WAN 3.0: jak pisać prompty
WAN 3.0: poradnik promptowania oparty na generacjach z działającego modelu, nie na specyfikacji. Struktura etapów w długich klipach, role i wykluczenia dla obrazów referencyjnych, pierwsza i ostatnia klatka, adaptacyjny format kadru, język kamery i jedna popularna technika, która tutaj nie działa.
WAN 3.0 generuje wideo z promptu tekstowego, maksymalnie dziesięciu obrazów referencyjnych lub pierwszej i ostatniej klatki. Dźwięk powstaje razem z obrazem i trafia do tego samego pliku. W jednej generacji uzyskasz klip o długości od 2 do 30 sekund, a model może sam dobrać zarówno proporcje kadru, jak i długość.
Ten poradnik powstał na podstawie testów działającego modelu, nie specyfikacji. Każdy klip na tej stronie pochodzi z tych testów i jest pokazany w rozdzielczości, którą zwrócił model. Tam, gdzie technika działa, znajdziesz szablon. Gdy technika znana z innych modeli tutaj nie działa, mówimy o tym wprost, zamiast zostawiać ją bez komentarza.
Centrowanie koła rowerowego od początku do końca w jednym klipie. Prompt ma trzy etapy, każdy z jasno określonym stanem końcowym. Dźwięk powstaje razem z obrazem.
Nawyki pisania promptów z Seedance i podobnych modeli w większości sprawdzają się także tutaj, z jednym wyraźnym wyjątkiem. Każdy wiersz poniżej przetestowaliśmy na działającym modelu jako parę porównawczą: ten sam temat, seed i czas trwania, ze zmianą wyłącznie testowanej techniki.
| Technika | Wynik w WAN 3.0 | Co zaobserwowaliśmy |
|---|---|---|
| Etapy z jasno określonym stanem końcowym | Działa i tu ma największe znaczenie | 20-sekundowy prompt podzielony na trzy etapy odtworzył każdy opisany stan końcowy, nawet drobne szczegóły: pusty blat po pierwszym etapie, narzędzie nadal w dłoni na koniec drugiego, pusty stojak na koniec. Te same zdarzenia zapisane jako jedno długie zdanie dały mniej czytelny klip, w którym model wciąż na nowo manipulował tym samym przedmiotem. |
| Przedziały czasowe | Działa | Trzy kolejne przedziały po cztery sekundy odtworzyły się po kolei, a każdy dokładnie zachował swój stan końcowy „pozostaje tylko X”. |
| Przypisywanie ról referencjom i wykluczanie elementów | Działa | Przy dwóch obrazach referencyjnych i jasno zapisanych wykluczeniach żaden z wykluczonych elementów się nie pojawił. WAN 3.0 sam sprawnie łączy osobę z jednego obrazu z miejscem z drugiego, a jedno zdanie z wykluczeniem utrwala ten podział. |
| Widoczne zachowania zamiast nazw emocji | Działa | Konkretne sygnały, nieruchome spojrzenie, wstrzymany oddech i palce bez ruchu, dały równą, precyzyjną grę postaci dokładnie w opisanej scenerii. |
| Termin filmowy opisany jako widoczna zmiana | Działa i warto to dopisać | Opisanie, jak ma wyglądać przeniesienie ostrości, dało płynne przeostrzenie z liści na pierwszym planie na główny obiekt. Sam termin „rack focus” nie wywołał żadnej zmiany ostrości. |
| Kolejność: temat, działanie, scena, styl, kamera, dźwięk | Działa, daje precyzyjną kontrolę | Nawet prosty, jednozdaniowy prompt dał udany klip z kilkoma ujęciami. Wersja z uporządkowaną strukturą nie była ładniejsza, za to trzymała się poleceń: wykonała jeden wskazany ruch kamery, zamiast wymyślać własne ujęcia. |
| Zapis w nawiasach: muzyka, efekty, dialogi, napisy | Zamiast tego użyj prostych zdań | WAN 3.0 najlepiej odczytuje muzykę, efekty, dialogi i tekst na ekranie zapisane zwykłymi zdaniami. Przy takim opisie wygenerował czytelną planszę tytułową bez błędów w pisowni, która stopniowo się pojawiła i pozostała na ekranie. |
W skrócie: zachowaj strukturę, zrezygnuj z zapisu opartego na znakach interpunkcyjnych. Etapy, stany końcowe, nazwane obrazy referencyjne, wykluczenia i widoczne szczegóły działają. Dźwięk i tekst opisuj prostymi zdaniami.
Wskazówka dotycząca dźwięku i tekstu: każdy klip powstaje z dźwiękiem, więc opisuj muzykę, efekty i dialogi prostymi zdaniami. Teksty na ekranie powinny być krótkie i proste. Jeśli liternictwo musi być dopracowane co do piksela, dodaj je w montażu.
Temat + Działanie lub zdarzenie + Scena i otoczenie + Styl wizualny + Ruch kamery lub cięcie + Dźwięk
WAN 3.0 śmiało wypełnia luki. Jeśli nie określisz pracy kamery, sam dobierze ujęcia, często przełączając się między dwoma lub trzema ustawieniami w ciągu pięciu sekund. To działa, gdy chcesz klip wyglądający na gotowy, ale przeszkadza, gdy potrzebujesz jednego konkretnego ujęcia. Określ elementy, na których ci zależy, a resztę zostaw modelowi.
<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.
Udany film, ale w całości według pomysłu modelu. Sam wybrał kuchnię, przeplatał cztery ustawienia kamery i zakończył ujęciem dzbanka.
Jeden najazd kamery, zgodnie z poleceniem. Światło z podanej strony, podświetlona para, finał na powierzchni zmielonej kawy. Ten sam seed co w wersji bez szczegółowego opisu.
Oba klipy wyglądają świetnie. I o to chodzi: uporządkowany prompt daje precyzyjne wykonanie poleceń obok jakości, którą WAN 3.0 zapewnia zawsze. Sięgaj po ten schemat, gdy ujęcie ma odpowiadać temu, co masz w głowie. Wystarczy jedno zdanie, gdy chcesz dać się zaskoczyć.
Trzydzieści sekund w jednej generacji to główna funkcja, a zarazem miejsce, w którym struktura promptu daje najwięcej. Podziel klip na kolejne etapy. Każdemu przypisz jedną główną zmianę i opisz, co ma być widoczne na jego końcu. To właśnie stan końcowy robi robotę: daje modelowi konkretny punkt do osiągnięcia zamiast nastroju do utrzymania.
[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.
Koło jest wielokrotnie podnoszone i odkładane, sposób użycia stojaka jest niejasny, a finał trudno odczytać jako „zawieszone na haku”.
Zwróć uwagę na efekt końcowy każdego etapu: blat pusty, gdy koło jest już w stojaku, klucz nadal w dłoni po zakończeniu pracy przy szprychach, stojak wyraźnie pusty, gdy koło wisi już na ścianie.
Domyślnie dziel akcję na etapy. Sięgaj po znaczniki czasu, gdy konkretny moment ma wypaść dokładnie w wybranej chwili, na przykład przekazanie przedmiotu, wejście do kadru czy przejście. Przedziały powinny następować jeden po drugim i nie mogą na siebie nachodzić.
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.
Talerz, potem szklanka, potem wazon. Każdy przedmiot zostaje usunięty, a dłoń znika z kadru przed rozpoczęciem kolejnego przedziału, dokładnie według opisanych stanów końcowych.
Wszystkie trzy zdarzenia pojawiły się we właściwej kolejności, a po każdym kadr był pusty, zanim pojawił się kolejny przedmiot. Traktuj przedział czasowy jak budżet czasu, nie dokładny punkt cięcia. Nie narzucaj też tempa zdarzeń, na przykład trzech akcji w jednej sekundzie.
Oficjalny poradnik promptowania dodaje format numerowanych ujęć do planowania świadomych cięć: jednozdaniowy opis całości, a potem każde ujęcie z własnym numerem i przedziałem czasowym. Postacie, sceneria i atmosfera pozostają spójne między ujęciami. Równie ważna jest druga strona: jeśli nie chcesz żadnych cięć, wpisz dokładnie "One continuous take". Bez tej instrukcji model sam wybierze sposób pokazania sceny.
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 przyjmuje maksymalnie dziesięć obrazów referencyjnych. Nie ma osobnego promptu negatywnego, więc wszystko, co chcesz wykluczyć, musisz opisać w samym prompcie. Przypisz każdemu obrazowi jedno zadanie i dodaj wykluczenie, jeśli zawiera coś niepożądanego. A tak jest niemal zawsze: portret ma też tło, a zdjęcie miejsca zwykle przedstawia również osobę.
@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.
Rycerz z obrazu 1, pomost z obrazu 2. Bez kwiatów wiśni z tła obrazu 1, bez wędkarza z obrazu 2.
Także tutaj WAN 3.0 zachował przypisane role obu elementów i dokładnie wykonał polecenie „idzie w stronę kamery”. Dwa obrazy referencyjne łączą się w spójną całość bez dodatkowych zabiegów.
Obraz 1 przedstawiał portret z charakterystycznym tłem pełnym kwiatów. Obraz 2 pokazywał pomost z mężczyzną opartym o słup. Wersja z rolami i wykluczeniami zachowała rycerza i pomost, a pominęła kwiaty i mężczyznę. Próba kontrolna dała ten sam efekt. Warto powiedzieć to wprost: przy dwóch obrazach z wyraźnym podziałem na postać i miejsce WAN 3.0 sam rozpoznał ich zadania.
Mimo wszystko zapisuj role. To jedna linijka, która eliminuje zgadywanie, gdy dodasz więcej niż dwa obrazy lub użyjesz referencji o zbliżonej tematyce. A skoro nie ma już promptu negatywnego, tylko w ten sposób określisz wykluczenia.
Dodaj pierwszą klatkę, a klip zacznie się właśnie od niej. Dodaj też ostatnią, a model wygeneruje ruch pomiędzy nimi. Wybierz ten tryb, gdy ujęcie musi zaczynać się lub kończyć w konkretny sposób.
<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>.
Pierwsza klatka odtwarza obraz źródłowy. Pod koniec postać odchodzi od słupa, a kamera przesuwa się za jej plecy, choć prompt wcale o to nie prosił.
W naszym teście początek dokładnie odtwarzał przesłaną klatkę. Potem model poszedł dalej, niż zakładał prompt: postać miała pozostać oparta o słup i odwrócić głowę, ale pod koniec odeszła od słupa, a kamera znalazła się za jej plecami. Pierwsza klatka ustala początek, nie cały klip. Jeśli chcesz utrzymać ujęcie, jasno napisz, co nie może się zmienić.
Dwie tutejsze opcje nie mają odpowiednika w większości innych modeli. Ustaw proporcje na adaptive, a WAN 3.0 dobierze kształt kadru na podstawie promptu. Ustaw czas trwania na -1, a sam wybierze długość.
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.
Prompt zawiera "vertical social ad" i nic więcej o proporcjach ani długości. Model wygenerował klip 480 na 832, trwający około sześciu sekund.
Ten prompt w ogóle nie podaje wymiarów ani liczby sekund. Model wygenerował pionowy klip trwający około sześciu sekund. Gdy zamiast tego dodaliśmy pierwszą klatkę, ustawienie adaptive dopasowało proporcje do przesłanego obrazu. Napisz słowami, do czego ma służyć klip, a ustawienie zrobi resztę.
Oficjalne formuły: dialog zapisany jako Name says: "the exact line" jest zachowywany słowo w słowo. Głos to kwestia dialogowa plus emocje, intonacja, tempo mowy, barwa i akcent. Aby wyciszyć dany kanał, użyj dokładnie frazy "No dialogue throughout the entire video" lub "No background music.". Model traktuje je jako instrukcje, nie opisy.
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 odczytuje dźwięk i tekst zapisane zwykłymi zdaniami, więc pomiń znaczniki w nawiasach, których inne modele używają do muzyki, efektów dźwiękowych, dialogów i napisów. Prosty opis wystarczył, by uzyskać czytelną planszę tytułową bez błędów w pisowni, która stopniowo się pojawiła i pozostała na ekranie.
Dźwięk jest niezawodny i powstaje razem z każdym klipem. Wskazówka: teksty na ekranie powinny być krótkie i proste. Jeśli napis lub tytuł jest kluczowy dla montażu, dodaj go w postprodukcji, by mieć kontrolę co do piksela.
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】Scena jest w porządku. Plansza tytułowa nie pojawia się ani razu. W drugiej scenie było tak samo.
Najlepszy uzyskany przez nas wynik z tekstem: napis "Chapter One: The Keeper" stopniowo się pojawia, jest zapisany poprawnie i pozostaje na ekranie. To samo sformułowanie w scenie w kawiarni nie dało żadnego tekstu, więc to udany przypadek, a nie typowy rezultat.
Nazwy emocji wyznaczają kierunek, ale zostawiają resztę otwartą. WAN 3.0 chętnie wypełnia tę przestrzeń, zwykle z większą ekspresją, niż chcesz. Opisanie od dwóch do czterech widocznych sygnałów pozwala utrzymać grę postaci dokładnie tam, gdzie jej potrzebujesz.
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.
Zaczyna od neutralnego wyrazu twarzy i przechodzi do miny bliskiej płaczu, a przy okazji przenosi ją z kulis na oświetloną scenę.
Nieruchome spojrzenie, wstrzymany oddech, palce bez ruchu, uniesione ramiona. Jeden powściągliwy stan utrzymany przez cały klip, dokładnie w opisanej scenerii.
Wersja oparta na konkretnych sygnałach utrzymała jeden powściągliwy stan przez cały klip, dokładnie w wyznaczonym miejscu. Nazwane sygnały dają WAN 3.0 konkretne zadanie do odegrania, a model je wykonuje.
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>.
Proste nazwy planów i ruchów kamery działają zapisane wprost. Same nazwy technik są mniej niezawodne. Najlepszy pojedynczy wynik w naszych testach dał opis tego, jak technika ma wyglądać, zamiast podania jej nazwy.
| Typ | Terminy, które działają wprost |
|---|---|
| Plan filmowy | extreme wide shot, wide shot, medium shot, close-up, extreme close-up |
| Ruch kamery | push in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off |
| Pozycja i punkt widzenia | low angle, overhead view, first-person view |
Termin operatorski + główny obiekt + widoczna zmiana + relacja pierwszego planu i tła + kierunek lub prędkość
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.
Ogrodnik pozostaje nieostry przez cały klip. Ani razu nie dochodzi do przeniesienia ostrości.
Na początku liście są ostre, a twarz nieostra. Na końcu twarz jest ostra, a liście nieostre. Kamera nieruchoma. Ten sam seed co w wersji z samym hasłem.
Wersja z pełnym opisem dała płynne przeniesienie ostrości: na początku ostre liście na pierwszym planie i nieostra postać, na końcu ostra postać i nieostre liście, przy nieruchomej kamerze. Sam termin pozostawił postać nieostrą przez cały klip i nie wywołał przeniesienia ostrości. To największa pojedyncza różnica w całej serii testów, a wymaga tylko jednego dodatkowego zdania.
| Ustawienie | Wartości | Uwagi |
|---|---|---|
| Czas trwania | 2 to 30 seconds, or -1 | Jedna generacja, bez łączenia klipów. Przy -1 model sam wybiera długość. W teście z ustawieniem -1 krótkie ujęcie produktowe trwało około sześciu sekund. |
| Rozdzielczość | 480P, 720P, 1080P | Wielkimi literami. Klipy testowe przy ustawieniu 480P miały 832 na 480 przy 30fps. |
| Proporcje | 16:9, 4:3, 1:1, 3:4, 9:16, adaptive | Tryb adaptacyjny dobiera format na podstawie promptu albo dopasowuje go do przesłanej klatki, jeśli ją dodasz. |
| Obrazy referencyjne | Do 10 | Używaj zamiast pierwszej i ostatniej klatki w danym ujęciu. Tryb Fast generuje klipy z obrazami referencyjnymi w kilka minut. |
| Pierwsza i ostatnia klatka | Po jednym | Używaj zamiast obrazów referencyjnych w danym ujęciu. Pierwsza klatka precyzyjnie ustala początek. |
| Dźwięk | Włączone lub wyłączone | Generowany razem z obrazem, w tym samym pliku. Koszt pozostaje taki sam w obu przypadkach. |
| Prompt negatywny | Brak obsługi | Usunięty w WAN 3.0. Wykluczenia wpisuj w prompt. |
| Seed | Liczba całkowita | Przy porównywaniu dwóch promptów ustaw tę samą wartość, żeby zmieniała się tylko treść. |
Kilka nawyków z innych modeli warto tu zamienić na skuteczniejsze podejście. Stosuj te zasady, a każda generacja będzie miała sens.