Jak pisać prompty dla Wan 3.0: Czego trzy oficjalne przypadki uczą, a czego nie da żadna lista parametrów.

Linia Wan jest już najbardziej forkowaną otwartą rodziną wideo w internecie. Repozytoria Wan 2.2 i Wan 2.1 mają po około 17 000 gwiazdek (GitHub, sierpień 2026), a strona Wan-AI generuje setki tysięcy pobrań miesięcznie swoich checkpointów (Hugging Face, sierpień 2026). Kiedy więc Wan 3.0 wszedł do wczesnego dostępu z natywną generacją 30-sekundową, do 20 wejściowymi referencjami i dźwiękiem generowanym w tym samym przebiegu co obraz, pierwsze pytanie nie brzmiało, czy ludzie z niego skorzystają. Chodziło o to, czy ktokolwiek będzie wiedział, jak dla niego pisać.

Ponieważ 30-sekundowa pojedyncza generacja to nie jest większa wersja 5-sekundowego klipu. To inny problem pisarski. 5-sekundowy prompt opisuje obraz, który się porusza. 30-sekundowy prompt kieruje czasem: kto się zmienia, kiedy, na którym cięciu, z jakim dźwiękiem w tle.

Podręcznik twórcy Wan 3.0, krążący wraz z wczesnym dostępem, zawiera dziewiętnaście oficjalnych przypadków promptów i wyników. Przestudiowałem je wszystkie, a następnie wybrałem trzy, które uczą najbardziej przenośnej techniki, i rozłożyłem każdy na czynniki pierwsze: co prompt faktycznie kontroluje, dlaczego jest zbudowany w ten sposób i jak wykorzystać jego szkielet do własnych ujęć. Każde wideo poniżej to rzeczywisty, nieedytowany wynik omawianego przypadku. Oryginalne prompt przypadków są napisane po chińsku; szkielety tutaj to angielskie przeformułowania ich struktury, a linia Wan akceptuje prompty w obu językach.

Kluczowe wnioski

• Długie prompty Wan 3.0 mają wspólną architekturę: najpierw powiązania referencji, potem reguły globalne, a na końcu lista ujęć z timestampami. Krótkie testowe prompty mogą pominąć warstwy, produkcyjne nie powinny.
• Pisz wykonanie jako łańcuch widocznych działań, nigdy jako etykietę emocji. „Niespokojny” to nadzieja. „Żucie zwalnia, brwi się ściągają, wzrok opada na dłonie” to instrukcja.
• Dźwięk jest częścią promptu, a nie etapem postprodukcji. Dialogi umieszczamy w nawiasach klamrowych, efekty i muzyka mają własne zdania, a ciszę trzeba wyraźnie zażądać.
• Oficjalne przypadki powtarzają swoje najważniejsze ograniczenie i zakazują spodziewanej porażki. Jeden prompt z podręcznika zakazuje „płynnego ślizgu” w trzech różnych sformułowaniach, ponieważ model domyślnie dąży do gładkości.
• Ruch można kwantyfikować: klatki na serię, procent szerokości kadru na przeskok, liczba powtórzeń. Przypadek ważki poniżej jest tego dowodem.

Jedna generacja, 30 sekund, dziesięć ponumerowanych beatów storyboardu i pełny łuk partytury zapisane w jednym prompcie: łódź rybacka, burza i morski potwór, który wynurza się zgodnie z harmonogramem. Oficjalny przypadek z podręcznika Wan 3.0, pokazany tutaj bez edycji.

Co sprawia, że pisanie promptu Wan 3.0 jest inne

Trzy możliwości zmieniają zadanie, a każda dodaje umiejętność pisarską, o którą krótsze modele nigdy nie prosiły.

Natywne 30 sekund oznacza strukturę. Gdy model renderuje 5 sekund, prompt może być jednym gęstym zdaniem. Przy 30 sekundach nieustrukturyzowany prompt dryfuje: postacie zmieniają ubrania, kamera zapomina o swojej zasadzie, zakończenie nie ma związku z początkiem. Każdy długi przypadek w podręczniku walczy z dryfem w ten sam sposób: za pomocą wyraźnych etapów i stanów końcowych. Ta struktura jest rdzeniem tego przewodnika.

Wspólny dźwięk oznacza kierowanie dźwiękiem. Wan 3.0 generuje ścieżkę dźwiękową razem z obrazem. Dialogi, efekty, atmosfera i muzyka są podpowiadalne, co oznacza również, że niezapisana ścieżka dźwiękowa jest improwizowana. Oficjalne przypadki traktują dźwięk z taką samą dyscypliną jak światło: określony, zakresowy, a czasem celowo wyciszony.

Do 20 referencji oznacza składnię wiązania. Twarze, stroje, lokalizacje, głosy, a nawet obrazy storyboardu mogą być przypięte do przesłanych materiałów. Przypadki z podręcznika wiążą każdą referencję z nazwanym podmiotem raz, a następnie używają tej nazwy w każdym późniejszym ujęciu. Jeśli testowałeś tę samą dyscyplinę na obecnej generacji, powiedzmy na Wan 2.7 reference-to-video, wersja 3.0 będzie wydawać się znajoma, a nie nowa.

Żadne z tego nie wymaga pisania powieści za każdym razem. Najkrótszy dobry przypadek w podręczniku to pojedyncze zdanie o UFO kradnącym krowę w stylu ręcznie malowanym. Umiejętność polega na wiedzy, które warstwy są potrzebne do twojego ujęcia, i właśnie do tego służą trzy poniższe przypadki.

Stos promptów Wan 3.0: Trzy warstwy, które dzielą wszystkie długie przypadki

Oderwij skórkę z dziewiętnastu oficjalnych przypadków, a długie są zawsze tym samym trzywarstwowym stosem.

Warstwa 1: powiązania referencji. Jedna linia na przesłany materiał, określająca, co to jest i co można z niego wziąć. Zdefiniuj kobietę z obrazu 1 jako Podmiot 1. Weź tylko strój z obrazu 2. Głos Podmiotu 2 podąża za audio 1. Zwiąż raz, potem odwołuj się po nazwie na zawsze. Niejednoznaczne liczby mnogie, takie jak „obrazy definiują postacie”, są dokładnie tym, czemu ta warstwa ma zapobiegać.

Warstwa 2: reguły globalne. Wszystko, co musi pozostać prawdziwe przez cały klip, napisane przed jakąkolwiek akcją: styl wizualny i jego punkty odniesienia, nazwany system kolorów, zachowanie światła, gramatyka kamery, dyscyplina wykonania, dyscyplina dźwięku i lista zakazanych porażek. Ta warstwa jest tam, gdzie przypadki z podręcznika są najbardziej agresywne. Jeden przypadek sztuk walki ogranicza zwolnione tempo do dwóch zastosowań po poniżej sekundy każde, zakazuje napisów na ekranie, zakazuje w ogóle muzyki w tle i zabrania kamerze pozostawania w bezruchu dłużej niż 1,5 sekundy.

Warstwa 3: oś czasu. Beaty z timestampami lub numerami, każdy niosący jedno główne wydarzenie i widoczny stan końcowy. Nie „walczą przez chwilę”, ale „0 do 1,5 sekundy: stoi na linii trzcin, podświetlony od tyłu, wiatr w płaszczu, mówi swoją jedną kwestię”. Stany końcowe utrzymują spójność piętnastej sekundy z piątą.

Przydatny sposób na zapamiętanie: Warstwa 1 to casting, Warstwa 2 to księga zasad, Warstwa 3 to lista ujęć. Trzy przypadki poniżej każdy najmocniej akcentują jedną warstwę.

Przypadek 1: Jak napisać prompt Wan 3.0 dla wykonania, jedna twarz przez 30 sekund

Najmniej efektowny przypadek w podręczniku jest tym, który większość ludzi powinna przestudiować jako pierwszy: pojedyncze, stałe zbliżenie młodej kobiety w niebieskiej todze, utrzymane przez pełne 30 sekund, podczas gdy mówi, martwi się i wreszcie spogląda w dół na swoje dłonie.

Trzydzieści sekund, jedno ujęcie, bez cięcia. Toga mówi ci o scenie, brwi mówią o stawce, a opadnięcie wzroku ląduje dokładnie tam, gdzie prompt to umieścił. Oficjalny przypadek z podręcznika, nieedytowany wynik.

Oto co robi oficjalny prompt, krok po kroku, moimi słowami, a nie własnymi:

1. Kamera przed podmiotem. Otwiera się od zablokowania kadru: frontalne zbliżenie, głowa i górna część ciała oraz jedna celowa niedoskonałość, druga osoba na lewej krawędzi, całkowicie rozmyta. Tła, które nazwiesz, a następnie rozmyjesz, to tła, których model nie wyostrzy w trakcie ujęcia.
2. Garderoba jako ekspozycja. Jedna niebieska toga zastępuje akapit budowania sceny. Model wnioskuje o ceremonii, tłumie, dniu. Wybierz jeden element garderoby lub rekwizyt, który implikuje świat, i pomiń opisywanie świata.
3. Emocje jako łańcuch widocznych działań. Prompt nigdy nie prosi o „niepokój”. Pisze o poruszających się ustach podczas mówienia, lekko zmarszczonych brwiach, poważnym wyrazie twarzy. Każdy element to coś, co kamera może zweryfikować. Etykiety emocji są nadziejami. Ruchy mięśni to instrukcje.
4. Mikroruch, który sprzedaje realizm. Dwa szczegóły robią więcej niż wszystko inne razem wzięte: kamera utrzymuje delikatne, ręczne oddychanie (breathing sway), a jej wzrok wędruje z przodu w dół na dłonie, po określonej trajektorii. Daj każdemu długiemu ujęciu jeden powolny, celowy ruch tego typu, a ujęcie będzie odbierane jako wyreżyserowane, a nie wygenerowane.

Wielokrotnego użytku szkielet, po angielsku, struktura identyczna jak w przypadku:

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].

Wypełnij ten szablon własnym podmiotem, zanim dotkniesz 30-sekundowych epopei. Jeśli twarz utrzymuje się przez trzydzieści sekund, twoja struktura jest solidna.

Przypadek 2: Jak ustrukturyzować 30-sekundowy prompt Wan 3.0 jak reżyser

Absurdalny krótki przypadek z podręcznika jest najlepszym obiektem nauczania struktury w całym dokumencie: kowbojka jedzie na prawdziwym koniu do samotnej stacji benzynowej Route 66, podnosi dyszę, i tankuje swojego konia świeżą trawą, podczas gdy światopogląd pracownika stacji cicho się załamuje.

Trzydzieści sekund suchara i jeden doskonały gag wizualny. Komedia jest zapisana w strukturze: stałe, obserwacyjne kadrowanie, a potem nagłe, skrajne zbliżenie dokładnie w momencie, gdy dzieje się absurdalna rzecz. Oficjalny przypadek z podręcznika, nieedytowany wynik.

Jego prompt jest zorganizowany jako pięć nazwanych modułów, a lista modułów sama w sobie jest lekcją:

1. Logline. Dwa zdania o tym, co się dzieje i na czym polega żart. Nie wizualia, ale historia. Napisanie tego najpierw zmusza cię do wiedzy, do czego służy 30 sekund.
2. Nazwany system kolorów. Nie „kolorowo”, ale prawo dwóch kolorów: turkusowe niebo i pomarańczowa ziemia, a następnie każdy ważny obiekt przypisany do jednej z nich, wyblakła czerwona pompa, pomarańczowy szalik, terakotowe góry. Nazwij system, a następnie rozdysponuj go. Spójność w AI wideo jest zwykle problemem palety, zanim stanie się problemem postaci.
3. Lista obsady z rolami narracyjnymi. Każda postać otrzymuje dwie lub trzy widoczne cechy i, co kluczowe, funkcję: pracownik stacji jest wyraźnie wyznaczony jako nośnik ujęć reakcji w filmie. Przypisanie roli mówi modelowi, gdzie należy uwaga kamery w każdym beacie, w którym pojawia się ta postać.
4. Nazwana filozofia kamery. Przypadek wymyśla regułę i definiuje ją w jednej linii: spokojna obserwacja plus absurdalne zbliżenie, czyli domyślnie stałe średnie ujęcia i powolne panoramy, przełamane nagłym skrajnym zbliżeniem tylko wtedy, gdy odpala absurdalne wydarzenie. Nazwanie zasady kamery i odwoływanie się do niej jest lepsze niż opisywanie ruchów kamery w każdym beacie. Jest to także cały mechanizm komediowy: płaskie spojrzenie sprawia, że zbliżenie trawiastej pompy ląduje.
5. Czteroaktowa oś czasu ze stanami końcowymi. Wprowadzenie, eskalacja, pointa, pokłosie, każdy z zakresem czasu, jednym głównym wydarzeniem i zamrożonym obrazem końcowym, aż do wykałaczki w końcu wypadającej z ust pracownika w ostatnim beacie.

Model przenośny jest większy niż komedia. Logline, prawo palety, obsada z rolami, jedna nazwana zasada kamery, cztery akty ze stanami końcowymi: to jest brief produkcyjny, a Wan 3.0 jest pierwszą generacją tej rodziny z wystarczającym rozbiegiem, trzydzieści sekund, aby brief miał znaczenie. Prezentacja morskiego potwora na początku tego artykułu to ten sam szkielet przy dziesięciu beatach z łukiem muzycznym, napisany w ten sam sposób: każdy beat to jedno wydarzenie, każdy beat to widoczny stan końcowy.

Przypadek 3: Pisanie fizyki ruchu w prompcie Wan 3.0

Najtrudniejszą rzeczą do uzyskania z dowolnego modelu wideo jest ruch, który nie jest płynny. Modele uśredniają w kierunku łagodnego, ciągłego ruchu, dlatego każda AI wróżka unosi się jak powolny balon. Wróżka z podręcznika nie unosi się. Porusza się jak ważka: martwy zawis, momentalny przeskok, martwy stop, nowy kierunek.

Zawis, przeskok, twardy stop. Rozmycie w środku każdej serii ma szerokość jednej lub dwóch klatek, dokładnie tak, jak zaplanował prompt. Oficjalny przypadek z podręcznika, pokazany jako niemy GIF; dostarczony klip ma własną atmosferę.

Ten prompt wygrywa dzięki czterem technikom, które możesz bezpośrednio przejąć:

1. Deklaracja priorytetu na początku. Pierwsza linia ogłasza pojedynczy, najwyższy priorytet, prawo ruchu ważki, przed jakimkolwiek otoczeniem. Uwaga to budżet. Wydaj początkowe tokeny na regułę decydującą o sukcesie, a nie na kolor dywanu.
2. Kotwica fizyki ze świata rzeczywistego. Zamiast przymiotników takich jak „szybki i zwinny”, prompt nazywa zwierzę, którego sygnaturę ruchu model widział tysiące razy: punkt zawisu, wybuch startu, pełny stop, ostre przetargetowanie. Jedna znajoma kotwica działa lepiej niż dziesięć abstrakcyjnych przysłówków.
3. Liczby tam, gdzie przymiotniki by się rozmazały. Przeskok musi pokonać 60 do 90 procent szerokości kadru w ciągu 3 do 5 klatek. Stop musi trwać 2 do 4 klatek. Co najmniej sześć wyraźnie odseparowanych serii musi wystąpić w pierwszych ośmiu sekundach. Resztkowe rozmycie ruchu jest budżetowane na 1 do 2 klatek. W tym momencie nie piszesz poezji, piszesz specyfikację, a model ją honoruje. Spójrz na pasek poniżej: klatka w środku przeskoku to czysta smuga, klatki po obu stronach są ostre jak igła.
4. Zakazywanie domyślnego. Prompt wyraźnie zakazuje przewidywanej porażki, w wielu sformułowaniach: żadnego powolnego unoszenia się wróżki, żadnej podróży ze stałą prędkością, żadnego ciągłego płynnego ślizgu, a następnie zdanie korygujące, które mówi, czym ruch nie jest, „nie ciągła ścieżka lotu, ale krótkie, ostre, prawie pomijające klatki przemieszczenia”. Gdy wiesz, co model zrobi na autopilocie, wypisz autopilota z ujęcia.

Cztery kolejne klatki z przypadku ważki: zawis obok misia, rozmycie ruchu w trakcie przeskoku, przybycie nad klocki, martwy zawis

Cztery klatki z powyższego wyniku. Ostra, rozmyta, ostra, ostra: budżet rozmycia z promptu, widoczny klatka po klatce.

Te same cztery ruchy uogólniają się na każdy problem ruchowy: panoramy biczowe, które nie mogą stać się cięciami, uderzenia wymagające ciężaru, mechaniczny ruch, który nie może stać się organiczny. Zakotwicz, skwantyfikuj, nadaj priorytet i zakaz domyślnego.

Dialogi, dźwięk i składnia referencji w promptach Wan 3.0

Trzy powyższe przypadki milczą na temat mechaniki, która sprawia, że prompty Wan 3.0 mówią, więc oto warstwa składniowa, zebrana z pozostałych przypadków podręcznika.

Dialogi w nawiasach klamrowych. Wypowiadane kwestie są zawijane jako {Która grupa mięśni dzisiaj} zamiast pozostawione w otwartej prozie, co zapobiega narratywizowaniu dialogu przez model jako podpisu. Kwestie lądują z synchronizacją ust, a scena dialogowa jest pisana jako naprzemienne akcje i kwestie w klamrach, dokładnie jak scenariusz filmowy.

Głosy mogą być obsadzone. Składnia referencji rozciąga się na audio: zdefiniuj kobietę z obrazu 1 jako Podmiot 1, a następnie określ, że głos Podmiotu 1 podąża za audio 1. Twarz z jednego pliku, głos z innego, oba zablokowane na czas trwania.

Audio wymaga deklaracji dyscypliny. Najsilniejsze przypadki deklarują swój pejzaż dźwiękowy tak, jak deklarują paletę. Jeden przypadek animacji określa z góry swoje typy audio: tylko atmosfera i muzyka, bez mowy. Przypadek sztuk walki idzie dalej, zakazując muzyki w tle całkowicie, pozostawiając tylko oddech, tarcie tkaniny, ciosy i wiatr, i dostaje dokładnie to. Muzyka, gdy jest pożądana, jest pisana jako łuk wzdłuż osi czasu, od niskich, złowrogich dronów przez eskalację smyczków do uderzenia blachy i długiego, złowrogiego dźwięku, odwzorowanego na beaty, które musi trafić.

Cisza również jest prośbą. Bez promptu model wypełnia ścieżkę. Jeśli twoje ujęcie potrzebuje tylko tonu pomieszczenia i jednego zdarzenia dźwiękowego, powiedz to. Kierowanie dźwiękiem w Wan 3.0 nie jest ozdobą. To druga połowa medium.

Gdzie ćwiczyć formułę promptu Wan 3.0 już dziś

Wan 3.0 jest jeszcze w drodze i użytkownicy nie mogą go teraz używać. Powyższa struktura działa już teraz, ponieważ nic w niej nie jest zależne od wersji: wiązania, reguły globalne, osie czasu, dialogi w klamrach i zakazy domyślnych działają na obecnej generacji Wan.

Cała obecna rodzina jest dostępna na Atlas Cloud, Wan 2.7 text-to-video, image-to-video, reference-to-video i video editing, na jednym kluczu z ceną za uruchomienie pokazaną, zanim naciśniesz przycisk. Praktyczne ćwiczenie: weź szkielet z Przypadku 1, wypełnij go własnym podmiotem i uruchom jako krótkie ujęcie na Wan 2.7 text-to-video. Jeśli łańcuch wykonania działa tam, ten sam plik jest twoim pierwszym szkicem Wan 3.0, z czasem trwania zwiększonym zamiast przepisanym. Atlas Cloud ma zwyczaj udostępniania dostępu w dniu 0, gdy ta rodzina jest aktualizowana, więc środowisko ćwiczeń i miejsce docelowe to prawdopodobnie ta sama strona.

Najczęściej zadawane pytania

Jak długi powinien być prompt Wan 3.0?

Tak długi, jak potrzebuje ujęcie, i nie dłuższy. Oficjalny podręcznik obejmuje zakres od jednego zdania, ręcznie malowanego gagu z UFO, do promptów liczących ponad tysiąc słów dla dziesięciobeatowego filmu o potworze. Zmienną decydującą jest czas trwania i rozmiar obsady: 5-sekundowy test z jednym podmiotem potrzebuje jednego gęstego zdania, 30-sekundowa historia z wieloma postaciami potrzebuje wszystkich trzech warstw: wiązań, reguł globalnych i osi czasu.

Czy Wan 3.0 generuje dźwięk z promptu?

Tak, audio jest generowane w tym samym przebiegu co obraz. Dialogi są pisane w nawiasach klamrowych i lądują z synchronizacją ust, efekty dźwiękowe i atmosfera są pisane jako proza, a muzyka może być kierowana jako łuk wzdłuż osi czasu. Dyscyplina działa w obie strony: jeśli chcesz bliskiej ciszy lub atmosfery bez partytury, musisz to powiedzieć, w przeciwnym razie model wypełni ścieżkę samodzielnie.

Co to jest składnia nawiasów klamrowych w promptach Wan 3.0?

Nawiasy klamrowe oznaczają słowa wypowiadane na głos przez postać, np. {Do zobaczenia na mecie}. Trzymanie dialogu w klamrach oddziela go od opisu sceny, dzięki czemu model wykonuje kwestię, zamiast ją ilustrować. W przypadku pracy wielojęzycznej podaj język przed kwestią i styl wykonania razem z nią.

Jak utrzymać spójność jednej postaci w 30-sekundowym wideo Wan 3.0?

Przypisz postać do referencji raz, z zakresem: zdefiniuj osobę z obrazu 1 jako Podmiot 1, weź tylko twarz, włosy i strój. Następnie powtarzaj nazwę podmiotu w każdym beacie osi czasu, w którym się pojawia, i powtórz dwie lub trzy zablokowane cechy w każdym ryzykownym momencie, takim jak akcja związana z kostiumem lub zmiana oświetlenia. Przypadek sceny walki z podręcznika nawet powtarza blokady cech na moduł, co jest wersją na pasek i szelki.

Czy mogę ćwiczyć pisanie promptów Wan 3.0 przed uzyskaniem dostępu?

Tak, i powinieneś. Trójwarstwowa struktura, dialogi w klamrach, wiązania referencji i technika zakazywania domyślnych działają na obecnej rodzinie. Wan 2.7 na Atlas Cloud obejmuje text-to-video, image-to-video, reference-to-video i video editing na jednym kluczu, więc szablon sprawdzony tam przenosi się do 3.0 jako zmiana czasu trwania, a nie przepisanie.

Podsumowanie

Dziewiętnaście oficjalnych przypadków mówi to samo na trzy różne sposoby: prompt Wan 3.0 to dokument produkcyjny, a nie podpis. Przypisz swoje referencje, ustaw styl, zaplanuj beaty i traktuj dźwięk jako połowę obrazu. Zacznij od szkieletu zbliżenia absolwentki, przejdź do pięciomodułowego briefu i zachowaj specyfikację ruchu z budżetem klatek na ujęcie, które tego potrzebuje. Modele będą się zmieniać. Dyscyplina pisania czasu zamiast opisywania obrazów to część, którą zatrzymasz.