Skip to main content

Guide de prompts WAN 3.0

WAN 3.0.
30 secondes, son inclus, testé prompt par prompt.

Ce guide de prompting WAN 3.0 repose sur des générations réalisées avec le modèle en production, pas sur une fiche technique. Au programme : structurer les clips longs, définir les rôles et les exclusions des images de référence, utiliser les premières et dernières images, le cadrage adaptatif, le langage caméra et repérer la technique courante qui ne fonctionne pas ici.

Vue d’ensemble

WAN 3.0 génère des vidéos à partir d’un prompt texte, de dix images de référence maximum, ou d’une première et d’une dernière image. Le son est généré avec l’image et livré dans le même fichier. Les clips durent de 2 à 30 secondes en une seule génération, et le modèle peut choisir le format et la durée pour toi.

Ce guide repose sur des tests du modèle en service, pas sur une fiche technique. Chaque clip de cette page provient de ces tests et apparaît dans la résolution produite par le modèle. Pour chaque technique qui fonctionne, tu trouveras un modèle de prompt. Quand une technique efficace sur d’autres modèles échoue ici, on le signale au lieu de la laisser passer en silence.

Une génération de 20 secondes, trois étapes

Une roue de vélo est dévoilée de bout en bout dans un seul clip. Le prompt est écrit en trois étapes, chacune avec un état final précis. Le son est généré avec l’image.

  • 2 to 30 seconds in one generation, or -1 to let the model choose the length.
  • Audio natif : dialogues, musique, ambiance et bruitages dans le même fichier.
  • Format adaptatif : le modèle lit le prompt et choisit le format de l’image.
  • Jusqu’à 10 images de référence, ou une image de début et une image de fin. Pas les deux options ensemble.
  • Pas de prompt négatif. WAN 3.0 l’a supprimé : les exclusions vont directement dans le prompt.

Ce qui reste valable avec les autres modèles

Les habitudes de prompting acquises sur Seedance et les modèles similaires restent largement valables, à une exception nette près. Chaque ligne ci-dessous a été testée en paire sur le modèle en service : même sujet, même seed, même durée. Seule la technique évaluée change.

TechniqueRésultat sur WAN 3.0Ce qu’on a observé
Étapes avec états finaux précisÇa marche, et c’est ce qui compte le plus iciUn prompt de 20 secondes en trois étapes a respecté tous les états finaux demandés, jusqu’aux détails : établi dégagé après la première étape, outil toujours en main à la fin de la deuxième, support vide à la fin. Les mêmes événements décrits dans une seule phrase à rallonge ont donné un clip plus confus, où le même objet était manipulé à répétition.
Plages temporellesÇa marcheLes trois plages consécutives de quatre secondes se sont déroulées dans l’ordre, chacune respectant exactement son état final « il ne reste que X ».
Attribuer les références et préciser les exclusionsÇa marcheAvec deux images de référence et des consignes d’exclusion claires, aucun des deux éléments à exclure n’est apparu. WAN 3.0 combine proprement une référence de personne et une référence de lieu sans aide supplémentaire, et une seule phrase d’exclusion suffit à verrouiller le résultat.
Des comportements observables plutôt que des mots d’émotionÇa marcheLes signes indiqués, regard fixe, respiration retenue, doigts immobiles, ont maintenu un jeu stable et précis dans le décor exact qui avait été demandé.
Décrire un terme de caméra par un changement visibleÇa marche, et ça vaut les mots en plusDécrire le résultat visuel attendu d’une bascule de mise au point a produit un passage net des feuilles au premier plan vers le sujet. Le terme « rack focus » utilisé seul n’a provoqué aucun changement de mise au point.
Ordre : sujet, action, scène, style, caméra, audioÇa marche, pour un contrôle précisUn simple prompt d’une ligne a suffi à produire un clip à plusieurs plans convaincant. La version structurée n’était pas plus belle, elle suivait les consignes : elle exécutait le seul mouvement de caméra demandé au lieu d’inventer son propre découpage.
Syntaxe entre crochets pour musique, effets, dialogues et sous-titresUtilise plutôt des phrases simplesWAN 3.0 comprend mieux la musique, les effets, les dialogues et le texte à l’écran quand tu les décris avec des phrases simples. Avec cette formulation, il a produit un carton-titre net, sans faute, qui est apparu en fondu puis est resté affiché.

En bref : garde la structure, laisse tomber la ponctuation. Les étapes, les états finaux, les références nommées, les exclusions et les détails observables fonctionnent. Décris le son et le texte avec des phrases simples.

Astuce son et texte : chaque clip intègre un audio natif. Décris donc la musique, les effets et les dialogues avec des phrases simples. Pour les titres à l’écran, choisis des mots courts et simples. Si le texte doit être précis au pixel près, ajoute-le au montage.

La formule de base du prompt

Sujet + Action ou événement + Scène et environnement + Style visuel + Mouvement de caméra ou coupe + Audio

WAN 3.0 comble les blancs avec assurance. Si tu ne précises rien sur la caméra, il choisit son propre découpage, souvent avec deux ou trois plans en cinq secondes. C’est très bien pour obtenir un clip qui semble déjà monté, moins quand tu veux un plan bien précis. Décris les éléments qui comptent pour toi et laisse-le inventer le reste.

Modèle de base
<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>.
Exemple testé
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.
Version simple : "Une femme prépare un café filtre à la main dans une cuisine."

Convaincant, mais le modèle a entièrement signé son propre film. Il a choisi la cuisine, alterné entre quatre configurations de prise de vue et terminé sur la carafe.

Structuré : le modèle ci-dessus

Un travelling avant, comme demandé. La lumière vient du côté indiqué, éclaire la vapeur, et le plan se termine sur le lit de café. Même seed que pour la version sans détails.

Les deux clips sont superbes. C’est justement l’idée : le prompt structuré ajoute un respect précis des consignes à la qualité que WAN 3.0 offre déjà. Utilise la formule quand le plan doit correspondre à ce que tu as en tête, et une seule ligne quand tu veux te laisser surprendre.

Clips longs : étapes et états finaux

Trente secondes en une seule génération, c’est la fonction phare. C’est aussi là que la structure du prompt fait le plus la différence. Divise le clip en étapes consécutives. Donne à chaque étape un changement principal et précise ce qui doit être visible à la fin. C’est l’état final qui fait le travail : il donne au modèle un point de contrôle à atteindre plutôt qu’une ambiance à maintenir.

Modèle pour clip long
[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.
Exemple testé sur 20 secondes
[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.
Mêmes événements, une seule phrase à rallonge

La roue est soulevée et reposée plusieurs fois, l’utilisation du support manque de clarté et la fin évoque difficilement une roue « suspendue à un crochet ».

Mêmes événements, trois étapes

Observe les états finaux : l’établi est dégagé une fois la roue sur le support, la clé reste en main à la fin du travail sur les rayons, et le support est visiblement vide une fois la roue accrochée au mur.

  • Un changement principal par étape. Avec deux changements dans la même étape, le modèle tend à ne retenir que le plus simple à générer.
  • Décris les états finaux comme des détails qu’on pourrait montrer du doigt : une surface vide, un objet dans une main bien précisée, une porte désormais fermée.
  • Reprends l’état final précédent comme état initial de l’étape suivante. Une ligne suffit pour préserver la cohérence spatiale.
  • Place la consigne de continuité à la fin, en précisant l’identité, les vêtements, la disposition et l’éclairage.

Repères temporels et rythme

Structure par étapes par défaut. Passe aux repères temporels quand une action doit tomber à un moment précis : un passage de relais, une entrée ou une transition. Les plages doivent se suivre sans se chevaucher.

Exemple testé sur 12 secondes
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.
Trois plages consécutives de quatre secondes

L’assiette, puis le verre, puis le vase. Chaque objet est retiré et la main sort du cadre avant le début de la plage suivante, exactement comme demandé dans les états finaux.

Les trois temps se sont enchaînés dans l’ordre, et chaque objet avait quitté le cadre avant l’arrivée du suivant. Traite une plage temporelle comme un budget de temps plutôt qu’un point de coupe exact. Ne demande pas une cadence d’événements comme trois actions en une seconde.

Le guide officiel ajoute une structure à plans numérotés pour maîtriser les coupes : une description globale sur une ligne, puis chaque plan avec son numéro et sa plage temporelle. Les sujets, les décors et l’atmosphère restent cohérents d’un plan à l’autre. L’inverse compte tout autant : si tu ne veux aucune coupe, utilise la phrase exacte "One continuous take". Sans cette précision, le modèle choisit lui-même son découpage.

Structure multi-plan officielle
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.

Images de référence : nomme les rôles et les exclusions

WAN 3.0 accepte jusqu’à dix images de référence. Comme il n’y a pas de prompt négatif, tout ce que tu veux exclure doit être indiqué dans le prompt. Attribue un seul rôle à chaque image et ajoute une consigne d’exclusion dès qu’elle contient un élément indésirable, ce qui arrive presque toujours : un portrait inclut un arrière-plan, une photo de lieu inclut souvent une personne.

Modèle de rôles des références
@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>.
Exemple testé avec deux images
@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.
Rôles et exclusions détaillés

Le chevalier de l’image 1, le ponton de l’image 2. Pas de fleurs de cerisier issues du fond de l’image 1, pas de pêcheur de l’image 2.

Témoin : aucun rôle indiqué, mêmes deux images

Ici aussi, WAN 3.0 a bien gardé chaque élément à sa place et a suivi de près la consigne « marche vers la caméra ». Les deux références se combinent proprement d’emblée.

L’image 1 était un portrait sur un fond de fleurs bien reconnaissable. L’image 2 montrait un ponton avec un homme appuyé contre un poteau. La version avec rôles et exclusions a conservé le chevalier et le ponton, sans les fleurs ni l’homme. La version témoin aussi, et autant le dire clairement : avec deux images séparant nettement une personne et un lieu, WAN 3.0 a compris tout seul quoi reprendre.

Continue quand même à préciser les rôles. Cela prend une ligne, élimine les ambiguïtés dès que tu dépasses deux images ou utilises des références aux contenus proches, et reste le seul moyen de formuler une exclusion maintenant que le prompt négatif a disparu.

  • Attribue un seul rôle à chaque image. N’écris pas que les images 1 à 4 définissent quatre personnages : cela ne dit jamais qui correspond à qui.
  • Si plusieurs images montrent le même sujet sous différents angles, précise qu’il s’agit du même sujet et indique combien doivent apparaître dans le résultat.
  • Choisis un seul point d’ancrage par plan : des images de référence pour retrouver un personnage, ou des images de début et de fin pour fixer précisément l’ouverture et la conclusion.
  • Besoin d’images de référence rapidement ? Le mode Fast offre la même qualité en quelques minutes.

Première et dernière images

Fournis une image de début : le clip s’ouvre dessus. Ajoute une image de fin : le modèle génère le mouvement entre les deux. C’est le mode à utiliser quand un plan doit commencer ou se terminer sur un élément précis.

Modèle
<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>.
Généré à partir d’une première image fournie

La première image reproduit l’image source. À la fin, le sujet a quitté le poteau et la caméra est passée derrière lui, alors que le prompt ne le demandait pas.

Notre test démarre exactement sur l’image fournie. Puis il va plus loin que le prompt : le sujet devait rester appuyé contre un poteau et tourner la tête, mais à la fin, il avait quitté le poteau et la caméra était passée derrière lui. Une image de début fixe l’ouverture, pas tout le clip. Si tu veux maintenir le plan, précise clairement ce qui ne doit pas changer.

Laisser le modèle choisir le format et la durée

Deux options n’ont pas d’équivalent sur la plupart des autres modèles. Règle le ratio sur adaptive : WAN 3.0 lit le prompt pour choisir le format. Règle la durée sur -1 : il choisit la longueur.

Exemple testé en mode adaptatif avec une durée de -1
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.
aspect_ratio: adaptive, duration: -1

Le prompt indique "vertical social ad", sans autre précision sur le format ou la durée. Le modèle a produit du 480 par 832, pour environ six secondes.

Ce prompt ne mentionne ni dimensions ni secondes. Il a produit un clip vertical d’environ six secondes. Avec une image de début à la place, adaptive a repris le ratio de l’image fournie. Décris l’usage du clip avec des mots, le réglage fait le reste.

  • Le mode adaptatif comprend l’intention derrière des expressions comme publicité verticale pour les réseaux sociaux, boucle carrée pour le fil ou bande-annonce grand écran.
  • La durée -1 est utile quand l’action a une longueur naturelle et que tu préfères éviter de l’étirer ou de la couper.
  • Fixe clairement les deux réglages pour raccorder le clip à un montage existant : les valeurs déduites varient d’une génération à l’autre.

Audio et texte à l’écran

Formules officielles : les dialogues écrits sous la forme Name says: "the exact line" sont repris mot pour mot. Une voix combine la réplique, l’émotion, l’intonation, le débit, le timbre et l’accent. Pour couper un canal, utilise les phrases exactes "No dialogue throughout the entire video" ou "No background music." Le modèle les traite comme des consignes, pas comme des descriptions.

Formule officielle pour la voix
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 comprend le son et le texte sous forme de phrases simples. Oublie donc les balises entre crochets que d’autres modèles utilisent pour la musique, les effets sonores, les dialogues et les sous-titres. Avec une formulation simple, il a produit un carton-titre net, sans faute, qui est apparu en fondu puis est resté affiché.

Le son est fiable et intégré nativement à chaque clip. Astuce : garde des mots courts et simples à l’écran. Pour une légende ou un titre essentiel à ton montage, ajoute le texte en postproduction pour un contrôle au pixel près.

À faire
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.
À éviter
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】
Balises entre crochets

La scène est réussie. Aucun carton-titre n’apparaît, et le même problème s’est reproduit sur une deuxième scène.

Même contenu, phrases simples

Notre meilleur résultat pour le texte : "Chapter One: The Keeper" apparaît en fondu, sans faute, puis reste à l’écran. La même formulation sur une scène de café n’a rien produit. C’est donc le meilleur cas, pas le résultat habituel.

  • Décris la musique dans une phrase, avec une ambiance et un instrument.
  • Décris les effets sonores comme des événements qui se produisent dans la scène.
  • Introduis les dialogues avec une formule simple qui nomme la personne qui parle.
  • Pour afficher du texte, décris-le : un sous-titre indiquant X apparaît à l’écran. Intègre le texte exact dans la phrase, puis vérifie le résultat et prépare-toi à l’ajouter en postproduction.
  • L’audio est généré dans tous les cas. Le désactiver ne réduit pas le coût d’une génération.

Direction du jeu

Les mots d’émotion donnent une direction et laissent le reste ouvert. WAN 3.0 remplit généreusement cet espace, souvent avec un jeu plus appuyé que prévu. Décrire deux à quatre signes observables permet de garder le jeu là où tu le veux.

Basé sur des signes observables, testé
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.
"Elle a l’air nerveuse et tendue"

L’expression passe de neutre à presque en larmes, tandis que le personnage se déplace discrètement des coulisses vers une scène éclairée.

Plutôt des signes observables

Regard fixe, respiration retenue, doigts immobiles, épaules relevées. Un état tout en retenue, maintenu pendant tout le clip, dans le décor demandé.

La version fondée sur des signes précis a conservé une expression retenue pendant tout le clip, exactement à l’endroit indiqué. Ces signes nommés donnent à WAN 3.0 une action précise à jouer, et il la joue.

Modèle de changement émotionnel
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>.

Langage caméra

Les tailles de plan et les mouvements de caméra simples fonctionnent tels quels. Les noms de techniques seuls sont moins fiables. Le meilleur résultat individuel de nos tests est venu d’une description du rendu attendu, plutôt que du nom de la technique.

TypeTermes qui fonctionnent tels quels
Taille de planextreme wide shot, wide shot, medium shot, close-up, extreme close-up
Mouvement de camérapush in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off
Position et point de vuelow angle, overhead view, first-person view

Terme caméra + Sujet ciblé + Changement visible + Relation entre premier plan et arrière-plan + Direction ou vitesse

Paire testée
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.
Terme seul : "Bascule de point dans une serre."

Le jardinier reste flou pendant tout le clip. Aucun changement de mise au point.

Terme et changement visible

Feuilles nettes et visage flou au début, visage net et feuilles floues à la fin, caméra fixe. Même seed que pour la version simple.

La version détaillée a produit un changement de mise au point net : feuilles du premier plan nettes et sujet flou au début, puis sujet net et feuilles floues à la fin, avec une caméra fixe. Le terme seul a laissé le sujet flou pendant tout le clip, sans aucun changement de mise au point. C’est l’écart le plus important de toute la série de tests, pour une seule phrase de plus.

Guide des réglages

RéglageValeursNotes
Durée2 to 30 seconds, or -1Une seule génération, aucun assemblage. Avec -1, le modèle choisit. Un test à -1 a donné environ six secondes pour un court plan produit.
Résolution480P, 720P, 1080PEn majuscules. Les clips testés en 480P sont sortis en 832 par 480 à 30fps.
Format16:9, 4:3, 1:1, 3:4, 9:16, adaptiveLe mode adaptatif déduit le format du prompt ou reprend celui de l’image fournie, le cas échéant.
Images de référenceJusqu’à 10À utiliser à la place des images de début et de fin sur un plan. Le mode Fast traite les générations avec références en quelques minutes.
Première et dernière imagesUn de chaqueÀ utiliser à la place des images de référence sur un plan. L’image de début fixe précisément l’ouverture.
AudioActivé ou désactivéNatif, dans le même fichier. Le coût reste le même dans les deux cas.
Prompt négatifNon pris en chargeSupprimé dans WAN 3.0. Mets les exclusions dans le prompt.
SeedEntierFixe ce réglage pour comparer deux prompts : seule la formulation doit changer.

Tire le meilleur de WAN 3.0

Certains réflexes venus d’autres modèles gagnent à être adaptés ici. Adopte ceux-ci pour tirer le maximum de chaque génération.

  • Vois long, en une seule prise. WAN 3.0 produit jusqu’à 30 secondes en une seule génération : prépare le plan entier au lieu d’assembler de courts clips.
  • Formule les exclusions avec des phrases. WAN 3.0 les suit directement dans le prompt, sans champ négatif séparé.
  • Fixe une première et une dernière image quand ton plan doit commencer et finir exactement là où tu le veux.
  • Choisis un seul point d’ancrage par plan : des images de référence pour retrouver un personnage, ou des images de début et de fin pour une trajectoire précise.
  • Pour modifier un élément dans un clip terminé, passe par nos outils de montage vidéo.

Avant de générer

  • Le prompt indique-t-il le sujet et l’action principale ?
  • Si le clip dépasse environ dix secondes, est-il divisé en étapes avec un seul changement par étape ?
  • Chaque étape précise-t-elle ce qui doit être visible à la fin ?
  • Chaque image de référence a-t-elle un seul rôle et, si nécessaire, une exclusion ?
  • Les exclusions sont-elles formulées en phrases, puisqu’il n’y a pas de prompt négatif ?
  • L’audio et le texte à l’écran sont-ils décrits en langage courant plutôt qu’avec des balises entre crochets ?
  • Le texte à l’écran est-il écrit exactement comme il doit apparaître ?
  • Les émotions sont-elles décrites par des comportements observables plutôt que par des mots d’ambiance ?
  • Chaque technique caméra nommée est-elle aussi décrite par un changement visible ?
  • Si le plan doit rester stable, le prompt précise-t-il ce qui ne doit pas changer ?
  • Le format et la durée sont-ils fixés, ou laissés volontairement en mode adaptatif et sur -1 ?