por sí solo y de forma limpia una referencia de persona y otra de lugar, y una sola frase de exclusión basta para fijar el resultado. |
| Comportamiento observable en lugar de palabras que nombran emociones | Funciona | Las señales indicadas, mirada fija, respiración contenida y dedos inmóviles, mantuvieron una interpretación estable y precisa, exactamente en el entorno solicitado. |
| Convertir un término de cámara en un cambio visible | Funciona y merece esas palabras extra | Describir cómo debía verse un cambio de foco produjo una transición limpia desde las hojas en primer plano hasta el sujeto. Usar solo el término «rack focus» no produjo ningún cambio de foco. |
| Orden: sujeto, acción, escena, estilo, cámara y audio | Funciona y te da un control preciso | Un prompt de una sola línea ya produjo un buen clip con varios planos. La versión estructurada no era más bonita, era más fiel: ejecutó el único movimiento de cámara solicitado en vez de inventarse su propia secuencia de planos. |
| Sintaxis con corchetes para música, efectos, diálogos y subtítulos | Usa frases sencillas en su lugar | WAN 3.0 interpreta mejor la música, los efectos, los diálogos y el texto en pantalla cuando se describen con frases sencillas. Con ese formato, generó una cartela limpia, sin faltas de ortografía, que apareció de forma gradual y se mantuvo en pantalla. |
En pocas palabras: conserva la estructura y quita la puntuación. Las etapas, los estados finales, las referencias con nombre, las exclusiones y los detalles observables funcionan. Describe el sonido y el texto con frases sencillas.
Consejo para el sonido y el texto: todos los clips incluyen audio nativo, así que describe la música, los efectos y el diálogo con frases sencillas. Para los títulos en pantalla, usa palabras cortas y claras. Si necesitas texto exacto al píxel, añádelo durante el montaje.
Sujeto + Acción o evento + Escena y entorno + Estilo visual + Movimiento de cámara o corte + Audio
Guía de prompts para WAN 3.0: el modelo rellena los huecos con decisión. Si no defines la cámara, elegirá sus propios encuadres, a menudo con cortes entre dos o tres planos en cinco segundos. Va bien si buscas un clip con un acabado listo para usar, pero no si necesitas un plano concreto. Especifica lo que te importa y deja que invente el resto.
<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.
Bien resuelto y con toda la dirección en manos del modelo. Eligió la cocina, alternó entre cuatro encuadres y terminó con la jarra.
Un solo acercamiento, tal como se pidió. La luz llega desde el lado indicado, ilumina el vapor y el plano termina sobre el café molido. La misma semilla que en la versión sin desarrollar.
Ambos clips se ven muy bien. Esa es la clave: el prompt estructurado aporta un cumplimiento preciso de tus instrucciones, además de la calidad que WAN 3.0 siempre ofrece. Usa la fórmula cuando el plano deba encajar con lo que tienes en mente, y una sola línea cuando prefieras dejarte sorprender.
Treinta segundos en una sola generación es la función estrella, y también donde más se nota una buena estructura del prompt. Divide el clip en etapas consecutivas. Asigna un cambio principal a cada etapa e indica qué debe verse al terminar. El estado final es lo que marca la diferencia: le da al modelo un objetivo que alcanzar, no un estado de ánimo que mantener.
[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.
La rueda se recoge y se vuelve a dejar varias veces, el uso del soporte resulta ambiguo y cuesta interpretar el final como "colgada de un gancho".
Fíjate en cómo se cumplen los estados finales: el banco de trabajo queda despejado cuando la rueda está en el soporte, la llave sigue en la mano al terminar el trabajo con los radios y el soporte queda visiblemente vacío cuando la rueda está en la pared.
Usa etapas por defecto. Recurre a las marcas de tiempo cuando necesites que una acción ocurra en un momento concreto, como una entrega, una entrada o una transición. Los intervalos deben ser consecutivos y no solaparse.
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.
Primero el plato, después el vaso y luego el jarrón. Cada objeto se retira y la mano sale del encuadre antes de que empiece el siguiente intervalo, exactamente como pedían los estados finales.
Los tres momentos se desarrollaron en orden y, en cada uno, el encuadre quedó despejado antes de que llegara el siguiente objeto. Trata cada intervalo como un margen de tiempo, no como un punto de corte exacto, y no pidas un ritmo de eventos como tres acciones en un segundo.
La guía oficial de prompts añade un formato de planos numerados para controlar los cortes: una descripción general de una línea y, después, cada plano con su número e intervalo de tiempo. Los sujetos, los escenarios y la atmósfera se mantienen coherentes entre planos. La otra cara importa igual: si no quieres ningún corte, usa la frase exacta "One continuous take". Si no lo indicas, el modelo decide cómo cubrir la escena.
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 admite hasta diez imágenes de referencia. Como no hay un prompt negativo, todo lo que quieras dejar fuera debe indicarse en el propio prompt. Asigna una función a cada imagen y añade una exclusión siempre que contenga algo que no quieras incluir, algo que ocurre casi siempre: un retrato trae un fondo, y una foto de una ubicación suele traer una persona.
@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.
El caballero de la imagen 1, el muelle de la imagen 2. Sin las flores de cerezo del fondo de la imagen 1 ni el pescador de la imagen 2.
Aquí también WAN 3.0 mantuvo cada elemento en su papel y siguió de cerca la indicación «camina hacia la cámara». Combina dos referencias de forma limpia, sin ajustes adicionales.
La imagen 1 era un retrato con un fondo de flores muy característico. La imagen 2 mostraba un muelle con un hombre apoyado en un poste. La versión con funciones y exclusiones conservó al caballero y el muelle, y descartó tanto las flores como al hombre. El control hizo lo mismo, y conviene decirlo sin rodeos: con dos imágenes que se dividen claramente entre una persona y un lugar, WAN 3.0 resolvió el reparto por su cuenta.
Sigue indicando las funciones. Solo ocupan una línea, eliminan las suposiciones en cuanto usas más de dos imágenes o referencias con contenidos que se solapan, y son la única forma de indicar una exclusión ahora que ya no hay prompt negativo.
Proporciona un primer fotograma y el clip empezará con él. Añade también un último fotograma y el modelo generará el movimiento entre ambos. Este es el modo que necesitas cuando un plano debe empezar o terminar en algo concreto.
<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>.
El fotograma inicial reproduce la imagen original. Al final, el sujeto se ha separado del poste y la cámara se ha desplazado detrás de él, algo que el prompt nunca pidió.
Nuestra prueba arrancó exactamente con el fotograma proporcionado. Después fue más allá de lo que pedía el prompt: la instrucción era que el sujeto siguiera apoyado en un poste y girara la cabeza, pero al final ya se había separado del poste y la cámara se había desplazado detrás de él. El primer fotograma fija el inicio, no todo el clip. Si necesitas mantener el plano, indica claramente qué no debe cambiar.
Dos opciones de aquí no tienen equivalente en la mayoría de los otros modelos. Ajusta la relación de aspecto a adaptive y WAN 3.0 leerá el prompt para elegir el formato del encuadre. Ajusta la duración a -1 y elegirá cuánto dura.
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.
El prompt dice "anuncio vertical para redes" y no indica nada más sobre el formato o la duración. El modelo devolvió 480 por 832, unos seis segundos.
Ese prompt no menciona dimensiones ni segundos. Devolvió un clip vertical de unos seis segundos. Al proporcionar un primer fotograma en su lugar, adaptive ajustó la relación de aspecto a la imagen suministrada. Di con palabras para qué es el clip y el ajuste hace el resto.
Fórmulas oficiales: el diálogo escrito como Nombre says: "la frase exacta" se conserva tal cual. Una voz se define con la frase, la emoción, la entonación, la velocidad del habla, el timbre y el acento. Para silenciar un canal, usa las frases exactas "No dialogue throughout the entire video" o "No background music." El modelo las interpreta como instrucciones, no como descripciones.
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 interpreta el sonido y el texto como frases sencillas, así que olvídate de los marcadores entre corchetes que otros modelos usan para música, efectos de sonido, diálogos y subtítulos. Al describirlo con frases sencillas, generó una cartela limpia, sin faltas de ortografía, que apareció de forma gradual y se mantuvo en pantalla.
El sonido es fiable y viene integrado de forma nativa en cada clip. Consejo: usa palabras cortas y claras en pantalla. Si tu montaje depende de un rótulo o título, añádelo en posproducción para controlarlo al píxel.
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】La escena está bien. No aparece ningún título en ningún momento, y ocurrió lo mismo en una segunda escena.
El mejor resultado de texto que conseguimos: "Chapter One: The Keeper" aparece con un fundido, sin errores, y se mantiene en pantalla. La misma formulación en una escena de cafetería no produjo nada, así que este es el caso favorable, no el habitual.
Las palabras de emoción marcan una dirección y dejan el resto abierto. WAN 3.0 llena ese espacio con generosidad, normalmente con una interpretación más intensa de lo que buscabas. Nombrar de dos a cuatro señales observables mantiene la actuación donde quieres.
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.
Empieza con una expresión neutra y llega hasta estar al borde del llanto. Además, la desplaza discretamente desde bastidores hasta un escenario iluminado.
Mirada fija, respiración contenida, dedos inmóviles, hombros elevados. Un estado contenido que se mantiene durante todo el clip, en el entorno solicitado.
La versión basada en indicaciones concretas mantuvo un único estado contenido durante todo el clip, justo donde se había indicado. Las señales nombradas le dan a WAN 3.0 algo preciso que interpretar, y lo interpreta.
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>.
Los tamaños de plano y los movimientos de cámara habituales funcionan escritos tal cual. Los nombres de técnicas, por sí solos, son menos fiables. El mejor resultado individual de nuestras pruebas llegó al describir cómo debía verse una técnica en lugar de limitarse a nombrarla.
| Tipo | Términos que funcionan tal cual |
|---|---|
| Tamaño de plano | extreme wide shot, wide shot, medium shot, close-up, extreme close-up |
| Movimiento de cámara | push in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off |
| Posición y punto de vista | low angle, overhead view, first-person view |
Técnica de cámara + Sujeto objetivo + Cambio visible + Relación entre primer plano y fondo + Dirección o velocidad
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.
El jardinero sigue desenfocado durante todo el clip. No hay ningún cambio de foco.
Hojas enfocadas y rostro desenfocado al inicio; rostro enfocado y hojas desenfocadas al final, con la cámara fija. Misma semilla que en la versión básica.
La versión desarrollada produjo un cambio de foco limpio: al principio, hojas en primer plano nítidas y sujeto desenfocado; al final, sujeto nítido y hojas desenfocadas, con la cámara fija. El término por sí solo dejó al sujeto desenfocado durante todo el clip, sin ningún cambio de foco. Fue la mayor diferencia individual de toda la batería de pruebas, y solo exige una frase más.
| Ajuste | Valores | Notas |
|---|---|---|
| Duración | 2 to 30 seconds, or -1 | Una sola generación, sin unir clips. Con -1, el modelo decide. Una prueba con -1 devolvió unos seis segundos para un plano corto de producto. |
| Resolución | 480P, 720P, 1080P | En mayúsculas. Los clips de prueba a 480P se generaron a 832 por 480 y 30fps. |
| Relación de aspecto | 16:9, 4:3, 1:1, 3:4, 9:16, adaptive | El modo adaptativo deduce el formato a partir del prompt o lo ajusta al fotograma proporcionado, si lo hay. |
| Imágenes de referencia | Hasta 10 | Úsalas en lugar de los fotogramas inicial y final de un plano. El modo Fast devuelve las generaciones con referencias en minutos. |
| Fotograma inicial y final | Uno de cada | Úsalos en lugar de imágenes de referencia para un plano. El primer fotograma fija el inicio exacto. |
| Audio | Activado o desactivado | Nativo, en el mismo archivo. El coste es el mismo en ambos casos. |
| Prompt negativo | No compatible | Eliminado en WAN 3.0. Incluye las exclusiones en el prompt. |
| Semilla | Número entero | Fíjalo al comparar dos prompts para que solo cambie la redacción. |
Algunas costumbres que traes de otros modelos tienen aquí una alternativa mejor. Aplícalas y haz que cada generación cuente.