Guida ai prompt WAN 3.0
Questa guida ai prompt WAN 3.0 nasce da generazioni eseguite sul modello in produzione, non da una scheda tecnica. Struttura a fasi per clip lunghe, ruoli ed esclusioni delle immagini di riferimento, fotogrammi iniziali e finali, formato adattivo, linguaggio di camera e una tecnica comune che qui non funziona.
WAN 3.0 genera video da un prompt testuale, da un massimo di dieci immagini di riferimento o da un fotogramma iniziale e uno finale. L'audio viene generato insieme al video ed è incluso nello stesso file. Le clip durano da 2 a 30 secondi con una singola generazione e il modello può scegliere per te sia il formato dell'inquadratura sia la durata.
Questa guida nasce dai test sul modello attivo, non da una scheda tecnica. Ogni clip della pagina proviene da quei test ed è mostrata alla risoluzione restituita dal modello. Per ogni tecnica che funziona trovi un modello di prompt. Quando una tecnica valida su altri modelli qui non funziona, lo segnaliamo invece di lasciarla passare.
Una ruota di bicicletta viene centrata dall'inizio alla fine in un'unica clip. Il prompt è scritto in tre fasi, ciascuna con uno stato finale ben definito. L'audio viene generato insieme alle immagini.
Le abitudini di prompting sviluppate con Seedance e modelli simili restano per lo più valide, con una netta eccezione. Ogni riga qui sotto è stata testata sul modello attivo con una coppia di generazioni a confronto: stesso soggetto, stesso seed, stessa durata. Cambia solo la tecnica da verificare.
| Tecnica | Risultato su WAN 3.0 | Cosa abbiamo osservato |
|---|---|---|
| Fasi con condizioni finali ben definite | Funziona, qui conta più di tutto | Un prompt di 20 secondi diviso in tre fasi ha rispettato tutti gli stati finali indicati, anche i dettagli: banco sgombro dopo la prima fase, attrezzo ancora in mano alla fine della seconda, supporto vuoto alla fine. Gli stessi eventi scritti in un'unica frase senza pause hanno prodotto una clip più confusa, in cui lo stesso oggetto veniva ripreso in mano più volte. |
| Intervalli temporali | Funziona | I tre intervalli consecutivi di quattro secondi sono stati eseguiti in ordine, rispettando esattamente la condizione finale "resta solo X" di ciascuno. |
| Assegnare i riferimenti ed escludere cosa non usare | Funziona | Con due immagini di riferimento e frasi di esclusione chiare, nessuno dei due elementi esclusi è comparso. WAN 3.0 combina in modo pulito una persona e un luogo da due immagini separate, senza altri interventi. Basta una frase di esclusione per fissare il risultato. |
| Comportamenti osservabili, non parole che descrivono emozioni | Funziona | I segnali indicati, sguardo fisso, respiro trattenuto e dita immobili, hanno mantenuto un'interpretazione costante e precisa, esattamente nell'ambientazione richiesta. |
| Da termine di ripresa a cambiamento visibile | Funziona, vale le parole in più | Descrivere per esteso l'effetto desiderato del cambio di fuoco ha prodotto un passaggio pulito dalle foglie in primo piano al soggetto. Il solo termine "rack focus" non ha prodotto alcun cambio di messa a fuoco. |
| Ordine: soggetto, azione, scena, stile, camera, audio | Funziona, offre un controllo preciso | Anche un semplice prompt di una riga ha prodotto una buona clip con più inquadrature. La versione strutturata non era più bella, era più fedele: ha eseguito l'unico movimento di camera richiesto, invece di inventarsi le inquadrature. |
| Sintassi tra parentesi quadre per musica, effetti, dialoghi e sottotitoli | Usa invece frasi semplici | WAN 3.0 interpreta al meglio musica, effetti, dialoghi e testo a schermo quando li descrivi con frasi semplici. Con queste indicazioni ha prodotto un cartello pulito, senza errori di ortografia, che è apparso in dissolvenza ed è rimasto a schermo. |
In breve: mantieni la struttura, lascia perdere la punteggiatura. Fasi, condizioni finali, riferimenti nominati, esclusioni e dettagli osservabili funzionano. Per audio e testo, usa frasi semplici.
Consiglio per audio e testo: ogni clip include audio nativo, quindi descrivi musica, effetti e dialoghi con frasi semplici. Per i titoli a schermo, usa parole brevi e semplici. Se il testo deve essere preciso al pixel, aggiungilo in montaggio.
Soggetto + Azione o evento + Scena e ambiente + Stile visivo + Movimento di camera o stacco + Audio
Guida ai prompt WAN 3.0: il modello colma i vuoti con sicurezza. Se non dai indicazioni sulla camera, sceglie da solo le inquadrature, spesso alternandone due o tre nell'arco di cinque secondi. Ottimo se vuoi una clip dall'aspetto già montato, meno se ti serve una ripresa precisa. Specifica ciò che conta per te e lascia che inventi il 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.
Ben realizzato, ma è interamente il film del modello. Ha scelto la cucina, alternato quattro inquadrature e chiuso sulla caraffa.
Un solo avvicinamento della camera, come richiesto. La luce arriva dal lato indicato, illumina il vapore e la ripresa si chiude sul letto di caffè. Stesso seed della versione essenziale.
Entrambe le clip sono ottime. È proprio questo il punto: il prompt strutturato aggiunge un'esecuzione precisa alla qualità che WAN 3.0 offre sempre. Usa la formula quando l'inquadratura deve corrispondere a ciò che hai in testa, e una sola riga quando vuoi lasciarti sorprendere.
Trenta secondi in una sola generazione sono la funzione di punta. Ed è proprio qui che la struttura del prompt fa la differenza. Dividi la clip in fasi consecutive. Assegna a ogni fase un cambiamento principale e indica cosa deve essere visibile alla fine. È la condizione finale a fare il lavoro: dà al modello un obiettivo da raggiungere, non un'atmosfera da mantenere.
[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 ruota viene sollevata e riappoggiata più volte, il supporto viene usato in modo ambiguo e nel finale è difficile capire se sia "appesa a un gancio".
Osserva come vengono rispettate le condizioni finali: il banco è libero quando la ruota è sul supporto, la chiave è ancora in mano al termine del lavoro sui raggi, il supporto è visibilmente vuoto quando la ruota è appesa alla parete.
Usa le fasi come impostazione di base. Passa ai timestamp quando un'azione deve avvenire in un momento preciso, come un passaggio di mano, un ingresso o una transizione. Gli intervalli devono essere consecutivi e non sovrapporsi.
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.
Prima il piatto, poi il bicchiere, poi il vaso. Ogni oggetto viene rimosso e la mano esce dall'inquadratura prima dell'intervallo successivo, esattamente come richiesto dalle condizioni finali.
Tutti e tre i passaggi si sono svolti in ordine e ogni oggetto è uscito dall'inquadratura prima dell'arrivo del successivo. Considera un intervallo come un tempo a disposizione, non come un punto di montaggio esatto, e non chiedere un ritmo di eventi come tre azioni in un secondo.
La guida ufficiale ai prompt aggiunge una struttura con inquadrature numerate per ottenere stacchi intenzionali: una descrizione generale di una riga, poi ogni inquadratura con il proprio numero e intervallo temporale. Soggetti, ambientazioni e atmosfera restano coerenti tra le inquadrature. Vale anche il contrario: se non vuoi alcuno stacco, usa la frase esatta "One continuous take". Se non lo specifichi, il modello decide da solo come riprendere la scena.
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 accetta fino a dieci immagini di riferimento. Non c'è un prompt negativo, quindi tutto ciò che vuoi tenere fuori va indicato nel prompt. Assegna a ogni immagine un solo compito e aggiungi un'esclusione ogni volta che contiene qualcosa che non vuoi, cioè quasi sempre: un ritratto porta con sé uno sfondo, la foto di un luogo di solito include 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.
Cavaliere dall'immagine 1, molo dall'immagine 2. Niente fiori di ciliegio dallo sfondo dell'immagine 1, niente pescatore dall'immagine 2.
Anche qui WAN 3.0 ha mantenuto distinti i due elementi e seguito fedelmente l'indicazione "cammina verso la camera". Combina due immagini di riferimento in modo pulito, senza accorgimenti aggiuntivi.
L'immagine 1 era un ritratto con uno sfondo di fiori caratteristico. L'immagine 2 mostrava un molo con un uomo appoggiato a un palo. La versione con ruoli ed esclusioni ha mantenuto il cavaliere e il molo, eliminando sia i fiori sia l'uomo. Anche la versione di controllo ha fatto lo stesso, ed è giusto dirlo chiaramente: con due immagini nettamente distinte tra persona e luogo, WAN 3.0 ha capito da solo come usarle.
Continua comunque a indicare i ruoli. Basta una riga: elimina le ambiguità appena superi le due immagini o usi riferimenti con soggetti simili. Inoltre, ora che il prompt negativo non c'è più, è l'unico modo per indicare un'esclusione.
Fornisci un primo fotogramma e la clip si aprirà su quello. Aggiungi anche un ultimo fotogramma e il modello genererà il movimento tra i due. È la modalità da usare quando una ripresa deve iniziare o finire su un elemento preciso.
<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>.
Il fotogramma iniziale riproduce l'immagine di partenza. Alla fine il soggetto si è allontanato dal palo e la camera si è spostata dietro di lui, senza che il prompt lo richiedesse.
Nel nostro test, l'apertura ha riprodotto con precisione il fotogramma fornito. Poi il modello è andato oltre il prompt: il soggetto doveva restare appoggiato a un palo e girare la testa, ma alla fine si era allontanato dal palo e la camera si era spostata dietro di lui. Il primo fotogramma fissa l'apertura, non l'intera clip. Se vuoi mantenere l'inquadratura, scrivi chiaramente cosa non deve cambiare.
Due opzioni qui non hanno un equivalente sulla maggior parte degli altri modelli. Imposta le proporzioni su adaptive e WAN 3.0 leggerà il prompt per scegliere il formato. Imposta la durata su -1 e sceglierà la lunghezza.
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.
Il prompt dice "spot verticale per i social" e non specifica altro su formato o durata. Il modello ha restituito 480 per 832, per circa sei secondi.
Quel prompt non indica mai dimensioni o secondi. Ha prodotto una clip verticale di circa sei secondi. Fornendo invece un primo fotogramma, adaptive ha mantenuto le proporzioni dell'immagine caricata. Scrivi a cosa serve la clip: l'impostazione fa il resto.
Formule ufficiali: i dialoghi scritti come Name says: "the exact line" vengono mantenuti parola per parola. Una voce si definisce con battuta, emozione, intonazione, velocità del parlato, timbro e accento. Per silenziare un canale, usa le frasi esatte "No dialogue throughout the entire video" o "No background music.". Il modello le tratta come istruzioni, non come descrizioni.
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 suoni e testo come frasi semplici: evita quindi i marcatori tra parentesi che altri modelli usano per musica, effetti sonori, dialoghi e sottotitoli. Con indicazioni in linguaggio naturale ha prodotto un cartello pulito, senza errori di ortografia, che è apparso in dissolvenza ed è rimasto a schermo.
L'audio è affidabile e incluso nativamente in ogni clip. Un consiglio: usa parole brevi e semplici a schermo. Se una didascalia o un titolo è decisivo per il montaggio, aggiungilo in post-produzione per un controllo preciso al pixel.
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 scena funziona. Non compare alcuna schermata con il titolo, e lo stesso è successo con una seconda scena.
Il miglior risultato ottenuto con il testo: "Chapter One: The Keeper" appare in dissolvenza, scritto correttamente, e resta sullo schermo. La stessa formulazione applicata a una scena in un bar non ha prodotto nulla: questo è il caso riuscito, non quello tipico.
Le parole che descrivono un'emozione danno una direzione e lasciano aperto il resto. WAN 3.0 riempie quello spazio con generosità, di solito con un'interpretazione più marcata di quanto volevi. Indicare da due a quattro segnali osservabili mantiene l'interpretazione dove vuoi tu.
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.
Parte da un'espressione neutra e arriva quasi alle lacrime. Nel frattempo, senza che fosse richiesto, la sposta dal dietro le quinte a un palco illuminato.
Sguardo fisso, respiro trattenuto, dita immobili, spalle sollevate. Un unico stato controllato, mantenuto per tutta la clip, nell'ambientazione richiesta.
La versione basata su segnali precisi ha mantenuto un unico stato ben circoscritto per tutta la clip, esattamente nel punto indicato. I segnali nominati danno a WAN 3.0 un'azione precisa da eseguire, e il modello la esegue.
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>.
I nomi comuni dei piani e dei movimenti di camera funzionano così come sono. I nomi delle tecniche, da soli, sono meno affidabili. Il miglior risultato singolo dei nostri test è arrivato descrivendo l'effetto visivo di una tecnica, anziché limitarsi a nominarla.
| Tipo | Termini che funzionano così come sono |
|---|---|
| Tipo di piano | extreme wide shot, wide shot, medium shot, close-up, extreme close-up |
| Movimento di camera | push in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off |
| Posizione e punto di vista | low angle, overhead view, first-person view |
Tecnica di camera + Soggetto da inquadrare + Cambiamento visibile + Relazione tra primo piano e sfondo + Direzione o velocità
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.
Il giardiniere resta fuori fuoco per tutta la clip. Non avviene alcun cambio di fuoco.
Foglie a fuoco e volto sfocato all'inizio, volto a fuoco e foglie sfocate alla fine, camera fissa. Stesso seed della versione essenziale.
La versione descritta per esteso ha prodotto un cambio di fuoco pulito: all'inizio foglie in primo piano nitide e soggetto sfocato, alla fine soggetto nitido e foglie sfocate, con la camera fissa. Il solo termine tecnico ha lasciato il soggetto sfocato per tutta la clip, senza alcun cambio di fuoco. È stata la differenza più marcata dell'intera serie di test, e basta una frase in più.
| Impostazione | Valori | Note |
|---|---|---|
| Durata | 2 to 30 seconds, or -1 | Una sola generazione, nessuna clip da unire. Con -1 decide il modello. In un test con -1, una breve ripresa di prodotto è durata circa sei secondi. |
| Risoluzione | 480P, 720P, 1080P | In maiuscolo. Le clip di test a 480P sono state restituite a 832 per 480 a 30fps. |
| Formato | 16:9, 4:3, 1:1, 3:4, 9:16, adaptive | La modalità adattiva ricava il formato dal prompt oppure lo adatta al fotogramma fornito, quando presente. |
| Immagini di riferimento | Fino a 10 | Da usare al posto del primo e dell'ultimo fotogramma per una ripresa. La modalità Fast completa le generazioni con immagini di riferimento in pochi minuti. |
| Primo e ultimo fotogramma | Uno per tipo | Da usare al posto delle immagini di riferimento per una ripresa. Il primo fotogramma fissa con precisione l'apertura. |
| Audio | Attivo o disattivo | Nativo, nello stesso file. Il costo resta uguale in ogni caso. |
| Prompt negativo | Non supportato | Rimosso in WAN 3.0. Scrivi le esclusioni nel prompt. |
| Seed | Numero intero | Fissala quando confronti due prompt, così cambia solo il testo. |
Alcune abitudini che usi con altri modelli qui possono fare un salto di qualità. Segui questi accorgimenti e fai contare ogni generazione.