WAN 3.0 promptguide
Denne WAN 3.0 promptguiden bygger på faktiske genereringer med modellen i drift, ikke et spesifikasjonsark. Her får du fasestruktur for lange klipp, roller og utelatelser for referansebilder, første og siste bilde, adaptivt bildeformat, kameraspråk og den ene vanlige teknikken som ikke fungerer her.
WAN 3.0 genererer video fra en tekstprompt, fra opptil ti referansebilder eller fra en start- og sluttramme. Lyden genereres sammen med bildet og leveres i samme fil. Klippene varer fra 2 til 30 sekunder i én generering, og modellen kan velge både bildeformat og lengde for deg.
Denne guiden bygger på testing av den aktive modellen, ikke på et spesifikasjonsark. Hvert klipp på denne siden er en av disse testgenereringene, vist i oppløsningen modellen leverte. Når en teknikk fungerer, får du en mal. Når en teknikk fra andre modeller ikke fungerer her, sier vi fra i stedet for å la den stå uimotsagt.
Et sykkelhjul rettes fra start til slutt i ett klipp. Skrevet som tre faser med en tydelig sluttilstand for hver. Lyden genereres sammen med bildet.
Måten du prompter på i Seedance og lignende modeller, fungerer stort sett her også, med ett tydelig unntak. Hver rad nedenfor ble testet som et sammenlignbart par mot den aktive modellen: samme motiv, samme seed og samme varighet. Bare teknikken som ble testet, ble endret.
| Teknikk | Resultat i WAN 3.0 | Dette så vi |
|---|---|---|
| Faser med tydelig angitt sluttilstand | Fungerer og betyr mest her | En prompt på 20 sekunder med tre faser traff alle de angitte sluttilstandene, også de små: arbeidsbenken ryddet etter første fase, verktøyet fortsatt i hånden ved slutten av andre fase, stativet tomt til slutt. De samme hendelsene skrevet som én lang setning ga et mer rotete klipp der det samme objektet ble håndtert om igjen. |
| Tidsintervaller | Fungerer | Tre sammenhengende intervaller på fire sekunder ble spilt av i riktig rekkefølge, og hvert av dem fulgte sluttilstanden "bare X gjenstår" nøyaktig. |
| Angi referanser og hva som skal utelates | Fungerer | Med to referansebilder og tydelige setninger om hva som skulle utelates, dukket ingen av de uønskede elementene opp. WAN 3.0 kombinerer en person fra ett bilde og et sted fra et annet sømløst på egen hånd. Én setning om hva som skal utelates, sikrer resultatet. |
| Synlig atferd fremfor følelsesord | Fungerer | Navngitte signaler som fast blikk, holdt pust og fingre i ro ga et stabilt, presist skuespill i akkurat de omgivelsene som ble bestilt. |
| Fra kamerabegrep til synlig endring | Fungerer og er verdt ordene | Å beskrive hvordan et fokusskifte skulle se ut, ga et rent fokusskifte fra blader i forgrunnen til motivet. Begrepet «rack focus» alene ga ingen fokusendring. |
| Rekkefølge: motiv, handling, scene, stil, kamera, lyd | Fungerer og gir presis kontroll | En enkel prompt på én linje ga likevel et solid klipp med flere innstillinger. Den strukturerte versjonen var ikke penere, den fulgte instruksjonene: Den utførte den ene kamerabevegelsen som ble bestilt, i stedet for å finne på egne innstillinger. |
| Klammeparentessyntaks for musikk, effekter, dialog og undertekster | Bruk vanlige setninger i stedet | WAN 3.0 forstår musikk, effekter, dialog og tekst på skjermen best som vanlige setninger. Formulert slik leverte modellen en ren tittelplakat med korrekt stavet tekst som tonet inn og ble stående. |
Kortversjonen: Behold strukturen, dropp tegnsettingen. Faser, sluttilstander, navngitte referanser, utelatelser og synlige detaljer fungerer. Skriv lyd og tekst som vanlige setninger.
Profftips for lyd og tekst: Alle klipp kommer med innebygd lyd, så beskriv musikk, effekter og dialog i vanlige setninger. Hold titler i bildet korte og enkle. Tekst som må være pikselnøyaktig, legger du inn i redigeringen.
Motiv + Handling eller hendelse + Scene og omgivelser + Visuell stil + Kamerabevegelse eller klipp + Lyd
WAN 3.0 fyller inn hullene med selvtillit. Lar du være å spesifisere kameraet, velger modellen sine egne utsnitt, ofte med klipp mellom to eller tre kameraoppsett på fem sekunder. Det fungerer fint når du vil ha et ferdigprodusert klipp, men dårlig når du trenger én bestemt tagning. Beskriv delene som betyr noe for deg, og la modellen finne på resten.
<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.
Solid, og helt modellens egen film. Den valgte kjøkkenet, klippet mellom fire innstillinger og avsluttet på kaffekaraffelen.
Én innkjøring med kameraet, som bestilt. Lys fra angitt side, damp som fanger lyset, og en avslutning på kaffen i filteret. Samme seed som i versjonen uten utdyping.
Begge klippene ser bra ut. Det er poenget: Den strukturerte prompten gir presis styring i tillegg til kvaliteten WAN 3.0 alltid leverer. Bruk oppskriften når opptaket skal treffe det du ser for deg, og én linje når du gjerne vil bli overrasket.
Tretti sekunder i én generering er hovedfunksjonen, og det er også her promptstrukturen gir størst uttelling. Del klippet inn i sammenhengende faser. Gi hver fase én hovedendring, og si hva som skal være synlig når den slutter. Det er sluttilstanden som gjør jobben: Den gir modellen et kontrollpunkt å nå, fremfor en stemning å opprettholde.
[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.
Hjulet løftes opp og settes ned gjentatte ganger, bruken av stativet er uklar, og avslutningen er vanskelig å tolke som "hengt på en krok".
Se hvordan sluttilstandene treffer: Arbeidsbenken er ryddet når hjulet står i stativet, skiftenøkkelen er fortsatt i hånden når arbeidet med eikene er ferdig, og stativet er synlig tomt når hjulet henger på veggen.
Bruk faser som standard. Bruk tidsstempler når noe skal skje på et bestemt tidspunkt, som en overlevering, en entré eller en overgang. Tidsintervallene skal følge rett etter hverandre uten overlapp.
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.
Tallerken, så glass, så vase. Hver gjenstand fjernes, og hånden forlater bildet før neste tidsintervall starter, akkurat som sluttbeskrivelsene ba om.
Alle tre hendelsene kom i riktig rekkefølge, og hvert objekt var ute av bildet før det neste kom inn. Se på et tidsintervall som et tidsbudsjett, ikke et nøyaktig klippepunkt. Ikke be om en bestemt hendelsestakt, som tre handlinger på ett sekund.
Den offisielle promptguiden legger til et format med nummererte opptak for bevisste klipp: én linje med en overordnet beskrivelse, deretter hvert opptak med eget nummer og tidsintervall. Motiver, omgivelser og stemning holder seg konsistente på tvers av opptakene. Det motsatte er like viktig: Vil du ikke ha noen klipp, må du bruke den nøyaktige frasen "One continuous take". Uten en slik instruksjon velger modellen utsnitt og klipping selv.
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 tar opptil ti referansebilder. Siden modellen ikke har en negativ prompt, må alt du vil holde utenfor, beskrives i selve prompten. Gi hvert bilde én oppgave, og legg til en setning om hva som skal utelates når bildet inneholder noe du ikke vil ha med. Det gjør det nesten alltid: Et portrett har en bakgrunn, og et bilde av et sted har som regel en 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.
Ridderen fra bilde 1, brygga fra bilde 2. Ingen kirsebærblomster fra bakgrunnen i bilde 1, ingen fisker fra bilde 2.
WAN 3.0 holdt også her de to elementene atskilt og fulgte «går mot kameraet» nøye. To referanser kombineres sømløst uten ekstra grep.
Bilde 1 var et portrett med en særegen blomsterbakgrunn. Bilde 2 viste en brygge med en mann lent mot en stolpe. Versjonen med roller og utelatelser beholdt ridderen og brygga, og fjernet både blomstene og mannen. Det gjorde kontrollversjonen også, og det er verdt å si rett ut: Med to bilder som tydelig fordelte seg på en person og et sted, skjønte WAN 3.0 oppgaven på egen hånd.
Skriv rollene likevel. De koster én linje og fjerner gjettingen så snart du bruker mer enn to bilder eller referanser med overlappende motiver. Og nå som den negative prompten er borte, er de den eneste måten å angi hva som skal utelates på.
Legg inn en startramme, så åpner klippet med den. Legger du også inn en sluttramme, genererer modellen bevegelsen mellom de to. Bruk denne modusen når et opptak må starte eller ende på noe bestemt.
<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>.
Åpningsbildet gjengir kildebildet. Ved slutten har personen forlatt stolpen, og kameraet har beveget seg bak ham, noe prompten aldri ba om.
Testen vår startet nøyaktig på bildet vi la inn. Deretter gikk den lenger enn prompten ba om: Instruksjonen var at personen skulle bli stående lent mot en stolpe og snu hodet. Ved slutten hadde han forlatt stolpen, og kameraet hadde beveget seg bak ham. En startramme forankrer åpningen, ikke hele klippet. Si derfor tydelig hva som ikke skal endres hvis du trenger at opptaket holder seg stabilt.
To valg her har ingen motsvar hos de fleste andre modeller. Sett sideforholdet til adaptive, så leser WAN 3.0 prompten og velger bildeformatet. Sett varigheten til -1, så velger den lengden.
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.
Prompten sier "vertical social ad" og ingenting annet om format eller lengde. Modellen ga 480 ganger 832, omtrent seks sekunder.
Den prompten nevner verken dimensjoner eller sekunder. Den ga et vertikalt klipp på omtrent seks sekunder. Med en startramme i stedet tilpasset adaptive sideforholdet til bildet som ble lagt inn. Si med ord hva klippet skal brukes til, så tar innstillingen seg av resten.
Offisielle formler: Dialog skrevet som Name says: "the exact line" bevares ordrett. En stemme består av replikken pluss følelse, intonasjon, taletempo, klang og aksent. For å dempe en kanal bruker du de nøyaktige frasene "No dialogue throughout the entire video" eller "No background music." Modellen behandler dem som instruksjoner, ikke beskrivelser.
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 forstår lyd og tekst som vanlige setninger, så dropp markørene i hakeparenteser som andre modeller bruker for musikk, lydeffekter, dialog og undertekster. Med vanlig tekst leverte modellen en ren tittelplakat med korrekt stavet tekst som tonet inn og ble stående.
Lyden er pålitelig og følger med som en innebygd del av hvert klipp. Profftips: Hold ordene i bildet korte og enkle. Er en bildetekst eller tittel avgjørende for redigeringen, legger du den på i etterarbeidet for pikselnøyaktig kontroll.
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】Scenen er fin. Ingen tittelplakat dukker opp, og det samme skjedde i en annen scene.
Det beste tekstresultatet vi fikk: "Chapter One: The Keeper" tones inn, riktig stavet, og blir stående. Den samme formuleringen i en kaféscene ga ingen tekst, så dette er et godt resultat, ikke det typiske.
Følelsesord gir en retning og lar resten stå åpent. WAN 3.0 fyller det rommet raust, og vanligvis med større uttrykk enn du hadde tenkt. To til fire observerbare signaler holder skuespillet der du vil ha det.
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.
Starter nøytralt og bygger seg opp til et uttrykk på gråten, samtidig som hun ubemerket flyttes fra bak scenen til en opplyst scene.
Fast blikk, holdt pust, fingre i ro, hevede skuldre. Én behersket tilstand, holdt gjennom hele klippet, i omgivelsene som ble bestilt.
Versjonen med konkrete uttrykk holdt ett avgrenset uttrykk gjennom hele klippet, akkurat der det var plassert. Navngitte uttrykk gir WAN 3.0 noe presist å fremføre, og modellen gjør det.
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>.
Vanlige bildeutsnitt og kamerabevegelser fungerer når du beskriver dem rett frem. Navngitte teknikker er mindre pålitelige alene. Det sterkeste enkeltresultatet i testene våre kom da vi beskrev hvordan en teknikk skulle se ut, fremfor bare å navngi den.
| Type | Begreper som fungerer som skrevet |
|---|---|
| Bildeutsnitt | extreme wide shot, wide shot, medium shot, close-up, extreme close-up |
| Kamerabevegelse | push in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off |
| Plassering og synsvinkel | low angle, overhead view, first-person view |
Kamerabegrep + hovedmotiv + synlig endring + forhold mellom forgrunn og bakgrunn + retning eller hastighet
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.
Gartneren forblir uskarp gjennom hele klippet. Fokus flyttes aldri.
Bladene er skarpe og ansiktet uskarpt i starten, ansiktet skarpt og bladene uskarpe til slutt, låst kamera. Samme seed som i den enkle versjonen.
Den utførlige versjonen ga en ren fokusovergang: skarpe blader i forgrunnen og uskarpt motiv i starten, skarpt motiv og uskarpe blader mot slutten, med låst kamera. Fagbegrepet alene lot motivet være uskarpt gjennom hele klippet og flyttet aldri fokus. Dette var den største enkeltforskjellen i hele testserien, og det koster én ekstra setning.
| Innstilling | Verdier | Merknader |
|---|---|---|
| Varighet | 2 to 30 seconds, or -1 | Én generering, ingen sammensying. -1 lar modellen velge. En test med -1 ga omtrent seks sekunder for et kort produktklipp. |
| Oppløsning | 480P, 720P, 1080P | Store bokstaver. Testklipp i 480P kom tilbake som 832 ganger 480 ved 30fps. |
| Sideforhold | 16:9, 4:3, 1:1, 3:4, 9:16, adaptive | Adaptiv utleder bildeformatet fra prompten, eller matcher bildet du legger ved. |
| Referansebilder | Opptil 10 | Bruk i stedet for start- og sluttrammer i et opptak. Fast-modus leverer genereringer med referansebilder på få minutter. |
| Første og siste bilde | Én av hver | Bruk i stedet for referansebilder i et opptak. Startrammen angir den nøyaktige åpningen. |
| Lyd | På eller av | Innebygd, i samme fil. Prisen er den samme uansett. |
| Negativ prompt | Støttes ikke | Fjernet i WAN 3.0. Skriv det du vil utelate, i prompten. |
| Seed | Heltall | Lås den når du sammenligner to prompter, slik at bare ordlyden endres. |
Noen vaner fra andre modeller kan gi bedre resultater her med en liten justering. Bruk disse grepene, og få mer ut av hver generering.