WAN 3.0 プロンプトガイド
WAN 3.0 プロンプトガイドは、仕様表ではなく、稼働中のモデルで実際に生成した結果をもとにまとめています。長尺クリップの段階構成、参照画像の役割と除外指定、最初と最後のフレーム、自動フレーミング、カメラワークの伝え方、そしてここでは通用しない定番テクニックを解説します。
WAN 3.0は、テキストプロンプト、最大10枚の参照画像、または開始フレームと終了フレームから動画を生成します。音声も映像と同時に生成され、同じファイルに収録されます。1回の生成で作れるクリップは2〜30秒。画面の縦横比も長さも、モデルに任せられます。
このガイドは仕様表ではなく、実際に稼働するモデルでの検証をもとに書いています。ページ内の動画はすべて、そのテストで生成したものを、モデルが出力した解像度のまま掲載しています。有効な手法にはテンプレートを用意しました。他のモデルで使える手法がここでは機能しない場合も、そのまま載せずに問題点を明記しています。
自転車のホイールの振れ取りを、最初から最後まで1本のクリップで描きます。プロンプトは3段階に分け、各段階の終了状態を明記。映像と同時に音声も生成されます。
Seedanceなどのモデルで身につけたプロンプトの書き方は、明確な例外が1つあるほかは、ほぼそのまま使えます。以下の各行は、実際に稼働するモデルで条件をそろえて比較しました。被写体、シード、長さは同じにして、検証する手法だけを変えています。
| 手法 | WAN 3.0での結果 | 検証で見えたこと |
|---|---|---|
| 終了状態を明記した段階構成 | 有効。ここでは最重要 | 20秒を3段階に分けたプロンプトでは、細かな指定も含め、すべての終了状態を再現しました。第1段階の終わりには作業台が片付き、第2段階の終わりには工具を手に持ったまま、最後にはスタンドが空になります。同じ出来事を区切りのない1文で書くと、同じ物を何度も扱う、流れの曖昧なクリップになりました。 |
| タイムスタンプの範囲 | 有効 | 連続する4秒の区間が3つ、順番どおりに再生されました。各区間で「Xだけが残る」という終了状態も、正確に守られています。 |
| 参照元の指定と使わない要素の除外 | 有効 | 2枚の参照画像に明確な除外指示を添えると、除外した2つの要素はどちらも現れませんでした。WAN 3.0は、人物と場所を別々の画像からきれいに合成できます。除外指示を1文加えれば、その分担を確実にできます。 |
| 感情を表す言葉ではなく、目に見える振る舞いで | 有効 | 一点を見つめる、息を止める、指を動かさないといった手がかりを指定すると、指定どおりの場面で、安定した正確な演技を維持しました。 |
| カメラ用語を、目に見える変化に置き換える | 有効。書く価値あり | ラックフォーカスで何がどう見えるべきかを書き出すと、手前の葉から被写体へ、きれいにピントが移りました。「ラックフォーカス」という用語だけでは、ピントはまったく変わりませんでした。 |
| 被写体、動作、シーン、スタイル、カメラ、音声の順 | 有効。細かく制御できる | 簡単な1行のプロンプトでも、複数ショットで構成された完成度の高いクリップになりました。構造化した版の強みは、美しさではなく指示への忠実さです。独自のカット割りを作る代わりに、指定した1つのカメラワークを実行しました。 |
| 音楽・効果音・セリフ・字幕の角括弧構文 | 代わりに普通の文章で書く | WAN 3.0では、音楽、効果音、セリフ、画面内の文字を普通の文章で伝えるのが最も効果的です。この書き方で、文字のつづりも正確な、すっきりしたタイトルカードがフェードインし、そのまま表示されました。 |
要点は、構成を残し、記号に頼らないこと。段階分け、終了状態、名前を付けた参照画像、除外指定、目に見える具体的な描写は、どれも機能します。音声と文字は普通の文章で書きます。
音声と文字のコツ: すべての動画に音声が標準で付くので、音楽、効果音、セリフは普通の文章で指定します。画面内のタイトルは短くシンプルに。ピクセル単位の正確さが必要な文字は、編集時に入れます。
被写体 + 動作または出来事 + シーンと環境 + ビジュアルスタイル + カメラの動きまたはカット + 音声
WAN 3.0は、指定のない部分を大胆に補います。カメラを指定しなければ、構図やカット割りもモデル任せ。5秒の中で2つ、3つのカメラセットアップを切り替えることもよくあります。完成度の高いクリップが欲しいときには便利ですが、狙った1ショットが必要なときには不向きです。こだわる部分だけを明確にし、残りはモデルに任せましょう。
<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.
完成度は高く、演出はすべてモデル任せ。キッチンを選び、4つの構図を切り替え、最後はカラフェで締めくくりました。
指示どおり、プッシュインは1回。指定した側から光が入り、湯気を照らし、最後はコーヒーの粉を捉えます。用語だけの版と同じシードです。
どちらのクリップも見事な仕上がりです。そこがポイントです。構造化したプロンプトは、WAN 3.0が常に提供する品質に、指示への正確な忠実さを加えます。頭の中のショットを再現したいならこの型を。意外な展開を楽しむなら1行で十分です。
1回で30秒を生成できることが最大の特長であり、プロンプトの構成が最も効くのもここです。動画を連続する段階に分けます。各段階の主な変化を1つに絞り、終わった時点で何が見えるべきかを書きます。効くのは、この終了状態です。雰囲気を維持させるのではなく、モデルが到達すべきチェックポイントを示せます。
[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.
車輪を持ち上げては置く動作を繰り返し、スタンドの使い方も曖昧です。最後の状態も「フックに掛けた」とは読み取りにくい結果です。
動作後の状態がどう再現されたかに注目してください。ホイールをスタンドに取り付けたら作業台の上は空に。スポークの作業が終わってもレンチは手に持ったまま。ホイールを壁に掛けたら、スタンドが空になったこともはっきり見えます。
基本はステージごとに指定します。受け渡し、登場、場面転換など、特定の動きを狙った瞬間に合わせたいときはタイムスタンプを使います。時間範囲は途切れなくつなぎ、重複させないでください。
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.
皿、グラス、花瓶の順に進みます。各区間の終了状態として指定したとおり、次の区間が始まる前に対象物が片づけられ、手もフレームの外へ出ます。
3つの展開はすべて順番どおりに進み、次の物が現れる前に、前の物が画面から消えました。時間の範囲は正確な編集点ではなく、使える時間の目安として扱います。「1秒に3つの動作」のように、一定時間内のイベント数は指定しないでください。
公式プロンプトガイドには、意図的にカットを入れるための番号付きショット形式があります。まず全体を1行で説明し、続いて各ショットに番号と時間範囲を付けます。被写体、設定、雰囲気はショット間で一貫させます。逆の指定も同じくらい重要です。カットを一切入れたくない場合は、"One continuous take"とそのまま書きます。指定しなければ、モデルが独自にカット構成を決めます。
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では最大10枚の参照画像を使えます。ネガティブプロンプトがないため、入れたくない要素もすべてプロンプト内で伝える必要があります。各画像の役割を1つに絞り、不要なものが写っていたら除外指示を添えましょう。ほとんどの場合、この指定が必要です。ポートレートには背景があり、ロケーション写真にはたいてい人物が写っています。
@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.
騎士は画像1から、桟橋は画像2から。画像1の背景にある桜と、画像2の釣り人は入れない。
ここでもWAN 3.0は2つの要素の役割を混同せず、「カメラに向かって歩く」という指示にも忠実でした。2枚の参照画像を、追加の調整なしできれいに合成できます。
画像1は、特徴的な花の背景があるポートレート。画像2は、柱にもたれる男性がいる桟橋でした。役割と除外内容を指定した版では、騎士と桟橋が残り、花と男性は消えました。比較用の版も同じ結果です。ここははっきり伝えておきます。人物と場所に明確に分かれた2枚なら、WAN 3.0は役割を自力で判断できました。
それでも、役割は書いておきましょう。たった1行で、画像が2枚を超えたり、参照画像の内容が重なったりしたときの曖昧さをなくせます。ネガティブプロンプトがなくなった今、除外内容を伝える唯一の方法でもあります。
開始フレームを指定すると、その画像から動画が始まります。終了フレームも指定すると、モデルが2枚の間をつなぐ動きを生成します。特定の画から始めたい、または特定の画で終えたいショットに使うモードです。
<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>.
冒頭のフレームは元画像を再現しています。ところが最後には、被写体は柱から離れ、カメラはその背後へ移動しています。どちらもプロンプトでは指示していません。
テストでは、指定したフレームどおりに動画が始まりました。その後は指示を超えて動きました。プロンプトでは、被写体が柱にもたれたまま顔を向けるよう指定しましたが、最後には柱から離れ、カメラも被写体の背後へ移動していました。開始フレームで固定できるのは冒頭であり、動画全体ではありません。ショットを維持したい場合は、変えてはいけない要素をはっきり書きます。
ここにある2つの設定は、ほとんどの他モデルにはありません。アスペクト比をadaptiveにすると、WAN 3.0がプロンプトを読み取り、画面の形を選びます。長さを-1にすると、尺もモデルが決めます。
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.
プロンプトには"vertical social ad"とだけ書き、画面の形や長さはほかに指定していません。モデルが生成したのは480 × 832、約6秒の動画でした。
このプロンプトには、縦横のサイズも秒数も書いていません。生成されたのは約6秒の縦型動画でした。代わりに開始フレームを指定すると、adaptiveはその画像の縦横比に合わせました。動画の用途を言葉で伝えれば、あとは設定が処理します。
公式の書式では、Name says: "the exact line"の形で書いたセリフが、そのまま保持されます。声の指定は、セリフに感情、抑揚、話す速さ、声質、アクセントを加えます。音声の種類ごとに無音にするには、"No dialogue throughout the entire video"または"No background music."をそのまま使います。モデルはこれらを描写ではなく指示として扱います。
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は音や文字の指示を普通の文章として読み取ります。ほかのモデルで使う、音楽、効果音、セリフ、字幕用の括弧付きマーカーは不要です。文章でそのまま伝えると、文字のつづりも正確な、すっきりしたタイトルカードがフェードインし、そのまま表示されました。
音声は安定しており、すべての動画に標準で付きます。コツは、画面内の文字を短くシンプルにすること。編集の要となる字幕やタイトルは、後から入れるとピクセル単位で正確に調整できます。
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】シーン自体は問題ありません。タイトルカードは一度も表示されず、別のシーンでも同じ結果でした。
文字が最もうまく出た結果では、"Chapter One: The Keeper"が正しいつづりでフェードインし、そのまま表示されました。同じ書き方でも、カフェのシーンでは何も表示されませんでした。これは典型例ではなく、うまくいったケースです。
感情の言葉は方向性だけを示し、残りをモデルに委ねます。WAN 3.0はその余白を大きく埋めるため、多くの場合、意図よりも大げさな演技になります。目に見える手がかりを2から4つ挙げれば、狙った演技に収まります。
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.
無表情から始まり、泣き出す寸前の表情へ変化します。同時に、彼女の位置はいつの間にか舞台裏から照明の当たるステージ上へ移っています。
一点を見つめ、息を止め、指を動かさず、肩を上げる。指定した場面で、抑えた緊張状態をクリップ全体にわたって維持しました。
具体的な演技の指示を使った版では、指定した箇所で控えめな1つの状態を動画全体にわたって維持しました。演技の手がかりを具体的に示すと、WAN 3.0は何を表現すべきかを正確につかみ、そのとおりに実行します。
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>.
一般的なショットサイズやカメラの動きは、そのまま書けば伝わります。一方、撮影技法の名前だけでは安定しません。テストで最も大きな差が出たのは、技法名ではなく、画面上でどう見えるべきかを書き出したケースでした。
| 種類 | そのままで伝わる用語 |
|---|---|
| ショットサイズ | extreme wide shot, wide shot, medium shot, close-up, extreme close-up |
| カメラの動き | push in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off |
| 位置と視点 | low angle, overhead view, first-person view |
カメラ用語 + 対象の被写体 + 目に見える変化 + 前景と背景の関係 + 方向または速度
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.
庭師は動画全体を通してぼけたままです。ピントの移動は一度も起きません。
開始時は葉にピントを合わせ、顔をぼかす。終了時は顔にピントを合わせ、葉をぼかす。カメラは固定。用語だけの版と同じシードを使用しています。
動きを文章で説明した版では、きれいにピントが移動しました。冒頭は手前の葉にピントが合い、被写体はぼけています。最後は被写体にピントが合い、葉がぼけます。カメラは固定されたままです。用語だけの版では、被写体は終始ぼけたままで、ピントは移動しませんでした。全テストで最も大きな差が出たのがこの比較です。必要なのは、たった一文の追加です。
| 設定 | 値 | 補足 |
|---|---|---|
| 長さ | 2 to 30 seconds, or -1 | 1回の生成で完結。つなぎ合わせは不要です。-1にすると、長さはモデルが決めます。短い商品ショットを-1でテストしたところ、約6秒の動画が生成されました。 |
| 解像度 | 480P, 720P, 1080P | 大文字で指定します。480Pでテストした動画は、832 × 480、30fpsで出力されました。 |
| アスペクト比 | 16:9, 4:3, 1:1, 3:4, 9:16, adaptive | 自動設定ではプロンプトから画面の形を判断し、フレーム画像がある場合はその形に合わせます。 |
| 参照画像 | 最大10枚 | ショットの開始・終了フレームの代わりに使います。Fastモードなら、参照画像を使った生成も数分で完了します。 |
| 最初と最後のフレーム | それぞれ1つ | ショットの参照画像の代わりに使います。開始フレームで冒頭の画を正確に指定できます。 |
| 音声 | オン/オフ | 音声はネイティブ生成され、同じファイルに収録されます。設定にかかわらずコストは同じです。 |
| ネガティブプロンプト | 非対応 | WAN 3.0では廃止。除外要素はプロンプト本文に書きます。 |
| シード | 整数 | 2つのプロンプトを比較するときは固定し、文面だけを変えます。 |
ほかのモデルで身につけた書き方も、ここでは少し変えるだけで効果が上がります。押さえれば、毎回の生成を活かせます。