Skip to main content

WAN 3.0 提示詞指南

WAN 3.0.
30 秒,內建音效,每條提示詞都經過實測。

這份 WAN 3.0 提示詞指南,來自實際模型的生成測試,不是照著規格表寫。從長影片的階段結構、參考圖用途與排除條件、首尾影格、自適應構圖到鏡頭語言,還有一種在這裡行不通的常見技巧,一次講清楚。

總覽

WAN 3.0 可透過文字提示詞、最多十張參考圖片,或首尾影格生成影片。聲音與畫面同步生成,輸出在同一個檔案中。單次可生成 2 到 30 秒的影片,也能讓模型替你決定畫面比例與片長。

這份 WAN 3.0 提示詞指南來自實際運行模型的測試,不是規格表整理。本頁每段影片都是測試生成的成果,並以模型原始輸出的解析度呈現。有效的技巧,我們提供範本;其他模型有效、在這裡卻行不通的技巧,也會直接點出,不會默默留在指南裡。

一次生成 20 秒,分成三個階段

一支影片,完整呈現腳踏車輪從頭到尾的校正過程。提示詞分成三個階段,每個階段都明確寫出結束狀態。聲音與畫面同步生成。

  • 2 to 30 seconds in one generation, or -1 to let the model choose the length.
  • 原生音訊:對白、音樂、環境底音與擬音,全在同一個檔案。
  • 自適應長寬比:模型讀取提示詞,自行決定畫面比例。
  • 最多 10 張參考圖,或一張首幀加一張尾幀。兩種方式不能並用。
  • 不支援負面提示詞。WAN 3.0 已移除這項功能,不想出現的內容要直接寫進提示詞。

其他模型的哪些技巧適用

在 Seedance 等模型上養成的提示詞寫法,大多能直接沿用,但有一個明確例外。以下每一列都在實際運行的模型上做過成對測試:相同主體、相同種子值、相同片長,只改變該次測試的技巧。

技巧WAN 3.0 實測結果實測觀察
分階段,明確指定結束狀態有效,在這裡最關鍵一條分成三個階段的 20 秒提示詞,精準達成每個指定的結束狀態,連小細節也沒漏:第一階段後工作檯清空,第二階段結束時工具仍握在手中,最後支架上空無一物。同樣的事件改寫成一句從頭接到尾的長句,產出的影片就混亂許多,還反覆拿取、擺弄同一個物件。
時間戳記範圍有效三段連續的四秒區間依序呈現,每段都精準達成「只剩下 X」的結束狀態。
指定參考圖用途,排除不要的內容有效使用兩張參考圖片,並寫清楚排除指示後,兩個指定排除的元素都沒有出現。WAN 3.0 本身就能把分開提供的人物與場景乾淨合成,再加一句排除指示,就能穩住結果。
用看得見的行為,取代情緒詞有效明確列出行為線索,例如視線固定、屏住呼吸、手指不動,就能讓表演穩定又精準,場景也完全符合要求。
把鏡頭術語寫成看得見的變化有效,值得多寫幾句把焦點轉移的畫面變化完整寫出來,就能讓焦點乾淨地從前景葉片轉到主體。只寫「rack focus」,焦點完全沒有變化。
依序寫主體、動作、場景、風格、鏡頭、音訊有效,控制更精準只寫一句簡單提示詞,也能產出水準不錯的多鏡頭影片。結構化版本贏的不是畫面更美,而是更聽指令:它執行了指定的那一次運鏡,沒有自行安排其他鏡頭。
音樂、音效、對白、字幕的括號語法改用一般句子音樂、音效、對白和畫面文字,WAN 3.0 最能理解的寫法就是一般句子。這樣寫,它就生成了乾淨、拼字正確的標題字卡,淡入後持續停留。

重點很簡單:保留結構,拿掉標點格式。階段、結束狀態、具名參考、排除項目與可觀察的細節都有效。聲音和文字用一般句子寫。

聲音與文字實用技巧:每段影片都自帶原生音訊,音樂、音效和對話直接用一般句子描述。畫面上的標題要短、要簡單;需要精準到像素的文字,就在剪輯時加上。

核心提示詞公式

主體 + 動作或事件 + 場景與環境 + 視覺風格 + 運鏡或切鏡 + 音訊

WAN 3.0 很會自行補足細節。不指定鏡頭,它就會自己決定怎麼拍,經常在五秒內切換兩到三種鏡位。想要一支看起來已經剪好的影片,這很方便;但如果你只要某個特定鏡頭,就會礙事。把在意的部分寫清楚,其餘交給它發揮。

基本範本
<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>.
範例,已實測
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.
簡單版:「一名女子在廚房做手沖咖啡。」

表現到位,但整支片完全由模型自行發揮。它自己選了廚房,在四組鏡位間切換,最後停在咖啡分享壺上。

結構化:使用上方範本

照要求只推進一次。光線從指定側打來,照亮蒸氣,最後停在咖啡粉床上。與精簡版使用相同種子值。

兩支影片都很好看,重點就在這裡:WAN 3.0 本來就有的畫面品質,加上結構化提示詞,換來的是精準執行。鏡頭必須符合腦中畫面時,就用這套公式;樂於接受驚喜時,一句話就夠。

長影片:階段與結束狀態

一次生成三十秒是最吸睛的功能,也是提示詞結構最能發揮價值的地方。把影片拆成連續階段,每個階段安排一個主要變化,並寫清楚結束時應該看到什麼。真正發揮作用的是結束狀態:它給模型一個必須達成的檢查點,而不只是要持續維持的情緒。

長影片範本
[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.
範例,已實測 20 秒
[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.
相同事件,一句話寫到底

輪子被反覆拿起又放下,支架的用途不明,結尾也看不出是「掛在掛鉤上」。

相同事件,分成三個階段

留意這些收尾狀態是否到位:輪子放上支架後,工作檯已清空;輻條作業結束時,扳手仍握在手上;輪子掛上牆後,支架明顯已空。

  • 每個階段只安排一個主要變化。同一階段放兩個變化,往往只會留下比較容易生成的那一個。
  • 把收尾狀態寫成觀眾能直接指出的畫面:清空的檯面、物件握在指定的那隻手上,或一扇已經關上的門。
  • 把上一階段的結束狀態,接成下一階段的起始狀態。多寫一行,就能維持空間配置一致。
  • 把連貫性要求放在最後一句,寫明身分、服裝、場景配置與光線。

時間戳記與節奏

預設用階段描述。需要讓特定動作在指定時間點發生,例如交接、入場或轉場,再用時間戳記。各時間區間應前後相接,不要重疊。

範例,已實測 12 秒
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.
三段連續的四秒區間

先盤子,再玻璃杯,最後花瓶。每個物件都先被移走,手也在下一個時間區間開始前離開畫面,完全符合指定的結束狀態。

三個段落都依序上演,而且每個物件都在下一個物件出現前離開畫面。把時間區間當作可用時長,而不是精準的剪接點,也別要求「一秒內完成三個動作」這類事件頻率。

官方提示詞指南另外提供了編號鏡頭格式,讓你刻意安排切鏡:先用一行描述整體,再為每個鏡頭標上編號與時間範圍。不同鏡頭間的主體、場景與氛圍會保持一致。反過來也一樣重要:如果完全不想切鏡,就要原樣寫出 "One continuous take"。沒有明說,模型就會自行安排鏡頭。

官方多鏡頭格式
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.

參考圖:命名角色,寫明排除項目

WAN 3.0 最多支援十張參考圖片。由於沒有負面提示詞,所有不想出現的內容都得寫進提示詞裡。每張圖片只指定一項任務,只要圖中有不想保留的東西,就加上一句排除指示。這幾乎每次都需要:人像照帶有背景,場景照通常也帶有人物。

參考圖角色範本
@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>.
範例,已用兩張圖片實測
@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.
寫清楚角色與排除項目

使用圖片 1 的騎士、圖片 2 的碼頭。不要圖片 1 背景中的櫻花,也不要圖片 2 的漁夫。

對照組:相同兩張圖,不指定用途

這次 WAN 3.0 同樣讓兩個元素各就各位,也精準遵循了「朝鏡頭走來」的指示。兩張參考圖直接就能合成得乾淨俐落。

圖片 1 是一張人像,背景有醒目的花朵。圖片 2 是碼頭,一名男子倚著柱子。指定用途與排除條件的版本,保留了騎士與碼頭,去除了花朵和男子。對照組也做到了,這點值得直接說清楚:當兩張圖能明確分成「人物」與「場景」時,WAN 3.0 自己就能判斷各自的用途。

還是要把用途寫清楚。只多一行,就能在超過兩張圖,或參考圖的主體內容重疊時,省去模型猜測的空間。而且現在沒有負面提示詞,這也是表達排除條件的唯一方式。

  • 一張圖,只指定一個用途。別只寫圖片 1 到 4 定義四個角色,因為這樣根本沒說清楚誰是誰。
  • 如果多張圖片是同一主體的不同角度,請明確說明它們是同一主體,並寫出成品中應出現的數量。
  • 每個鏡頭選一種定位方式:用參考圖維持角色一致,或用首幀與尾幀精準指定開場和結尾。
  • 急著拿參考圖?Fast 模式幾分鐘就能交出同等品質。

首尾影格

提供首幀,影片就會從那個畫面開始。再提供尾幀,模型就會生成兩者之間的動態。鏡頭必須從特定畫面開始,或在特定畫面結束時,就用這個模式。

範本
<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>.
由提供的首影格生成

開場影格重現了原始圖片。但到結尾時,主角已離開柱子,鏡頭也移到了他身後,這些都不是提示詞要求的內容。

我們的測試精準地從提供的影格開始,接著卻超出了提示詞要求:指令是讓主角持續靠著柱子,只轉動頭部,但結尾時他已離開柱子,鏡頭也移到了他身後。首幀只能固定開場,不能固定整段影片。若要維持鏡頭內容,就要明確寫出哪些地方不能改變。

讓模型決定比例與片長

這裡有兩個多數其他模型沒有的選項。把長寬比設為 adaptive,WAN 3.0 就會讀取提示詞,決定畫面比例。把片長設為 -1,就讓它決定長度。

範例,已實測自適應與片長 -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

提示詞只寫了「直式社群廣告」,沒有再提比例或長度。模型產出的影片是 480 × 832,約六秒。

這段提示詞完全沒提尺寸或秒數,結果產出了一段約六秒的直式影片。改成提供首幀後,adaptive 就配合了該圖片的比例。用文字說清楚影片用途,剩下的交給這項設定。

  • 自適應能從「直式社群廣告」、「正方形動態貼文循環影片」或「寬螢幕預告片」等描述判讀意圖。
  • 動作本身有自然長度,而你不想硬拖或截斷時,片長設為 -1 就很實用。
  • 要配合既有剪輯時,請明確固定這兩項設定,因為模型每次推斷出的值都會不同。

音訊與畫面文字

官方公式:對話寫成 Name says: "the exact line",台詞就會逐字保留。聲音由台詞加上情緒、語調、語速、音色與口音組成。若要關閉某個音軌,請原樣使用 "No dialogue throughout the entire video" 或 "No background music.",模型會把它們視為指令,而不是描述。

官方聲音公式
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 能直接理解用一般句子描述的聲音與文字,不必使用其他模型常見的音樂、音效、對白或字幕括號標記。直接寫清楚,它就生成了乾淨、拼字正確的標題字卡,淡入後持續停留。

聲音表現穩定,每段影片都自帶原生音訊。實用技巧:畫面文字保持簡短、簡單;如果字幕或標題是剪輯的關鍵,就在後製時加字,精準控制到每個像素。

這樣寫
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.
別這樣寫
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】
括號標記

場景沒問題,但從頭到尾都沒有出現標題卡。換第二個場景測試,結果也一樣。

相同內容,改用一般句子

我們拿到最好的文字結果是:"Chapter One: The Keeper" 淡入,拼字正確,並持續留在畫面上。同樣寫法用在咖啡廳場景卻完全沒有文字,所以這是表現好的案例,不是常態。

  • 用完整句子,透過氛圍與樂器描述音樂。
  • 把音效寫成場景中發生的事件。
  • 用簡單的說話標記引入對白,點明說話者。
  • 想加入畫面文字,就直接描述:「畫面上出現寫著 X 的字幕。」在句子中寫出完整文字,再檢查結果,並準備好在後製時補上。
  • 無論開關,音訊都會生成。關閉音訊不會降低生成費用。

表演指導

情緒詞只給出方向,其餘留給模型發揮。WAN 3.0 會充分填補這些空白,而且通常比你預想的更誇張。點出二到四個可觀察的行為線索,才能把表演穩穩控制在你要的範圍。

行為線索版,已實測
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.
「她看起來緊張不安」

從平靜一路變成幾乎落淚的表情,還悄悄讓她從後台移到了打著燈光的舞台上。

改寫成明確行為線索

視線固定、屏住呼吸、手指不動、肩膀抬起。在指定場景裡,整支影片都維持同一種克制的狀態。

使用具名表演提示的版本,整段影片都維持單一、克制的狀態,也出現在指定位置。具名提示給了 WAN 3.0 明確的表演指令,它也確實照做。

情緒轉變範本
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>.

鏡頭語言

一般景別和運鏡直接寫就有效,單靠技法名稱則比較不穩定。我們測試中表現最好的一次,不是寫出技法名稱,而是把它應該呈現的畫面描述清楚。

類型直接寫就有效的術語
景別extreme wide shot, wide shot, medium shot, close-up, extreme close-up
運鏡push in, pull out, pan, lateral move, follow shot, orbit, tilt up, handheld shake, locked-off
位置與視角low angle, overhead view, first-person view

鏡頭術語 + 目標主體 + 可見變化 + 前景與背景關係 + 方向或速度

成對測試
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.
只寫術語:「在溫室裡切換焦點。」

園丁整段都在失焦狀態,完全沒有焦點轉移。

術語加上可見變化

開頭葉片清晰、人臉模糊;結尾人臉清晰、葉片模糊,鏡頭固定。種子碼與只寫術語的版本相同。

完整描述的版本做出了俐落的焦點轉移:開頭前景葉片清晰、主體模糊,結尾主體清晰、葉片模糊,鏡頭全程固定。只寫術語的版本,主體整段都模糊,完全沒有轉移焦點。這是整輪測試中單項差異最大的一組,而你只需要多寫一句。

設定速查

設定數值備註
片長2 to 30 seconds, or -1一次生成,不用拼接。設為 -1 就讓模型決定長度。測試時,一段簡短的產品鏡頭設為 -1,產出了約六秒的影片。
解析度480P, 720P, 1080P使用大寫。以 480P 測試的影片,輸出為 832 × 480、30fps。
長寬比16:9, 4:3, 1:1, 3:4, 9:16, adaptive自適應會根據提示詞推斷畫面比例;如果有提供影格,就配合該影格的比例。
參考圖最多 10 張用於單一鏡頭,取代首幀與尾幀。Fast 模式幾分鐘內就能完成參考圖生成作業。
首尾影格各一個用於單一鏡頭,取代參考圖。首幀可精準指定開場畫面。
音訊開啟或關閉原生生成,整合在同一個檔案。無論開關,費用都一樣。
負面提示詞不支援WAN 3.0 已移除。請把排除項目寫進提示詞。
種子值整數比較兩條提示詞時,請固定這項設定,讓差異只來自文字。

WAN 3.0 提示詞指南:把模型實力用到位

把其他模型常用的幾個習慣換個寫法,在這裡就能更到位。用對方法,每次生成都值得。

  • 一鏡到底,拍好拍滿。WAN 3.0 單次生成最長可達 30 秒,直接規劃完整鏡頭,不必再拼接短片。
  • 把排除指示寫成句子。WAN 3.0 會直接遵循提示詞裡的排除要求,不需要另外的負面提示詞欄位。
  • 需要鏡頭精準地從指定畫面開始、在指定畫面結束,就用首尾影格固定起點與終點。
  • 每個鏡頭選一種定位方式:用參考圖維持角色一致,或用首幀與尾幀精準指定變化路徑。
  • 想修改已完成影片裡的內容,就交給我們的影片編輯工具。

生成前檢查

  • 提示詞是否寫明主體與主要動作?
  • 如果影片超過約十秒,是否已拆成多個階段,每階段只安排一個變化?
  • 每個階段是否都說明了結束時應該看見什麼?
  • 每張參考圖是否都指定了單一用途,並在需要時加上排除條件?
  • 既然沒有負面提示詞,是否已用完整句子寫出排除條件?
  • 音訊與畫面文字是否以一般語句描述,而非括號標記?
  • 畫面上要出現的文字,是否已逐字寫出?
  • 情緒是否寫成可觀察的行為,而不只是心情形容詞?
  • 提到的每種鏡頭技巧,是否也描述了畫面中可見的變化?
  • 如果鏡頭必須維持不變,提示詞是否寫明哪些內容不能改變?
  • 長寬比與片長是否已固定,或刻意設為自適應與 -1?