Guia de prompts WAN 3.0
Guia de prompts WAN 3.0 criado a partir de gerações feitas no modelo em produção, não de uma ficha técnica. Estrutura em etapas para clipes longos, funções e exclusões das imagens de referência, primeiro e último quadros, enquadramento adaptativo, linguagem de câmera e uma técnica comum que não funciona aqui.
WAN 3.0 gera vídeo a partir de um prompt de texto, de até dez imagens de referência ou de um quadro inicial e um final. O som é gerado junto com a imagem e vem no mesmo arquivo. Os clipes duram de 2 a 30 segundos em uma única geração, e o modelo pode escolher tanto o formato do quadro quanto a duração para você.
Este guia foi escrito com base em testes no modelo em operação, não em uma ficha técnica. Cada clipe desta página veio desses testes e aparece na resolução em que saiu do modelo. Quando uma técnica funciona, você encontra um modelo de prompt para usar. Quando uma técnica que funciona em outros modelos não funciona aqui, isso é apontado, em vez de continuar no guia sem aviso.
Uma roda de bicicleta é alinhada do início ao fim em um único clipe. O prompt foi escrito em três etapas, cada uma com um estado final bem definido. O som é gerado junto com a imagem.
Os hábitos de criação de prompts que você desenvolveu no Seedance e em modelos parecidos continuam valendo, com uma exceção clara. Cada linha abaixo foi testada em um par equivalente no modelo em operação: mesmo sujeito, mesma seed, mesma duração, mudando apenas a técnica em teste.
| Técnica | Resultado no WAN 3.0 | O que vimos |
|---|---|---|
| Etapas com estados finais bem definidos | Funciona e faz mais diferença aqui | Um prompt de 20 segundos dividido em três etapas acertou todos os estados finais definidos, até os detalhes: bancada livre após a primeira etapa, ferramenta ainda na mão ao fim da segunda, suporte vazio no final. Os mesmos acontecimentos, escritos em uma única frase corrida, geraram um clipe mais confuso, que voltava a mexer no mesmo objeto. |
| Intervalos de tempo | Funciona | Os três intervalos consecutivos de quatro segundos foram executados em ordem, e cada um respeitou exatamente seu estado final de "só X permanece". |
| Defina as referências e o que deixar de fora | Funciona | Com duas imagens de referência e frases claras de exclusão, nenhum dos elementos excluídos apareceu. WAN 3.0 combina uma referência de pessoa e outra de local sem problemas, por conta própria. Uma frase de exclusão garante esse resultado. |
| Comportamento observável em vez de palavras de emoção | Funciona | Os sinais definidos, como olhar fixo, respiração presa e dedos imóveis, sustentaram uma atuação estável e precisa, exatamente no cenário pedido. |
| Transformando um termo de câmera em uma mudança visível | Funciona e vale as palavras | Descrever como a mudança de foco deveria aparecer produziu uma transição limpa das folhas em primeiro plano para o personagem. Usar apenas o termo "rack focus" não produziu nenhuma mudança de foco. |
| Ordem: sujeito, ação, cena, estilo, câmera, áudio | Funciona e dá controle preciso | Um prompt simples, de uma linha, já gerou um clipe competente com vários planos. A versão estruturada não ficou mais bonita, ficou mais fiel: executou o único movimento de câmera pedido em vez de inventar seus próprios enquadramentos. |
| Sintaxe com colchetes para música, efeitos, diálogos e legendas | Use frases simples | WAN 3.0 interpreta melhor música, efeitos, diálogos e texto na tela quando tudo é descrito em frases simples. Com essa abordagem, entregou uma cartela de título limpa, com a grafia correta, que surgiu gradualmente e permaneceu na tela. |
Resumo: mantenha a estrutura, deixe a pontuação de lado. Etapas, estados finais, referências nomeadas, exclusões e detalhes observáveis funcionam. Escreva som e texto em frases simples.
Dica para som e texto: todo clipe já vem com áudio nativo, então descreva música, efeitos e diálogos em frases simples. Para títulos na tela, use textos curtos e simples. Se a tipografia precisa ficar exata em cada pixel, adicione na edição.
Sujeito + Ação ou evento + Cena e ambiente + Estilo visual + Movimento de câmera ou corte + Áudio
WAN 3.0 preenche as lacunas com confiança. Se você não definir a câmera, ele escolhe a cobertura por conta própria, muitas vezes alternando entre dois ou três enquadramentos em cinco segundos. Isso funciona quando você quer um clipe com cara de produção pronta, mas atrapalha quando precisa de um plano específico. Defina o que importa e deixe o modelo inventar o 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.
Competente e com toda a direção por conta do modelo. Ele escolheu a cozinha, alternou entre quatro enquadramentos e terminou na jarra.
Uma aproximação de câmera, como pedido. Luz vindo do lado indicado, iluminando o vapor, com o plano terminando no leito de café. Mesma seed da versão básica.
Os dois clipes ficaram ótimos. Esse é o ponto: além da qualidade que o WAN 3.0 sempre entrega, o prompt estruturado traz precisão para seguir suas instruções. Use a fórmula quando o plano precisar corresponder ao que você tem em mente e uma linha só quando quiser se surpreender.
Trinta segundos em uma única geração são o grande destaque, e é aí que a estrutura do prompt mais faz diferença. Divida o clipe em etapas consecutivas. Dê a cada etapa uma mudança principal e diga o que deve estar visível quando ela terminar. O estado final é o que faz o trabalho: ele dá ao modelo um ponto de chegada, em vez de um clima para sustentar.
[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.
A roda é levantada e apoiada repetidamente, o suporte é usado de forma ambígua e o final não deixa claro que ela ficou "pendurada em um gancho".
Repare como os estados finais se concretizam: bancada livre depois que a roda vai para o suporte, chave ainda na mão ao terminar o trabalho nos raios, suporte visivelmente vazio depois que a roda vai para a parede.
Use etapas como padrão. Recorra a marcações de tempo quando uma ação precisar acontecer em um momento exato, como uma entrega, uma entrada em cena ou uma transição. Os intervalos devem ser consecutivos, sem sobreposição.
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.
Prato, depois copo, depois vaso. Cada objeto é retirado e a mão sai de quadro antes do próximo intervalo começar, exatamente como pedido nos estados finais.
Os três momentos aconteceram na ordem certa, e cada objeto saiu do quadro antes da chegada do próximo. Trate cada intervalo como um tempo disponível, não como um ponto exato de corte, e não peça uma frequência de eventos, como três ações em um segundo.
O guia oficial de prompts traz um formato de planos numerados para cortes intencionais: uma descrição geral em uma linha, seguida de cada plano com seu número e intervalo de tempo. Sujeitos, cenários e atmosfera se mantêm consistentes entre os planos. O inverso importa tanto quanto: se você não quer nenhum corte, use a frase exata "One continuous take", porque, sem essa instrução, o modelo escolhe seus próprios enquadramentos.
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 aceita até dez imagens de referência. Como não há prompt negativo, tudo o que você quer deixar de fora precisa ser dito no próprio prompt. Dê uma única função a cada imagem e acrescente uma exclusão sempre que ela contiver algo indesejado, o que acontece quase sempre: um retrato traz um fundo, e uma foto de locação costuma trazer uma pessoa.
@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.
Cavaleiro da imagem 1, píer da imagem 2. Sem as flores de cerejeira do fundo da imagem 1, sem o pescador da imagem 2.
Aqui, WAN 3.0 também manteve cada elemento no seu papel e seguiu à risca a instrução "caminha em direção à câmera". As duas referências se combinam sem problemas, logo de primeira.
A imagem 1 era um retrato com um fundo marcante de flores. A imagem 2 mostrava um píer com um homem apoiado em um poste. A versão com funções e exclusões manteve o cavaleiro e o píer e deixou de fora tanto as flores quanto o homem. O controle fez o mesmo, e vale dizer isso com todas as letras: com duas imagens claramente divididas entre uma pessoa e um lugar, o WAN 3.0 entendeu sozinho a função de cada uma.
Continue definindo as funções mesmo assim. É só uma linha a mais. Isso elimina as suposições assim que você passa de duas imagens ou usa referências com elementos em comum. E, agora que não há mais prompt negativo, essa é a única forma de indicar uma exclusão.
Forneça um primeiro quadro e o clipe começa nele. Forneça também um último quadro e o modelo gera o movimento entre os dois. Use esse modo quando um plano precisa começar ou terminar em algo específico.
<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>.
O quadro inicial reproduz a imagem de origem. No final, o personagem já saiu de perto do poste e a câmera passou para trás dele, algo que o prompt nunca pediu.
Nosso teste começou exatamente no quadro fornecido. Depois, foi além do que o prompt pedia: a instrução era que o personagem continuasse encostado em um poste e virasse a cabeça, mas, no final, ele já tinha saído dali e a câmera havia passado para trás dele. O primeiro quadro fixa a abertura, não o clipe inteiro. Se você precisa manter o plano, diga claramente o que não pode mudar.
Duas opções aqui não têm equivalente na maioria dos outros modelos. Defina a proporção como adaptativa e o WAN 3.0 lê o prompt para escolher o formato do quadro. Defina a duração como -1 e ele escolhe o tempo.
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.
O prompt diz "anúncio vertical para redes sociais" e nada mais sobre formato ou duração. O modelo retornou 480 por 832, com cerca de seis segundos.
Esse prompt não menciona dimensões nem segundos. Ele retornou um clipe vertical de cerca de seis segundos. Ao fornecer um primeiro quadro no lugar das referências, o modo adaptativo seguiu a proporção da imagem enviada. Diga em palavras para que serve o clipe, e a configuração faz o resto.
Fórmulas oficiais: diálogos escritos como Nome diz: "a fala exata" são preservados palavra por palavra. Uma voz combina a fala com emoção, entonação, velocidade da fala, timbre e sotaque. Para silenciar um canal, use as frases exatas "No dialogue throughout the entire video" ou "No background music.". O modelo trata essas frases como instruções, não como descrições.
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 som e texto como frases simples. Por isso, dispense os marcadores entre colchetes que outros modelos usam para música, efeitos sonoros, diálogos e legendas. Com uma descrição direta, entregou uma cartela de título limpa, com a grafia correta, que surgiu gradualmente e permaneceu na tela.
O som é confiável e já vem integrado em todos os clipes. Dica: use textos curtos e simples na tela. Se a sua edição depende de uma legenda ou título, adicione o texto na pós-produção para controlar cada 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】A cena está boa. Nenhuma cartela de título aparece em momento algum, e o mesmo aconteceu em uma segunda cena.
O melhor resultado de texto que conseguimos: "Capítulo Um: O Guardião" aparece gradualmente, com a grafia correta, e permanece na tela. A mesma formulação em uma cena de cafeteria não produziu nada. Este é o caso que deu certo, não o resultado típico.
Palavras que descrevem emoções dão uma direção e deixam o resto em aberto. O WAN 3.0 preenche esse espaço com vontade, geralmente de forma mais exagerada do que você queria. Definir de dois a quatro sinais observáveis mantém a atuação no ponto certo.
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.
Começa com uma expressão neutra e evolui até quase chorar, enquanto a desloca discretamente dos bastidores para um palco iluminado.
Olhar fixo, respiração presa, dedos imóveis, ombros erguidos. Um estado contido, mantido durante todo o clipe, no cenário pedido.
A versão com indicações específicas manteve um único estado contido durante todo o clipe, exatamente onde foi colocado. Essas indicações dão ao WAN 3.0 algo preciso para executar, e ele executa.
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>.
Tamanhos de plano e movimentos de câmera simples funcionam quando escritos pelo nome. Técnicas nomeadas são menos confiáveis quando usadas sozinhas. O melhor resultado isolado dos nossos testes veio de descrever o que a técnica deveria mostrar, em vez de só citar seu nome.
| Tipo | Termos que funcionam pelo nome |
|---|---|
| Tamanho do plano | extreme wide shot, wide shot, medium shot, close-up, extreme close-up |
| Movimento de câmera | push in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off |
| Posição e ponto de vista | low angle, overhead view, first-person view |
Termo de câmera + Sujeito-alvo + Mudança visível + Relação entre primeiro plano e fundo + Direção ou velocidade
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.
O jardineiro fica desfocado durante todo o clipe. Não há mudança de foco em nenhum momento.
Folhas em foco e rosto desfocado no início, rosto em foco e folhas desfocadas no final, câmera fixa. Mesma seed da versão simples.
A versão por extenso produziu uma mudança de foco limpa: folhas em primeiro plano nítidas e sujeito desfocado no início, sujeito nítido e folhas desfocadas no final, com a câmera fixa. Só o termo deixou o sujeito desfocado durante todo o clipe, sem mudar o foco. Foi a maior diferença isolada de toda a bateria de testes, e custa apenas uma frase a mais.
| Configuração | Valores | Notas |
|---|---|---|
| Duração | 2 to 30 seconds, or -1 | Uma geração, sem juntar clipes. -1 deixa o modelo escolher. Um teste com -1 retornou cerca de seis segundos para um plano curto de produto. |
| Resolução | 480P, 720P, 1080P | Em maiúsculas. Os clipes de teste em 480P retornaram em 832 por 480 a 30fps. |
| Proporção | 16:9, 4:3, 1:1, 3:4, 9:16, adaptive | O modo adaptativo deduz o formato pelo prompt ou segue o quadro enviado, quando há um. |
| Imagens de referência | Até 10 | Use no lugar do primeiro e do último quadro de um plano. O modo Fast entrega gerações com referências em minutos. |
| Primeiro e último quadros | Uma de cada | Use no lugar das imagens de referência de um plano. O primeiro quadro define a abertura exata. |
| Áudio | Ativado ou desativado | Nativo, no mesmo arquivo. O custo é o mesmo de qualquer forma. |
| Prompt negativo | Não compatível | Removido no WAN 3.0. Coloque as exclusões no prompt. |
| Seed | Inteiro | Mantenha esse valor fixo ao comparar dois prompts, para que só o texto mude. |
Alguns hábitos que você traz de outros modelos podem render mais aqui com pequenos ajustes. Use estas práticas e faça cada geração valer.