Wan 3.0 Multi-Shot Consistency: ho contato ogni taglio in 110 clip ufficiali

Hai scritto uno script da quattro inquadrature. L'inquadratura 1 è perfetta: cappello di paglia, collana di perline nere, abito di lino bianco, luce perfetta. Arriva l'inquadratura 2 ed è una donna diversa con un cappello diverso.

Questo divario è il motivo per cui tutti guardano la coerenza multi-inquadratura di Wan 3.0, la promessa di un singolo prompt, sei inquadrature, trenta secondi, stesso personaggio per tutto il tempo.

Quindi ho smesso di leggere le specifiche tecniche. Ho scaricato tutti i 110 file demo che Alibaba ha pubblicato con il proprio manuale del creatore Wan 3.0, ho eseguito ffmpeg su ognuno, ho analizzato tutti i 64 prompt accoppiati, e poi ho fatto la cosa che nessuno nei risultati di ricerca ha fatto: ho contato i tagli effettivi nei video generati e li ho confrontati con il numero di inquadrature richieste da ciascun prompt.

Tre risultati contraddicono ciò che leggerai ovunque.

Suite di grading cinematografico dove un muro di monitor mostra lo stesso personaggio con cappello di paglia tenuto in sei diverse inquadrature, il punto di riferimento per la coerenza multi-inquadratura di Wan 3.0

Il muro di riferimento di un colorista è il modello mentale onesto per la coerenza multi-inquadratura: un'identità, sei inquadrature, controllate fianco a fianco. Generato con openai/gpt-image-2.

Punti chiave

• 6 inquadrature è reale ma non garantito: 3 dei prompt multi-inquadratura ufficiali di Alibaba hanno raggiunto esattamente il numero dichiarato, 2 hanno fornito meno.
• Il caso peggiore chiedeva 4 inquadrature e ne ha renderizzate 2.
• Nessun 4K. Zero dei 110 file ufficiali superano il 1080p, e solo 4 sono esattamente 1920x1080.
• Gli oggetti di scena e la camera deragliano prima dei volti. Guarda il cappello, non gli occhi.
• Nessuna API pubblica di Wan 3.0 al di fuori della piattaforma di Alibaba per ora, quindi il tutorial qui sotto lo ricostruisce su modelli che puoi chiamare oggi.

Ecco il risultato migliore, dal manuale ufficiale di Alibaba. Sei inquadrature dichiarate nel prompt, sei inquadrature consegnate, stessi due personaggi, stessi vestiti, stessa pioggia:

Sequenza anime a sei inquadrature su una piattaforma ferroviaria piovosa, la stessa ragazza con un ombrello trasparente e un ragazzo con uno zaino cachi tenuti in modo coerente in ogni taglio

Demo beta ufficiale di Wan 3.0 di Alibaba (clip del manuale v013, 1280x720, 20.05s). Il prompt numerava le inquadrature da 1 a 6; ffmpeg trova esattamente 5 tagli netti, quindi tutte le 6 inquadrature sono state realizzate. Non generato da Atlas Cloud.

Cos'è realmente la coerenza multi-inquadratura di Wan 3.0

Versione breve: sono tre promesse separate sotto un unico nome, e Alibaba è insolitamente specifica su quali tre.

Nel suo post di lancio, Alibaba suddivide la coerenza in personaggi ("tratti del viso, acconciatura e colore dei capelli, corporatura, abbigliamento e accessori"), oggetti di scena ("aspetto multi-angolo, struttura hardware, loghi e dettagli materiali") e spazio ("blocco del personaggio e prospettiva della camera") (Alibaba Cloud, 2026). Questa suddivisione a tre livelli è la griglia di valutazione per tutto ciò che segue. Stesso viso, collana sbagliata, è un fallimento.

Il modello genera fino a 30 secondi in un unico lavoro, a 480P, 720P o 1080P (Alibaba Cloud, 2026).

Ora la parte che i risultati di ricerca sbagliano.

E questa è la tabella che ha richiesto più tempo per essere costruita. Ogni numero è mio, dal rilevamento delle scene di ffmpeg sul file consegnato rispetto al numero di inquadrature scritto nel prompt accoppiato:

Leggi di nuovo le righe centrali. Tre prompt hanno raggiunto esattamente il numero. Due no. Il numero di inquadrature che scrivi è una richiesta, non un contratto.

Perché la coerenza multi-inquadratura di Wan 3.0 si rompe: 4 modalità di fallimento

Prima il verdetto: raramente si rompe sul viso. Si rompe sugli oggetti e sulla camera, e si rompe più duramente quando cambi più cose contemporaneamente.

Ecco la clip che mi ha insegnato di più, perché è la peggiore nella vetrina di Alibaba.

GtZy2TUK4ak

Demo beta ufficiale di Wan 3.0 di Alibaba (clip del manuale v085, 1240x742, 30.08s). Il prompt sceneggia quattro inquadrature con timecode. ffmpeg trova un solo taglio reale, a 9.3s. Le inquadrature 3 e 4 collassano in un'unica ripresa continua che sfuma al nero. Non generato da Atlas Cloud.

Modalità di fallimento 1: gli oggetti di scena deragliano prima dei volti. In quella clip, guarda solo la ripresa iniziale, prima che avvenga qualsiasi taglio. A 0.6s il cappello a tesa larga ha una sottile fascia nera e il ciondolo è una pietra navale sfaccettata. A 9.2s la fascia è un ampio nastro nero e il ciondolo è una goccia nera lucida e liscia. Il suo viso è stabile per tutto il tempo. Gli accessori no.

Due fotogrammi dalla stessa ripresa continua di nove secondi, affiancati, che mostrano la fascia del cappello che si allarga e il ciondolo della collana che cambia forma e colore

Entrambi i fotogrammi provengono dalla stessa ripresa ininterrotta della demo ufficiale v085, a 8.6 secondi di distanza, nessun taglio tra di loro. Sia la fascia del cappello che il ciondolo cambiano. Questo è il livello degli oggetti che fallisce mentre il livello del personaggio regge.

Ecco perché il test di accettazione che funziona davvero è una checklist degli oggetti di scena, non un controllo di atmosfera. Per questo personaggio sono tre elementi: forma del cappello e fascia, collana di perline e ciondolo, scollatura del vestito.

Modalità di fallimento 2: le scene con più soggetti reggono individualmente e si sfumano al contatto. Ogni personaggio rimane riconoscibile da solo. Mettili insieme nell'inquadratura, interagenti, e le identità si fondono. Test indipendenti hanno trovato la stessa cosa: "La coerenza dei personaggi ha iniziato a rompersi, e la composizione a volte sembrava più un effetto green screen scadente che un ambiente generato naturalmente", con il lipsync indicato come la più grande debolezza (Curious Refuge, 2026).

Modalità di fallimento 3: hai cambiato quattro variabili in una riga. Nuova location più nuova angolazione della camera più nuova illuminazione più nuovo stato del guardaroba è il modo affidabile per perdere un'identità. I prompt del manuale stesso combattono questo riaffermando l'intero costume in ogni segmento. Sui 64 prompt accoppiati, 9 dicono esplicitamente "rimane invariato", 5 fissano la posizione della camera e 4 richiedono che il personaggio rimanga identico.

Modalità di fallimento 4: 30 secondi in un lavoro non sono 30 secondi di una singola inquadratura. Sono prodotti diversi. Un lavoro multi-inquadratura da 30s taglia tra le inquadrature. Se quello che vuoi è una ripresa continua ininterrotta, concatenare continuazioni degrada: l'errore di identità si accumula a ogni passaggio, quindi la singola ripresa pulita è per natura breve.

Il manuale ha esattamente un prompt che fa bene la continuità, e vale la pena copiare la struttura della frase:

Tre segmenti di prompt renderizzati come un'unica ripresa continua ininterrotta, da un corridoio di appartamento attraverso una porta in un vicolo gotico illuminato da lampade

Demo beta ufficiale di Wan 3.0 di Alibaba (clip del manuale v041, 720x1280, 15.04s). Tre segmenti di prompt, e ffmpeg trova zero tagli netti, che è esattamente ciò che il prompt richiedeva. Non generato da Atlas Cloud.

La sua linea di passaggio, tradotta, è la cosa più riutilizzabile dell'intero manuale: continua perfettamente dall'ultimo fotogramma del segmento precedente; il personaggio, il guardaroba, la location e la posizione della camera rimangono completamente identici; nessun taglio netto e nessuna transizione di scena improvvisa. Solo un prompt su 64 la usa. Rubala.

Il flusso di lavoro per la coerenza multi-inquadratura che puoi eseguire oggi

La domanda è: dove lo esegui realmente?

Al momento Wan 3.0 vive su Model Studio di Alibaba. Nessuna piattaforma di inferenza di terze parti lo ospita. Su Atlas Cloud appare solo come voce "in arrivo" con zero endpoint live, che è lo stato onesto delle cose e vale la pena dirlo chiaramente piuttosto che fingere diversamente.

Quindi hai due opzioni: aspettare, o smettere di chiedere a un prompt di fare sei cose.

La seconda opzione è comunque migliore, e il mio conteggio dei tagli ne è l'argomento. Un singolo lavoro multi-inquadratura ti ha dato un conteggio di inquadrature che ha mancato della metà nella stessa vetrina di Alibaba. Suddividere il lavoro rimette quel controllo nelle tue mani:

1. Blocca l'aspetto una volta, come immagine fissa.
2. Clona quell'identità in un fotogramma chiave per inquadratura, cambiando esattamente una variabile ogni volta.
3. Anima ogni inquadratura separatamente con il riferimento bloccato.
4. Unisci localmente.

Più lento da impostare, drammaticamente più prevedibile. E ogni modello nella catena è chiamabile oggi.

Vale la pena sapere per la domanda "miglior modello per la coerenza multi-inquadratura": reference-to-video è ora un'intera categoria. bytedance/seedance-2.0-fast/reference-to-video costa $0,072/s (20% di sconto su $0,09, ad agosto 2026), kwaivgi/kling-video-o3-pro/reference-to-video $0,095/s (15% di sconto su $0,112), minimax/h3/reference-to-video $0,10/s, e google/veo3.1/reference-to-video $0,20/s. Tutti i prezzi verificati rispetto al catalogo live il 21 agosto 2026.

Un avvertimento prima dei passaggi: i prezzi indicati sono un minimo, non un preventivo. Risoluzione e durata spostano il numero reale, quindi leggi il pulsante Esegui prima di impegnarti.

Come costruire la coerenza multi-inquadratura in stile Wan 3.0, passo dopo passo

Stiamo ricostruendo esattamente la scheda di beat che il modello di Alibaba ha sbagliato: la donna con cappello di paglia, quattro inquadrature, dal giardino all'auto. Stesso script, controllo per inquadratura, e questa volta ottieni quattro inquadrature perché ne hai renderizzate quattro.

Iniziamo.

Passo 1: blocca l'aspetto. Un'immagine diventa l'ancora dell'identità per tutto ciò che segue. Generala su Seedream v5.0 Pro, 16:9, la risoluzione più alta offerta dalla pagina. Nomina esplicitamente i tre oggetti di scena di controllo, perché sono quelli che deragliano.

plaintextCopy
1Fotogramma cinematografico 35mm, giardino di rose vintage baciato dal sole. Una giovane donna elegante che indossa un cappello di paglia naturale con una fascia nera, una collana di perline nere con un singolo ciondolo a goccia, e un abito di lino bianco senza maniche. Sta davanti a un muro di rose rosa e crema in fiore, una mano che sfiora leggermente la tesa del cappello, sguardo dolce e pensieroso appena fuori dalla camera. Luce naturale calda e morbida, bagliore solare screziato, profondità di campo ridotta, grana fine della pellicola, primo piano medio.

Playground di Seedream v5.0 Pro su Atlas Cloud con il prompt del cappello di paglia inserito e il fotogramma chiave del personaggio finito renderizzato nel pannello di output

Passo 1 completato: l'ancora dell'identità per l'intera sequenza di quattro inquadrature.

Passo 2: clona l'identità nelle inquadrature da 2 a 4. Un fotogramma chiave per inquadratura, un'esecuzione ciascuno, usando Nano Banana 2 Edit con l'output del Passo 1 come riferimento. La disciplina che conta: riafferma l'intero guardaroba ogni singola volta, poi cambia esattamente una cosa.

Inquadratura 2, la svolta emotiva:

plaintextCopy
1Mantieni esattamente la stessa donna dell'immagine di riferimento: viso identico, identico cappello di paglia naturale con fascia nera, identica collana di perline nere con ciondolo a goccia, identico abito di lino bianco senza maniche. Nuova inquadratura: primo piano cinematografico, lei si toglie lentamente il cappello di paglia e abbassa il mento, una leggera espressione malinconica. Stesso sfondo del giardino di rose. Preserva rigorosamente la stessa illuminazione, tonalità della pelle, grana della pellicola e gradazione colore del riferimento.

Inquadratura 3, il taglio all'auto:

plaintextCopy
1Mantieni esattamente la stessa donna dell'immagine di riferimento: viso identico, identica collana di perline nere con ciondolo a goccia, identico abito di lino bianco senza maniche, il cappello di paglia ora appoggiato sulle sue ginocchia. Nuova inquadratura: sedile posteriore di un'auto in movimento, profilo, la sua mano appoggiata contro la portiera, che guarda fuori da un finestrino con gocce di pioggia, fogliame verde sfocato che scorre veloce. Luce nuvolosa con un caldo riempimento interno, profondità di campo ridotta, malinconia elegante. Preserva rigorosamente lo stesso viso, la stessa gradazione colore e la stessa grana della pellicola 35mm del riferimento.

Inquadratura 4, l'ultimo sguardo:

plaintextCopy
1Mantieni esattamente la stessa donna dell'immagine di riferimento: viso identico, identica collana di perline nere con ciondolo a goccia. Nuova inquadratura: primo piano estremo del viso accanto al finestrino dell'auto, occhi che si chiudono lentamente, un'espressione calma e liberata. Le gocce di pioggia scivolano sul vetro davanti a lei, il fuoco si sposta sulle goccioline, lo sfondo diventa bokeh. Atmosfera cinematografica in stile Wong Kar-wai, grana fine della pellicola. Preserva rigorosamente lo stesso viso, la stessa illuminazione e la stessa gradazione colore del riferimento.

Playground di Nano Banana 2 Edit su Atlas Cloud con il fotogramma chiave del Passo 1 caricato come riferimento e il fotogramma chiave dell'inquadratura 2 renderizzato, identità e guardaroba mantenuti

Passo 2 completato: fotogramma chiave dell'inquadratura 2, stessa donna, cappello ora tra le mani.

Passo 3: anima l'inquadratura 1 con il riferimento bloccato. Ora ogni inquadratura diventa video indipendentemente su Wan 2.7 reference-to-video. Impostazioni: 720P, 5 secondi, e rilascia il fotogramma chiave del Passo 1 nello slot Immagini. Controlla il preventivo del pulsante Esegui prima di lanciarlo.

plaintextCopy
1Inquadratura 1 di 4. L'immagine di riferimento 1 definisce il personaggio: mantieni lo stesso viso, lo stesso cappello di paglia naturale con fascia nera, la stessa collana di perline nere con ciondolo a goccia e lo stesso abito di lino bianco senza maniche identici per l'intera clip. Aspetto da pellicola 35mm, giardino di rose vintage baciato dal sole. La donna sfiora leggermente la tesa del cappello mentre una brezza morbida solleva ciocche dei suoi capelli; la camera si avvicina molto lentamente. Luce naturale calda, bagliore solare screziato, profondità di campo ridotta, grana fine della pellicola. La posizione della camera rimane stabile. Nessun taglio netto e nessun cambio di scena.

Playground di Wan 2.7 reference-to-video su Atlas Cloud con il fotogramma chiave nello slot Immagini e la clip finita di cinque secondi in riproduzione nel pannello di output

Passo 3 completato: la clip con riferimento bloccato renderizzata nel pannello di output.

Ed ecco cosa è uscito:

Clip di cinque secondi con riferimento bloccato della donna con cappello di paglia nel giardino di rose, fascia del cappello e collana che rimangono stabili per tutto il tempo

Nostra esecuzione su Atlas Cloud, non una demo di Alibaba. Mostrato come GIF silenziosa; il file consegnato include una traccia audio.

Passo 4: collega le inquadrature da 2 a 4, poi unisci. Ripeti il Passo 3 per ogni fotogramma chiave rimanente e incolla la frase di passaggio dal manuale all'inizio di ogni prompt successivo:

plaintextCopy
1Continua perfettamente dall'ultimo fotogramma del segmento precedente. Il personaggio, il guardaroba, la location e la posizione della camera rimangono completamente identici. Nessun taglio netto e nessuna transizione di scena improvvisa.

Poi concatena localmente con ffmpeg ed esegui il controllo di accettazione a tre punti: forma del cappello e fascia, collana di perline e ciondolo, e se la progressione dell'inquadratura tra i tagli ha effettivamente senso. Se esattamente un oggetto è sbagliato in una inquadratura, non rigenerare l'inquadratura. Inviala attraverso wan-2.7/video-edit e cambia solo quello, prendendo in prestito la formulazione del manuale: mantieni le azioni, il guardaroba e il resto dell'inquadratura invariati.

Variazioni: scene con più soggetti e blocchi di stile

Tre schemi dal manuale che vale la pena rubare.

Schede personaggio per inquadrature multi-soggetto. Quando due o più persone condividono l'inquadratura, i prompt ufficiali assegnano schede personaggio con lettere e ridefiniscono l'intero costume di ciascuno in ogni segmento. Verboso, brutto, e funziona meglio dei pronomi.

Dichiarazione di stile globale per lavori stilizzati. Inchiostro diluito, animazione cel e altri stili pesanti necessitano che lo stile sia fissato una volta per l'intero pezzo, poi una scheda beat con timecode sotto di esso.

Sequenza di arti marziali a inchiostro diluito con uno spadaccino in un bosco di bambù, stile bloccato su un combattimento a cinque beat con timecode

Demo beta ufficiale di Wan 3.0 di Alibaba (clip del manuale v084, 20.05s, ritagliata). Cinque beat con timecode sotto una dichiarazione di stile globale a inchiostro diluito. Il tratto tremolante è il motivo per cui il rilevamento automatico dei tagli non può contare questa. Non generato da Atlas Cloud.

Ripara, non rigenerare. Un passaggio di video-edit su un oggetto sbagliato è più economico di una nuova renderizzazione e non può rompere le inquadrature che erano già corrette.

Quanto costa una sequenza di quattro inquadrature

Numeri concreti per la sequenza costruita sopra, alle tariffe indicate:

• 1 ancora di identità su Seedream v5.0 Pro: $0,045
• 3 fotogrammi chiave su Nano Banana 2 Edit: 3 x $0,08 = $0,24
• 4 clip a 5s, 720P, su Wan 2.7 reference-to-video: 20s x $0,10 = $2,00
• Totale: circa $2,29 per una sequenza di 20 secondi, quattro inquadrature, identità bloccata

Allungalo a un pezzo di sei inquadrature da 30 secondi e la linea video diventa $3,00, arrivando a circa $3,44 tutto incluso.

Due avvertenze oneste. Primo, i prezzi indicati sono un minimo: i livelli di risoluzione e la durata cambiano l'addebito reale, e il preventivo del pulsante Esegui del playground è l'unico numero che conta, motivo per cui gli screenshot sopra sono più importanti di questo elenco. Secondo, su Wan 3.0 stesso, Alibaba quota la generazione video di Model Studio al secondo per livello di risoluzione, ma non ho potuto confermare le tariffe esatte al secondo di Wan 3.0 da una pagina ufficiale, quindi non cito cifre che non ho potuto verificare.

Vale la pena notare cosa stai comprando con l'approccio del lavoro suddiviso: non un prezzo inferiore, ma un conteggio di inquadrature che corrisponde al tuo script. Sulla base della vetrina di Alibaba, non è qualcosa che un singolo lavoro di 30 secondi può ancora prometterti, ed è la risposta pratica alla coerenza multi-inquadratura di Wan 3.0 fino a quando l'API non si aprirà.

Domande frequenti

Quante inquadrature può mantenere coerenti Wan 3.0 in una generazione?

Sei, sulla base delle prove attuali, con una precisazione. Il post di lancio di Alibaba non pubblica alcuna specifica sul numero di inquadrature. Sui 8 prompt esplicitamente multi-inquadratura nel suo manuale ufficiale, il massimo dichiarato è 6, e due di quelli hanno consegnato esattamente 6 inquadrature verificate dai tagli. Considera 6 come un limite osservato, non una garanzia.

Wan 3.0 genera davvero 4K nativo?

No. Il post ufficiale elenca solo 480P, 720P e 1080P. Su tutti i 110 file demo ufficiali nulla supera il 1080p, solo 4 file sono esattamente 1920x1080, e l'output paesaggio comune è 1920x1072. I frame rate si dividono in 24fps per 63 file e 30fps per 46.

L'API di Wan 3.0 è disponibile e dove posso eseguirla?

È in esecuzione su Alibaba Cloud Model Studio. Nessuna piattaforma di inferenza di terze parti la ospita ancora; Atlas Cloud la elenca come voce "in arrivo" senza endpoint live. Se hai bisogno di output multi-inquadratura questa settimana, la catena Wan 2.7 reference-to-video sopra è il sostituto funzionante.

Perché i miei personaggi cambiano ancora tra le inquadrature anche con un'immagine di riferimento?

Di solito perché un prompt ha cambiato simultaneamente la location, l'angolazione della camera e l'illuminazione. Cambia una variabile per inquadratura e riafferma l'intero guardaroba in ogni prompt. Controlla anche le cose giuste: nella demo di Alibaba il viso è rimasto stabile mentre la fascia del cappello e il ciondolo della collana sono cambiati entrambi all'interno di una singola ripresa ininterrotta.

I pesi di Wan 3.0 sono open source?

Nessun peso è stato rilasciato. Le versioni precedenti di Wan erano scaricabili ed eseguibili localmente, mentre Wan 3.0 viene fornito come servizio su piattaforma ospitata. Chiunque citi una licenza Apache-2.0 per Wan 3.0 sta ripetendo qualcosa senza fonte ufficiale.

Qual è il modo più veloce per ottenere coerenza multi-inquadratura senza accesso a Wan 3.0?

Quattro mosse: blocca un'immagine di identità, clonala in un fotogramma chiave per inquadratura cambiando una singola variabile ogni volta, anima ogni inquadratura con reference-to-video, poi unisci localmente e controlla i tuoi oggetti. Circa $2,29 e circa mezz'ora per una sequenza di quattro inquadrature.

---

Metodologia: tutti i 110 file demo e 64 prompt accoppiati provengono dal manuale ufficiale del creatore Wan 3.0 di Alibaba, archiviato localmente l'11 agosto 2026. I metadati sono stati letti file per file con ffmpeg; i conteggi delle inquadrature provengono dal rilevamento dei cambi di scena di ffmpeg con una soglia di 0.2, incrociati con i fotogrammi estratti; la struttura dei prompt è stata analizzata a livello programmatico. I prezzi di Atlas Cloud sono stati verificati rispetto al catalogo modelli live il 21 agosto 2026.

Fonti: Alibaba Cloud (Agosto 2026); Curious Refuge (2026).