Wie man Wan 3.0 Prompts schreibt: Was drei offizielle Fälle lehren, was keine Parameterliste kann

Die Wan-Reihe ist bereits die meistgeforkte offene Videofamilie im Internet. Die Repositories Wan 2.2 und Wan 2.1 haben jeweils rund 17.000 Sterne (GitHub, August 2026), und die Wan-AI-Seite verzeichnet monatlich Hunderttausende Downloads über ihre Checkpoints (Hugging Face, August 2026). Als Wan 3.0 mit nativer 30-Sekunden-Generierung, bis zu 20 Referenzeingaben und im selben Durchlauf wie das Bild erzeugtem Audio in den frühen Zugang kam, war die erste Frage nicht, ob die Leute es nutzen würden. Sondern ob irgendjemand wüsste, wie man dafür schreibt.

Denn eine einzelne 30-Sekunden-Generierung ist keine größere Version eines 5-Sekunden-Clips. Es ist ein anderes Schreibproblem. Ein 5-Sekunden-Prompt beschreibt ein Bild, das sich bewegt. Ein 30-Sekunden-Prompt lenkt die Zeit: wer sich ändert, wann, bei welchem Schnitt, mit welchem Ton darunter.

Das Wan 3.0 Creator-Handbuch, das mit dem frühen Zugang kursiert, liefert neunzehn offizielle Prompt-und-Ergebnis-Fälle. Ich habe alle neunzehn studiert, dann die drei ausgewählt, die die am besten übertragbare Technik vermitteln, und jeden auseinandergenommen: was der Prompt tatsächlich steuert, warum er so aufgebaut ist, und wie man sein Gerüst für eigene Aufnahmen wiederverwendet. Jedes Video unten ist der echte, unbearbeitete Output für den besprochenen Fall. Die ursprünglichen Fall-Prompts sind auf Chinesisch geschrieben; die Gerüste hier sind englische Neuformulierungen ihrer Struktur, und die Wan-Reihe akzeptiert Prompts in beiden Sprachen.

Wichtige Erkenntnisse

• Lange Wan 3.0-Prompts teilen eine Architektur: zuerst Referenzbindungen, dann globale Regeln, dann eine mit Zeitstempeln versehene Shot-Liste. Kurze Test-Prompts können Schichten weglassen, Produktions-Prompts sollten es nicht.
• Schreibe Performance als Kette sichtbarer Handlungen, niemals als Emotionslabel. „Ängstlich“ ist eine Hoffnung. „Das Kauen verlangsamt sich, die Brauen ziehen sich zusammen, der Blick senkt sich auf ihre Hände“ ist eine Anweisung.
• Ton ist Teil des Prompts, kein Post-Schritt. Dialoge stehen in geschweiften Klammern, Effekte und Musik bekommen eigene Sätze, und Stille muss explizit angefragt werden.
• Die offiziellen Fälle wiederholen ihre wichtigste Einschränkung und verbieten den Fehler, den sie erwarten. Ein Handbuch-Prompt verbietet „sanftes Gleiten“ in drei verschiedenen Formulierungen, weil das Modell standardmäßig zu sanft neigt.
• Bewegung kann quantifiziert werden: Bilder pro Stoß, Prozent der Bildbreite pro Sprint, Anzahl der Wiederholungen. Der Libellen-Fall unten ist der Beweis.

Eine Generierung, 30 Sekunden, zehn nummerierte Storyboard-Beats und ein vollständiger Score-Bogen, geschrieben in einem einzigen Prompt: ein Fischerboot, ein Sturm und ein Seeungeheuer, das planmäßig auftaucht. Offizieller Wan 3.0-Handbuch-Fall, hier unbearbeitet gezeigt.

Was das Schreiben eines Wan 3.0-Prompts anders macht

Drei Fähigkeiten verändern die Aufgabe, und jede fügt eine Schreibfertigkeit hinzu, die kürzere Modelle nie verlangt haben.

Native 30 Sekunden bedeuten Struktur. Wenn ein Modell 5 Sekunden rendert, kann ein Prompt ein dichter Satz sein. Bei 30 Sekunden driftet ein unstrukturierter Prompt ab: Charaktere tauschen Kleidung, die Kamera vergisst ihre Regel, das Ende hat nichts mit dem Anfang zu tun. Jeder lange Fall im Handbuch bekämpft das Abdriften auf die gleiche Weise, mit expliziten Phasen und Endzuständen. Diese Struktur ist der Kern dieser Anleitung.

Gemeinsames Audio bedeutet Tonregie. Wan 3.0 erzeugt den Soundtrack zusammen mit dem Bild. Dialoge, Effekte, Atmosphäre und Musik sind alle promptbar, was auch bedeutet, dass ein nicht geschriebener Soundtrack ein improvisierter ist. Die offiziellen Fälle behandeln Audio mit derselben Disziplin wie Licht: angegeben, eingegrenzt und manchmal bewusst zum Schweigen gebracht.

Bis zu 20 Referenzen bedeuten Bindungssyntax. Gesichter, Outfits, Orte, Stimmen und sogar Storyboard-Bilder können an hochgeladene Materialien gebunden werden. Die Handbuch-Fälle binden jede Referenz einmal an ein benanntes Subjekt und verwenden den Namen dann in jedem späteren Shot wieder. Wenn Sie dieselbe Disziplin bereits an der aktuellen Generation getestet haben, sagen wir an Wan 2.7 Referenz-zu-Video, wird sich die 3.0-Version vertraut anfühlen, nicht neu.

Keines davon erfordert jedes Mal einen Roman zu schreiben. Der kürzeste gute Fall des Handbuchs ist ein einziger Satz über eine handgemalte UFO-Kuh-Entführung. Die Fähigkeit besteht darin, zu wissen, welche Schichten Ihr Shot braucht – genau dafür sind die drei folgenden Fälle da.

Der Wan 3.0-Prompt-Stack: Drei Schichten, die jeder lange Fall gemeinsam hat

Zieht man die neunzehn offiziellen Fälle bis auf die Knochen aus, sind die langen alle derselbe Drei-Schichten-Stack.

Schicht 1: Referenzbindungen. Eine Zeile pro hochgeladenem Material, die angibt, was es ist und was daraus übernommen werden darf. Definiere die Frau in Bild 1 als Subjekt 1. Übernimm nur das Outfit aus Bild 2. Stimme für Subjekt 2 folgt Audio 1. Einmal binden, dann für immer mit Namen referenzieren. Vage Pluralformen wie „die Bilder definieren die Charaktere“ sind genau das, was diese Schicht verhindern soll.

Schicht 2: Globale Regeln. Alles, was für den gesamten Clip gelten muss, geschrieben vor jeder Handlung: visueller Stil und seine Referenzpunkte, ein benanntes Farbsystem, Lichtverhalten, Kameragrammatik, Performance-Disziplin, Audio-Disziplin und eine Liste verbotener Fehler. Diese Schicht ist die aggressivste in den Handbuch-Fällen. Ein Kampfsport-Fall begrenzt Zeitlupe auf zwei Einsätze von unter einer Sekunde, verbietet On-Screen-Untertitel, verbietet Hintergrundmusik komplett und verbietet der Kamera, länger als 1,5 Sekunden stillzustehen.

Schicht 3: Die Timeline. Mit Zeitstempeln oder Nummern versehene Beats, die jeweils ein Hauptereignis und einen sichtbaren Endzustand tragen. Nicht „sie kämpfen eine Weile“, sondern „0 bis 1,5 Sekunden: er steht an der Schilfgrenze, von hinten beleuchtet, Wind in seinem Mantel, und sagt seinen einen Satz.“ Endzustände sorgen dafür, dass Sekunde fünfzehn mit Sekunde fünf konsistent bleibt.

Eine nützliche Art, es im Kopf zu behalten: Schicht 1 ist das Casting, Schicht 2 ist das Regelbuch, Schicht 3 ist die Shot-Liste. Die drei folgenden Fälle betonen jeweils eine Schicht am stärksten.

Fall 1: Wie man einen Wan 3.0-Prompt für Performance schreibt, ein Gesicht über 30 Sekunden

Der unscheinbarste Fall im Handbuch ist der, den die meisten zuerst studieren sollten: eine einzige feste Großaufnahme einer jungen Frau in einem blauen Abschlusskleid, gehalten für volle 30 Sekunden, während sie spricht, sich sorgt und schließlich auf ihre Hände hinunterschaut.

Dreißig Sekunden, eine Einstellung, kein Schnitt. Das Kleid sagt dir die Szene, die Stirn sagt dir die Spannung, und der gesenkte Blick landet genau dort, wo der Prompt ihn platziert hat. Offizieller Handbuch-Fall, unbearbeiteter Output.

Hier ist, was der offizielle Prompt Schritt für Schritt tut, in meinen Worten statt seinen eigenen:

1. Kamera vor Subjekt. Er beginnt mit der Fixierung des Rahmens: frontale Großaufnahme, Kopf und Oberkörper, und eine bewusste Unvollkommenheit, eine zweite Person am linken Rand, die vollständig unscharf ist. Hintergründe, die du benennst und dann verwischst, sind Hintergründe, die das Modell mitten im Shot nicht scharfzeichnen wird.
2. Kleidung als Exposition. Ein blaues Abschlusskleid ersetzt einen Absatz Szenenbeschreibung. Das Modell schließt auf die Zeremonie, die Menge, den Tag. Wähle das eine Kleidungsstück oder Requisit, das die Welt impliziert, und überspringe die Beschreibung der Welt.
3. Emotion als Kette sichtbarer Handlungen. Der Prompt fragt nie nach „Angst“. Er schreibt den sich bewegenden Mund, während sie spricht, die leicht gerunzelte Stirn, den ernsten Gesichtsausdruck. Jedes Element ist etwas, das eine Kamera überprüfen kann. Emotionslabels sind Hoffnungen. Muskelbewegungen sind Anweisungen.
4. Die Mikro-Bewegung, die Realismus verkauft. Zwei Details tun mehr als alles andere zusammen: die Kamera hält ein leichtes, handgehaltenes Atemschwanken, und ihr Blick wandert von vorne nach unten auf ihre Hände, auf einer angegebenen Bahn. Gib jeder langen Einstellung eine solche langsame, bewusste Veränderung, und der Shot wirkt inszeniert statt generiert.

Wiederverwendbares Gerüst, auf Englisch, strukturell identisch mit dem Fall:

PlainCopy
1Frontal [shot size] on [subject], [framing detail]. A [defocused element] sits at the
2[edge] of frame. [Subject] wears [one garment that implies the whole scene].
3[Subject] is [action], mouth moving, [brow / eyes / jaw detail]. Light falls from
4[direction], keeping [skin / fabric texture note]. The camera is locked but carries a
5faint handheld breathing sway. Across the shot, [one slow visible change: a gaze
6trajectory, a posture shift, an object lowered].

Fülle diese Vorlage mit einem eigenen Subjekt, bevor du dich an die 30-Sekunden-Epen wagst. Wenn das Gesicht dreißig Sekunden lang hält, ist deine Struktur solide.

Fall 2: Wie man einen 30-Sekunden-Wan-3.0-Prompt wie ein Regisseur strukturiert

Der absurde Kurzfilm des Handbuchs ist das beste strukturelle Lehrobjekt im gesamten Dokument: eine Cowgirl reitet auf einem echten Pferd zu einer einsamen Route-66-Tankstelle, nimmt die Zapfpistole auf und befüllt ihr Pferd mit frischem Gras, während das Weltbild des Angestellten leise zusammenbricht.

Dreißig Sekunden todernste Einrichtung und ein perfekter visueller Gag. Die Komödie ist in die Struktur geschrieben: feste, beobachtende Rahmung, dann eine plötzliche extreme Nahaufnahme genau dann, wenn das Absurde passiert. Offizieller Handbuch-Fall, unbearbeiteter Output.

Sein Prompt ist als fünf benannte Module organisiert, und die Modulliste selbst ist die Lektion:

1. Ein Logline. Zwei Sätze, was passiert und worin der Witz besteht. Nicht Bilder, Geschichte. Dies zuerst zu schreiben zwingt dich zu wissen, wofür die 30 Sekunden da sind.
2. Ein benanntes Farbsystem. Nicht „bunt“, sondern ein Zweifarbengesetz: türkiser Himmel und orangefarbene Erde, dann jedes wichtige Objekt einer Seite zugeordnet, die verblasste rote Zapfsäule, der orangefarbene Schal, die terrakottafarbenen Berge. Nenne das System, dann verteile es. Konsistenz in KI-Video ist meist ein Palettenproblem, bevor es ein Charakterproblem ist.
3. Eine Besetzungsliste mit narrativen Aufgaben. Jeder Charakter bekommt zwei oder drei sichtbare Eigenschaften und, entscheidend, eine Funktion: der Angestellte wird explizit als Reaktions-Shot-Träger des Films bezeichnet. Eine Aufgabe zuzuweisen sagt dem Modell, wo die Aufmerksamkeit der Kamera in jedem Beat gehört, in dem dieser Charakter erscheint.
4. Eine benannte Kameraphilosophie. Der Fall erfindet eine Regel und definiert sie in einem Satz: ruhige Beobachtung plus absurde Nahaufnahme, also feste Halbtotale und langsame Schwenks als Standard, unterbrochen von einer plötzlichen extremen Nahaufnahme nur dann, wenn das absurde Ereignis eintritt. Die Kameraregel zu nennen und dann darauf zu verweisen, schlägt, die Kamerabewegung in jedem Beat neu zu beschreiben. Es ist auch der gesamte komödiantische Mechanismus: der flache Blick lässt die Graspumpen-Nahaufnahme knallen.
5. Eine Vier-Akt-Timeline mit Endzuständen. Aufbau, Eskalation, Pointe, Nachspiel, jeweils mit Zeitbereich, einem Hauptereignis und einem eingefrorenen Endbild, bis hin zum Zahnstocher, der im letzten Beat schließlich aus dem Mund des Angestellten fällt.

Das übertragbare Modell ist größer als Komödie. Logline, Palettengesetz, Besetzung mit Aufgaben, eine benannte Kameraregel, vier Akte mit Endzuständen: das ist ein Produktions-Briefing, und Wan 3.0 ist die erste Generation dieser Familie mit genug Laufzeit, dreißig Sekunden davon, damit ein Briefing zählt. Die Seeungeheuer-Showcase am Anfang dieses Artikels ist dasselbe Gerüst mit zehn Beats und einem komponierten Musikbogen, genauso geschrieben: jeder Beat ein Ereignis, jeder Beat ein sichtbarer Endzustand.

Fall 3: Bewegungsphysik in einen Wan 3.0-Prompt schreiben

Das Schwierigste, was man von jedem Videomodell bekommt, ist Bewegung, die nicht sanft ist. Modelle neigen zu sanfter, kontinuierlicher Bewegung, weshalb jede KI-Fee wie ein langsamer Ballon schwebt. Die Fee des Handbuchs schwebt nicht. Sie bewegt sich wie eine Libelle: toter Schwebeflug, sofortiger Sprint, toter Stopp, neue Richtung.

Schweben, sprinten, harter Stopp. Die Unschärfe in der Mitte jedes Ausbruchs ist ein oder zwei Bilder breit, genau wie vom Prompt budgetiert. Offizieller Handbuch-Fall, gezeigt als stummes GIF; der gelieferte Clip trägt seine eigene Atmosphäre.

Dieser Prompt gewinnt mit vier Techniken, die du direkt übernehmen kannst:

1. Prioritätserklärung zu Beginn. Die erste Zeile kündigt die einzige höchste Priorität an, das Libellen-Bewegungsgesetz, bevor irgendeine Kulisse. Aufmerksamkeit ist ein Budget. Gib die ersten Tokens für die Regel aus, die über Erfolg entscheidet, nicht für die Teppichfarbe.
2. Ein physikalischer Anker aus der realen Welt. Statt Adjektiven wie „schnell und wendig“ nennt der Prompt ein Tier, dessen Bewegungssignatur das Modell tausende Male gesehen hat: Punktschweben, ruckartiger Start, Vollstopp, scharfes Neuausrichten. Ein vertrauter Anker übertrifft zehn abstrakte Adverbien.
3. Zahlen, wo Adjektive verschwimmen würden. Der Sprint muss 60 bis 90 Prozent der Bildbreite innerhalb von 3 bis 5 Bildern überqueren. Der Stopp muss 2 bis 4 Bilder halten. Mindestens sechs klar getrennte Ausbrüche müssen in den ersten acht Sekunden auftreten. Restbewegungsunschärfe ist mit 1 bis 2 Bildern budgetiert. Du schreibst an dieser Stelle keine Poesie, du schreibst ein Pflichtenheft, und das Modell ehrt es. Sieh dir den Strip unten an: das Bild während des Sprints ist reine Unschärfe, die Bilder auf beiden Seiten sind gestochen scharf.
4. Den Standard verbieten. Der Prompt verbietet explizit den Fehler, den er vorhersagt, in mehreren Formulierungen: keine langsame Fee, die schwebt, kein gleichmäßiges Dahingleiten, keine kontinuierliche sanfte Gleitbewegung, und dann ein korrigierender Satz, der sagt, was die Bewegung nicht ist, „kein kontinuierlicher Flugpfad, sondern kurze, scharfe, fast bildüberspringende Verschiebungen.“ Wenn du weißt, was das Modell auf Autopilot tun wird, schreibe den Autopiloten aus dem Shot.

Vier aufeinanderfolgende Standbilder aus dem Libellenfall: Schweben neben dem Teddybären, Bewegungsunschärfe während des Sprints, Ankunft über den Bauklötzen, Schwebestopp

Vier Bilder aus dem Output oben. Scharf, unscharf, scharf, scharf: das Unschärfebudget aus dem Prompt, Bild für Bild sichtbar.

Dieselben vier Schritte lassen sich auf jedes Bewegungsproblem verallgemeinern: Schwenks, die keine Schnitte werden dürfen, Einschläge, die Gewicht brauchen, mechanische Bewegung, die nicht organisch werden darf. Verankern, quantifizieren, priorisieren und den Standard verbieten.

Dialog, Ton und Referenzsyntax in Wan 3.0-Prompts

Die drei Fälle oben schweigen zu den Mechanismen, die Wan 3.0-Prompts zum Sprechen bringen, also hier die Syntaxebene, zusammengestellt aus den restlichen Fällen des Handbuchs.

Dialog steht in geschweiften Klammern. Gesprochene Zeilen werden als {Welche Muskelgruppe heute} eingefasst, statt als offene Prosa stehen gelassen, was das Modell davon abhält, deinen Dialog als Untertitel zu erzählen. Zeilen landen mit Lippen-Sync, und eine Dialogszene wird als abwechselnde Handlung und in Klammern gesetzte Zeilen geschrieben, genau wie ein Drehbuch.

Stimmen können besetzt werden. Die Referenzsyntax erstreckt sich auf Audio: definiere die Frau in Bild 1 als Subjekt 1, dann gib an, dass die Stimme von Subjekt 1 Audio 1 folgt. Gesicht aus einer Datei, Stimme aus einer anderen, beide für die Dauer gesperrt.

Audio braucht eine Disziplinerklärung. Die stärksten Fälle erklären ihre Klanglandschaft so, wie sie ihre Palette erklären. Ein Animationsfall gibt seine Audioarten vorab an: nur Atmosphäre und Musik, keine Sprache. Der Kampfsport-Fall geht noch weiter und verbietet Hintergrundmusik komplett, behält nur Atmen, Stoffreibung, Schläge und Wind bei, und er bekommt genau das. Musik, wenn gewünscht, wird als Bogen über die Timeline geschrieben, von tiefen Dread-Drones über Streicher-Eskalation zu einem Blechbläser-Einschlag und einem langen Untergangston, zugeordnet den Beats, die sie treffen muss.

Stille ist auch eine Anfrage. Ohne Aufforderung füllt das Modell die Spur. Wenn dein Shot nur Raumton und ein einziges Geräuschereignis braucht, sag es. Tonregie in Wan 3.0 ist keine Garnierung. Es ist die zweite Hälfte des Mediums.

Wo man die Wan 3.0-Prompt-Formel heute üben kann

Wan 3.0 ist noch auf dem Weg, und Benutzer können es derzeit nicht nutzen. Die obige Struktur reift trotzdem jetzt, denn nichts daran ist versionsgebunden: Bindungen, globale Regeln, Timelines, Dialog in Klammern und verbotene Standards laufen alle auf der aktuellen Wan-Generation.

Die gesamte aktuelle Familie ist live auf Atlas Cloud, Wan 2.7 Text-zu-Video, Bild-zu-Video, Referenz-zu-Video und Video-Bearbeitung, mit einem Schlüssel und laufzeitabhängiger Preisgestaltung, die vor dem Start angezeigt wird. Eine praktische Übung: nimm das Gerüst aus Fall 1, fülle es mit deinem eigenen Subjekt und führe es als kurze Aufnahme auf Wan 2.7 Text-zu-Video aus. Wenn die Performance-Kette dort hält, ist dieselbe Datei dein Wan 3.0-Entwurf am ersten Tag, mit aufgedrehter Dauer statt umgeschrieben. Atlas Cloud hat die Angewohnheit, bei Updates dieser Familie Tag-0-Zugang zu gewähren, also sind die Übungsumgebung und das Ziel wahrscheinlich dieselbe Seite.

Häufig gestellte Fragen

Wie lang sollte ein Wan 3.0-Prompt sein?

So lang wie der Shot braucht und nicht länger. Das offizielle Handbuch reicht von einem Satz, einem handgemalten UFO-Gag, bis zu über tausend Wörtern für einen Zehn-Beat-Monsterfilm. Die entscheidende Variable sind Dauer und Besetzungsgröße: ein 5-Sekunden-Ein-Subjekt-Test braucht einen dichten Satz, eine 30-Sekunden-Mehr-Charakter-Geschichte braucht alle drei Schichten, Bindungen, globale Regeln und eine Timeline.

Erzeugt Wan 3.0 Ton aus dem Prompt?

Ja, Audio wird im selben Durchlauf wie das Bild generiert. Dialog wird in geschweiften Klammern geschrieben und landet mit Lippen-Sync, Soundeffekte und Atmosphäre werden als Prosa geschrieben, und Musik kann als Bogen über die Timeline gelenkt werden. Die Disziplin wirkt in beide Richtungen: wenn du Fast-Stille oder Atmosphäre ohne Musik willst, musst du es sagen, sonst füllt das Modell die Spur von selbst.

Was ist die Syntax mit geschweiften Klammern in Wan 3.0-Prompts?

Klammern markieren Wörter, die von einem Charakter laut gesprochen werden, wie in {Wir sehen uns im Ziel}. Dialog in Klammern zu halten trennt ihn von der Szenenbeschreibung, sodass das Modell die Zeile aufführt statt sie zu illustrieren. Für mehrsprachige Arbeit gib die Sprache vor der Zeile und den Vortragsstil dazu an.

Wie halte ich einen Charakter über ein 30-Sekunden-Wan-3.0-Video konsistent?

Binde den Charakter einmal an eine Referenz, mit Umfang: definiere die Person in Bild 1 als Subjekt 1, übernimm nur Gesicht, Haare und Outfit. Wiederhole dann den Namen des Subjekts in jedem Timeline-Beat, in dem es vorkommt, und wiederhole die zwei oder drei gesperrten Eigenschaften bei jedem risikoreichen Moment, wie einer kostümbedingten Aktion oder einer Lichtänderung. Der Kampfszene-Fall des Handbuchs wiederholt sogar die Eigenschaftssperren pro Modul – das ist die Version mit Sicherheitsgurt und Hosenträgern.

Kann ich das Schreiben von Wan 3.0-Prompts üben, bevor ich Zugang habe?

Ja, und du solltest es. Die Drei-Schichten-Struktur, Dialog in Klammern, Referenzbindungen und die Technik des Verbots von Standards laufen alle heute auf der aktuellen Familie. Wan 2.7 auf Atlas Cloud deckt Text-zu-Video, Bild-zu-Video, Referenz-zu-Video und Video-Bearbeitung mit einem Schlüssel ab, sodass eine dort bewährte Vorlage als Daueränderung und nicht als Umschreibung auf 3.0 übertragen wird.

Fazit

Neunzehn offizielle Fälle sagen dasselbe auf drei verschiedene Arten: Ein Wan 3.0-Prompt ist ein Produktionsdokument, keine Bildunterschrift. Besetze deine Referenzen, lege deinen Stil fest, plane deine Beats und behandle Ton als die Hälfte des Bildes. Beginne mit dem Gerüst der Absolventen-Großaufnahme, steige auf zum Fünf-Modul-Briefing und hebe die bewegungsbudgetierte Spezifikation für den Shot auf, der sie braucht. Die Modelle werden sich weiterentwickeln. Die Disziplin, Zeit zu schreiben statt Bilder zu beschreiben, ist der Teil, den du behalten darfst.