Skip to main content

Guia de prompts WAN 3.0

WAN 3.0.
30 segundos, com som, testado prompt por prompt.

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.

Visão geral

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 geração de 20 segundos, três etapas

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.

  • 2 to 30 seconds in one generation, or -1 to let the model choose the length.
  • Áudio nativo: diálogo, música, som ambiente e foley no mesmo arquivo.
  • Proporção adaptativa: o modelo lê o prompt e escolhe o formato do quadro.
  • Até 10 imagens de referência ou um primeiro e um último quadro. Não as duas opções juntas.
  • Sem prompt negativo. O WAN 3.0 removeu esse recurso, então as exclusões entram no próprio prompt.

O que vale de outros modelos

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.

TécnicaResultado no WAN 3.0O que vimos
Etapas com estados finais bem definidosFunciona e faz mais diferença aquiUm 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 tempoFuncionaOs 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 foraFuncionaCom 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 emoçãoFuncionaOs 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 visívelFunciona e vale as palavrasDescrever 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, áudioFunciona e dá controle precisoUm 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 legendasUse frases simplesWAN 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.

A fórmula-base do prompt

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.

Modelo básico
<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>.
Exemplo testado
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.
Simples: "Uma mulher prepara café coado em uma cozinha."

Competente e com toda a direção por conta do modelo. Ele escolheu a cozinha, alternou entre quatro enquadramentos e terminou na jarra.

Estruturado: o modelo acima

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.

Clipes longos: etapas e estados finais

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.

Modelo para clipes longos
[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.
Exemplo testado com 20 segundos
[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.
Mesmos eventos, uma frase sem pausas

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".

Mesmos eventos, três etapas

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.

  • Uma mudança principal por etapa. Duas mudanças na mesma etapa tendem a virar só a que for mais fácil de renderizar.
  • Descreva estados finais que o público consiga apontar na tela: uma superfície vazia, um objeto em uma mão específica, uma porta que agora está fechada.
  • Use o estado final da etapa anterior como estado inicial da próxima. É só uma linha a mais, e a disposição da cena se mantém estável.
  • Deixe a instrução de continuidade por último, especificando identidade, roupa, disposição da cena e iluminação.

Marcações de tempo e ritmo

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.

Exemplo testado com 12 segundos
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.
Três intervalos consecutivos de quatro segundos

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.

Formato oficial de múltiplos planos
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.

Imagens de referência: defina funções e exclusões

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.

Modelo de funções das referências
@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>.
Exemplo testado com duas imagens
@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.
Funções e exclusões por extenso

Cavaleiro da imagem 1, píer da imagem 2. Sem as flores de cerejeira do fundo da imagem 1, sem o pescador da imagem 2.

Controle: mesmas duas imagens, sem definir funções

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.

  • Dê uma função a cada imagem. Não diga que as imagens 1 a 4 definem quatro personagens, porque isso não indica quem é quem.
  • Se várias imagens mostram o mesmo sujeito de ângulos diferentes, diga que é o mesmo sujeito e indique quantos devem aparecer no resultado.
  • Escolha uma âncora por plano: imagens de referência para manter a aparência do personagem ou primeiro e último quadros para definir a abertura e o encerramento exatos.
  • Precisa de imagens de referência rápido? O modo Fast entrega a mesma qualidade em poucos minutos.

Primeiro e último quadros

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.

Modelo
<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>.
Gerado a partir de um primeiro quadro enviado

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.

Deixe o modelo escolher formato e duração

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.

Exemplo testado no modo adaptativo e com duração -1
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.
aspect_ratio: adaptive, duration: -1

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.

  • O modo adaptativo entende a intenção em expressões como anúncio vertical para redes sociais, loop quadrado para o feed ou trailer em tela larga.
  • A duração -1 é útil quando a ação tem um tempo natural e você prefere não esticá-la nem cortá-la.
  • Defina as duas configurações diretamente ao combinar o clipe com uma edição existente, porque os valores inferidos variam entre gerações.

Áudio e texto na tela

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.

Fórmula oficial de voz
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.

Faça assim
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.
Não use isto
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】
Marcações entre colchetes

A cena está boa. Nenhuma cartela de título aparece em momento algum, e o mesmo aconteceu em uma segunda cena.

Mesmo conteúdo, frases simples

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.

  • Descreva a música em uma frase, indicando o clima e o instrumento.
  • Descreva os efeitos sonoros como acontecimentos da cena.
  • Introduza o diálogo com uma indicação simples de fala, identificando quem fala.
  • Para pedir texto na tela, descreva o que deve aparecer: uma legenda com o texto X aparece na tela. Inclua a redação exata na frase, confira o resultado e esteja pronto para inserir o texto na pós-produção.
  • O áudio é gerado de qualquer forma. Desativá-lo não reduz o custo da geração.

Direção de atuação

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.

Com sinais observáveis, testado
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.
"Ela parece nervosa e tensa"

Começa com uma expressão neutra e evolui até quase chorar, enquanto a desloca discretamente dos bastidores para um palco iluminado.

Prefira sinais observáveis

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.

Modelo de mudança emocional
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>.

Linguagem de câmera

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.

TipoTermos que funcionam pelo nome
Tamanho do planoextreme wide shot, wide shot, medium shot, close-up, extreme close-up
Movimento de câmerapush in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off
Posição e ponto de vistalow angle, overhead view, first-person view

Termo de câmera + Sujeito-alvo + Mudança visível + Relação entre primeiro plano e fundo + Direção ou velocidade

Par testado
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.
Só o termo: "Rack focus em uma estufa."

O jardineiro fica desfocado durante todo o clipe. Não há mudança de foco em nenhum momento.

Termo mais a mudança visível

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.

Referência de configurações

ConfiguraçãoValoresNotas
Duração2 to 30 seconds, or -1Uma geração, sem juntar clipes. -1 deixa o modelo escolher. Um teste com -1 retornou cerca de seis segundos para um plano curto de produto.
Resolução480P, 720P, 1080PEm maiúsculas. Os clipes de teste em 480P retornaram em 832 por 480 a 30fps.
Proporção16:9, 4:3, 1:1, 3:4, 9:16, adaptiveO modo adaptativo deduz o formato pelo prompt ou segue o quadro enviado, quando há um.
Imagens de referênciaAté 10Use no lugar do primeiro e do último quadro de um plano. O modo Fast entrega gerações com referências em minutos.
Primeiro e último quadrosUma de cadaUse no lugar das imagens de referência de um plano. O primeiro quadro define a abertura exata.
ÁudioAtivado ou desativadoNativo, no mesmo arquivo. O custo é o mesmo de qualquer forma.
Prompt negativoNão compatívelRemovido no WAN 3.0. Coloque as exclusões no prompt.
SeedInteiroMantenha esse valor fixo ao comparar dois prompts, para que só o texto mude.

Aproveite ao máximo o WAN 3.0

Alguns hábitos que você traz de outros modelos podem render mais aqui com pequenos ajustes. Use estas práticas e faça cada geração valer.

  • Vá longe em uma única tomada. O WAN 3.0 renderiza até 30 segundos em uma só geração. Planeje o plano inteiro em vez de juntar clipes curtos.
  • Escreva as exclusões em frases. WAN 3.0 segue essas instruções no próprio prompt, sem precisar de um campo negativo separado.
  • Use um primeiro e um último quadro como âncoras quando o plano precisar começar e terminar exatamente onde você quer.
  • Escolha uma âncora por plano: imagens de referência para manter a aparência do personagem ou primeiro e último quadros para definir um trajeto exato.
  • Para mudar algo em um clipe pronto, leve-o para nossas ferramentas de edição de vídeo.

Antes de gerar

  • O prompt define o sujeito e a ação principal?
  • Se o clipe passa de cerca de dez segundos, ele está dividido em etapas com uma mudança em cada uma?
  • Cada etapa diz o que deve estar visível ao terminar?
  • Cada imagem de referência tem uma função e, quando necessário, uma exclusão?
  • As exclusões estão escritas em frases, já que não há prompt negativo?
  • O áudio e o texto na tela estão descritos em linguagem comum, sem marcações entre colchetes?
  • Todo texto que deve aparecer na tela está escrito exatamente como deve ser exibido?
  • As emoções aparecem como comportamentos observáveis, em vez de palavras que descrevem um estado de espírito?
  • Toda técnica de câmera citada também está descrita como uma mudança visível?
  • Se o plano precisa se manter estável, o prompt diz o que não pode mudar?
  • A proporção e a duração estão fixadas ou foram deixadas de propósito no modo adaptativo e em -1?