Hur man skriver Wan 3.0-prompter: Vad tre officiella fall lär ut som ingen parameterlista kan

Wan-linjen är redan den mest förgrenade öppna videofamiljen på internet. Repositories för Wan 2.2 och Wan 2.1 har cirka 17 000 stjärnor vardera (GitHub, augusti 2026), och Wan-AI-sidan hanterar hundratusentals nedladdningar per månad över sina checkpoints (Hugging Face, augusti 2026). Så när Wan 3.0 gick in i early access med inbyggd 30-sekundersgenerering, upp till 20 referensinmatningar och ljud som genereras i samma pass som bilden, var den första frågan inte om folk skulle använda det. Det var om någon skulle veta hur man skriver för det.

För en 30-sekunders enkelgenerering är inte en större version av ett 5-sekundersklipp. Det är ett annat skrivproblem. En 5-sekundersprompt beskriver en bild som rör sig. En 30-sekundersprompt styr tid: vem som ändras, när, vid vilken klippning, med vilket ljud under.

Wan 3.0:s skaparhandbok som cirkulerar med early access levererar nitton officiella prompt-och-resultat-fall. Jag studerade alla nitton, valde sedan ut de tre som lär ut mest överförbar teknik och plockade isär var och en: vad prompten faktiskt styr, varför den är uppbyggd som den är och hur man återanvänder dess skelett för sina egna tagningar. Varje video nedan är den verkliga, oredigerade utmatningen för det fall som diskuteras. De ursprungliga fallpromptarna är skrivna på kinesiska; skeletten här är engelska omformuleringar av deras struktur, och Wan-linjen accepterar promptar på båda språken.

Viktiga slutsatser

• Långa Wan 3.0-promptar delar en arkitektur: referensbindningar först, globala regler sedan, en tidsstämplad taglista sist. Korta testpromptar kan hoppa över lager, produktionspromptar bör inte.
• Skriv prestanda som en kedja av synliga handlingar, aldrig som en känsloetikett. "Orolig" är en förhoppning. "Tuggandet saktar ner, ögonbrynen dras ihop, blicken faller till hennes händer" är en instruktion.
• Ljud är en del av prompten, inte ett eftersteg. Dialog placeras i klamrar, effekter och musik får egna meningar, och tystnad måste begäras explicit.
• De officiella fallen upprepar sin viktigaste begränsning och förbjuder det misslyckande de förväntar sig. En handboksprompt förbjuder "mjuk glidning" i tre olika formuleringar, eftersom modellen som standard är mjuk.
• Rörelse kan kvantifieras: bildrutor per utbrott, procent av bildbredd per rusning, antal repetitioner. Trollsländefallet nedan är beviset.

En generation, 30 sekunder, tio numrerade storyboard-beats och en fullständig musikbåge skriven i en enda prompt: en fiskebåt, en storm och ett sjömonster som dyker upp enligt schema. Officiellt Wan 3.0-handboksfal, visat här oredigerat.

Vad som gör att skriva en Wan 3.0-prompt annorlunda

Tre förmågor förändrar jobbet, och var och en lägger till en skrivfärdighet som kortare modeller aldrig efterfrågade.

Inbyggda 30 sekunder innebär struktur. När en modell renderar 5 sekunder kan en prompt vara en enda tät mening. Vid 30 sekunder driver en ostrukturerad prompt: karaktärer byter kläder, kameran glömmer sin regel, slutet har inget med början att göra. Varje långt fall i handboken bekämpar drift på samma sätt, med explicita etapper och sluttillstånd. Den strukturen är kärnan i denna guide.

Gemensamt ljud innebär ljudriktning. Wan 3.0 genererar ljudspåret tillsammans med bilden. Dialog, effekter, ambient och musik är alla promptbara, vilket också innebär att ett oskrivet ljudspår är ett improviserat. De officiella fallen behandlar ljud med samma disciplin som ljus: angivet, avgränsat och ibland avsiktligt tystat.

Upp till 20 referenser innebär bindningssyntax. Ansikten, outfits, platser, röster och till och med storyboard-bilder kan fästas på uppladdat material. Handboksfällen binder varje referens till ett namngivet subjekt en gång och återanvänder sedan namnet i varje senare tagning. Om du har testat samma disciplin på den nuvarande generationen, säg på Wan 2.7 reference-to-video, kommer 3.0-versionen att kännas bekant snarare än ny.

Inget av detta kräver att man skriver en roman varje gång. Handbokens kortaste bra fall är en enda mening om ett UFO som stjäl en ko i handmålad stil. Färdigheten är att veta vilka lager din tagning behöver, vilket är precis vad de tre fallen nedan är till för.

Wan 3.0-promptstacken: Tre lager som varje långt fall delar

Strippa de nitton officiella fallen till benet och de långa är alla samma trelagersstack.

Lager 1: referensbindningar. En rad per uppladdat material, som anger vad det är och vad som kan tas från det. Definiera kvinnan i bild 1 som Subjekt 1. Ta bara outfiten från bild 2. Röst för Subjekt 2 följer ljud 1. Bind en gång, referera sedan med namn för alltid. Vaga pluraler som "bilderna definierar karaktärerna" är precis vad detta lager finns till för att förhindra.

Lager 2: globala regler. Allt som måste vara sant för hela klippet, skrivet före någon handling: visuell stil och dess referenspunkter, ett namngivet färgsystem, ljusbeteende, kamera grammatik, prestationsdisciplin, ljuddisciplin och en lista över förbjudna misslyckanden. Detta lager är där handboksfällen är mest aggressiva. Ett kampsportfall begränsar slow motion till två användningar på under en sekund vardera, förbjuder textning på skärmen, förbjuder bakgrundsmusik helt och förbjuder kameran att sitta stilla i mer än 1,5 sekunder.

Lager 3: tidslinjen. Tidsstämplade eller numrerade beats, var och en med en huvudhändelse och ett synligt sluttillstånd. Inte "de slåss ett tag" utan "0 till 1,5 sekunder: han står vid vasslinjen, motljus, vind i rocken, och säger sin replik." Sluttillstånd är vad som håller sekund femton konsekvent med sekund fem.

Ett användbart sätt att hålla det i huvudet: Lager 1 är casting, Lager 2 är regelboken, Lager 3 är taglistan. De tre fall som följer betonar var sitt lager mest.

Fall 1: Hur man skriver en Wan 3.0-prompt för prestation, ett ansikte i 30 sekunder

Det minst flashiga fallet i handboken är det som de flesta borde studera först: en enda fast närbild av en ung kvinna i en blå examensklänning, hållen i hela 30 sekunder medan hon pratar, oroar sig och slutligen tittar ner på sina händer.

Trettio sekunder, en tagning, ingen klippning. Klänningen berättar scenen, pannan berättar insatsen och blickfallet landar exakt där prompten placerade det. Officiellt handboksfal, oredigerad utmatning.

Här är vad den officiella prompten gör, drag för drag, i mina ord snarare än dess egna:

1. Kamera före subjekt. Den öppnar med att låsa bilden: frontal närbild, huvud och överkropp, och en medveten ofullkomlighet, en andra person på vänsterkanten som är helt oskarp. Bakgrunder du namnger och sedan suddar ut är bakgrunder som modellen inte kommer att skärpa under tagningen.
2. Garderob som exposition. En blå examensklänning ersätter ett stycke scenbeskrivning. Modellen antar ceremonin, folksamlingen, dagen. Välj det plagg eller rekvisita som antyder världen och hoppa över att beskriva världen.
3. Känsla som en kedja av synliga handlingar. Prompten ber aldrig om "ångest". Den skriver munnen som rör sig medan hon talar, ögonbrynen lätt rynkade, det allvarliga uttrycket i ansiktet. Varje sak är något en kamera kan verifiera. Känsloetiketter är förhoppningar. Muskelrörelser är instruktioner.
4. Mikrorörelsen som säljer realism. Två detaljer gör mer än allt annat tillsammans: kameran håller en svag handhållen andningssvaj, och hennes blick färdas från rakt fram till ner på hennes händer, i en angiven bana. Ge varje lång tagning en långsam, medveten förändring som denna så läses tagningen som regisserad snarare än genererad.

Återanvändbart skelett, på engelska, struktur identisk med fallet:

PlainCopy
1Frontal [bildstorlek] på [subjekt], [bilddetalj]. Ett [oskärpt element] sitter vid
2[kant] av bilden. [Subjekt] bär [ett plagg som antyder hela scenen].
3[Subjekt] [handling], mun rör sig, [panna / ögon / käk-detalj]. Ljus faller från
4[riktning], behåller [hud / tygstruktur-notering]. Kameran är låst men har en
5svag handhållen andningssvaj. Genom tagningen, [en långsam synlig förändring: en
6blickbana, en hållningsförändring, ett föremål som sänks].

Fyll den mallen med ett eget subjekt innan du rör vid de 30-sekunders episka. Om ansiktet håller i trettio sekunder är din struktur sund.

Fall 2: Hur man strukturerar en 30-sekunders Wan 3.0-prompt som en regissör

Handbokens absurda kortfilm är det bästa strukturella lärobjektet i hela dokumentet: en cowgirl rider en riktig häst till en ensam Route 66-bensinstation, tar upp pumpen och fyller sin häst med färskt gräs medan biträdets världsbild tyst kollapsar.

Trettio sekunder av dödseriös uppställning och en perfekt synvits. Komiken är skriven i strukturen: fast observationsinramning, sedan en plötslig extrem närbild precis när det absurda händer. Officiellt handboksfal, oredigerad utmatning.

Dess prompt är organiserad i fem namngivna moduler, och modullistan i sig är läxan:

1. En logline. Två meningar om vad som händer och vad skämtet är. Inte bilder, berättelse. Att skriva detta först tvingar dig att veta vad de 30 sekunderna är till för.
2. Ett namngivet färgsystem. Inte "färgglatt" utan en tvåfärgslag: himmelsblå himmel och orange jord, sedan varje större objekt tilldelat en sida av det, den blekta röda pumpen, den orange scarfen, de terrakottafärgade bergen. Namnge systemet, distribuera det sedan. Konsistens i AI-video är vanligtvis ett palettproblem innan det är ett karaktärsproblem.
3. En rollista med narrativa jobb. Varje karaktär får två eller tre synliga drag och, avgörande, en funktion: biträdet är uttryckligen utsett som reaktionsbildsbäraren av filmen. Att tilldela ett jobb talar om för modellen var kamerans uppmärksamhet hör hemma i varje beat som karaktären dyker upp.
4. En namngiven kamera filosofi. Fallet uppfinner en regel och definierar den i en rad: lugn observation plus absurd närbild, vilket innebär fasta halvbilder och långsamma panoreringar som standard, brutna av en plötslig extrem närbild endast när den absurda händelsen inträffar. Att namnge din kamera regel och sedan hänvisa till den slår att återbeskriva kamerarörelser i varje beat. Det är också hela den komiska mekanismen: den platta blicken gör att gräspump-närbilden landar.
5. En fyra-akters tidslinje med sluttillstånd. Uppställning, eskalering, poäng, efterspel, var och en med ett tidsintervall, en huvudhändelse och en frusen slutbild, ner till tandpetaren som slutligen faller från biträdets mun i det sista beatet.

Den överförbara modellen är större än komedi. Logline, palettlag, rollista med jobb, en namngiven kamera regel, fyra akter med sluttillstånd: det är en produktionsbrief, och Wan 3.0 är den första generationen av denna familj med tillräcklig längd, trettio sekunder av det, för att en brief ska spela roll. Sjömonster-showcaseen i början av denna artikel är samma skelett med tio beats och en poängsatt musikbåge, skriven på samma sätt: varje beat en händelse, varje beat ett synligt sluttillstånd.

Fall 3: Skriva rörelsefysik i en Wan 3.0-prompt

Det svåraste att få från någon videomodell är rörelse som inte är mjuk. Modeller genomsnittar mot mjuk, kontinuerlig rörelse, vilket är varför varje AI-fé svävar som en långsam ballong. Handbokens fé svävar inte. Hon rör sig som en trollslända: död svävning, omedelbar rusning, död stopp, ny riktning.

Svävning, rusning, hårt stopp. Oskärpan i mitten av varje utbrott är en eller två bildrutor bred, precis som prompten budgeterade. Officiellt handboksfal, visat som en tyst GIF; det levererade klippet bär sitt eget ambient.

Denna prompt vinner med fyra tekniker du kan lyfta direkt:

1. Prioritetsdeklaration överst. Den första raden tillkännager det enda högsta prioritetskravet, trollsländans rörelselag, före någon miljö. Uppmärksamhet är en budget. Spendera de inledande tokens på regeln som avgör framgång, inte på mattans färg.
2. En verklighetsförankring i fysik. Istället för adjektiv som "snabb och smidig" namnger prompten ett djur vars rörelsesignatur modellen har sett tusentals gånger: punktsvärning, explosionsstart, fullt stopp, skarp ommålinriktning. En bekant förankring överträffar tio abstrakta adverb.
3. Siffror där adjektiv skulle suddas ut. Rusningen måste korsa 60 till 90 procent av bildbredden inom 3 till 5 bildrutor. Stoppet måste hålla i 2 till 4 bildrutor. Minst sex tydligt separerade utbrott måste ske inom de första åtta sekunderna. Kvarvarande rörelseoskärpa är budgeterad till 1 till 2 bildrutor. Du skriver inte poesi vid denna punkt, du skriver en specifikation, och modellen hedrar den. Titta på remsan nedan: bildrutan mitt i rusningen är ren strimma, bildrutorna på vardera sidan är knivskarpa.
4. Förbjud standarden. Prompten förbjuder explicit det misslyckande den förutspår, i flera formuleringar: ingen långsam fé-svävning, ingen enhetlig hastighetskryssning, ingen kontinuerlig mjuk glidning, och sedan en korrigerande mening som säger vad rörelsen inte är, "inte en kontinuerlig flygbana, utan korta, skarpa, nästan bildrutehoppande förskjutningar." När du vet vad modellen kommer att göra på autopilot, skriv autopiloten ur tagningen.

Fyra på varandra följande stillbilder från trollsländefallet: svävning bredvid nallebjörnen, mitt-i-rusningen rörelseoskärpa, ankomst ovanför blocken, dödstopp-svävning

Fyra bildrutor från utmatningen ovan. Skarp, strimmig, skarp, skarp: oskärpebudgeten från prompten, synlig bildruta för bildruta.

Samma fyra rörelser generaliserar till alla rörelseproblem: snärtpanoreringar som inte får bli klipp, stötar som behöver tyngd, mekanisk rörelse som inte får bli organisk. Förankra, kvantifiera, prioritera och förbjud standarden.

Dialog, ljud och referenssyntax i Wan 3.0-promptar

De tre fallen ovan är tysta om mekaniken som får Wan 3.0-promptar att tala, så här är syntaxlagret, sammanställt från resten av handbokens fall.

Dialog placeras i klamrar. Talade repliker är omslagna som {Vilken muskelgrupp idag} snarare än lämnade i öppen prosa, vilket hindrar modellen från att berätta din dialog som en bildtext. Repliker landar med läppsynk, och en dialogscen skrivs som växlande handling och klamrade repliker, precis som ett manus.

Röster kan castas. Referenssyntaxen sträcker sig till ljud: definiera kvinnan i bild 1 som Subjekt 1, ange sedan att Subjekt 1:s röst följer ljud 1. Ansikte från en fil, röst från en annan, båda låsta för varaktigheten.

Ljud behöver en disciplinuppgift. De starkaste fallen deklarerar sitt ljudlandskap på samma sätt som de deklarerar sin palett. Ett animationsfall anger sina ljudtyper upfront: endast ambient och musik, inget tal. Kampsportfallet går längre, förbjuder bakgrundsmusik helt, behåller endast andning, tygfriktion, slag och vind, och det får precis det. Musik, när den önskas, skrivs som en båge över tidslinjen, från låga skräckdrön genom strängeskalering till en mässingsstöt och en lång domedagston, kartlagd till de beats den måste träffa.

Tystnad är också en begäran. Ompromptad fyller modellen spåret. Om din tagning bara behöver rumston och en ljudhändelse, säg det. Ljudriktning i Wan 3.0 är inte garnityr. Det är den andra halvan av mediet.

Var du kan öva på Wan 3.0-promptformeln idag

Wan 3.0 är fortfarande på väg, och användare kan inte använda det just nu. Strukturen ovan räknas ändå nu, eftersom inget i den är versionslåst: bindningar, globala regler, tidslinjer, klamrad dialog och förbjudna standarder körs alla på den nuvarande Wan-generationen.

Hela den nuvarande familjen är live på Atlas Cloud, Wan 2.7 text-to-video, image-to-video, reference-to-video och video editing, på en nyckel med pris per körning visat innan du trycker på kör. En praktisk övning: ta Fall 1-skelettet, fyll det med ditt eget subjekt och kör det som en kort tagning på Wan 2.7 text-to-video. Om prestationskedjan håller där, är samma fil ditt Wan 3.0-utkast på dag ett, med varaktigheten uppringd istället för omskriven. Atlas Cloud har en vana att bära Day-0-åtkomst när denna familj uppdateras, så övningsmiljön och destinationen är sannolikt samma sida.

Vanliga frågor

Hur lång ska en Wan 3.0-prompt vara?

Så lång som tagningen behöver och inte längre. Den officiella handboken sträcker sig från en mening, en handmålad UFO-vits, till promptar över tusen ord för en tio-beats monsterfilm. Den avgörande variabeln är varaktighet och caststorlek: ett 5-sekunders en-subjekt test behöver en tät mening, en 30-sekunders flerkaraktärsberättelse behöver alla tre lager, bindningar, globala regler och en tidslinje.

Genererar Wan 3.0 ljud från prompten?

Ja, ljud genereras i samma pass som bilden. Dialog skrivs i klamrar och landar med läppsynk, ljudeffekter och ambient skrivs som prosa, och musik kan dirigeras som en båge över tidslinjen. Disciplinen går åt båda hållen: om du vill ha nästan tystnad, eller ambient utan partitur, måste du säga det, annars fyller modellen spåret på egen hand.

Vad är klammer-syntaxen i Wan 3.0-promptar?

Klamrar markerar ord som talas högt av en karaktär, som i {Ses vid mållinjen}. Att hålla dialog inom klamrar skiljer den från scenbeskrivning, så modellen utför repliken istället för att illustrera den. För flerspråkigt arbete, ange språket före repliken och leveransstilen med den.

Hur håller jag en karaktär konsekvent över en 30-sekunders Wan 3.0-video?

Bind karaktären till en referens en gång, med omfattning: definiera personen i bild 1 som Subjekt 1, ta endast ansikte, hår och outfit. Upprepa sedan subjektets namn i varje tidslinjebeat de förekommer i, och omformulera de två eller tre låsta dragen vid varje högriskmoment som en kostymnära handling eller en ljusförändring. Handbokens fight-scenfall omformulerar till och med draglås per modul, vilket är bälte-och-hängslen-versionen.

Kan jag öva på att skriva Wan 3.0-promptar innan jag har tillgång?

Ja, och du borde. Den trelagers struktur, klamrade dialog, referensbindningar och förbjud-standard-teknik körs alla på den nuvarande familjen idag. Wan 2.7 på Atlas Cloud täcker text-to-video, image-to-video, reference-to-video och video editing på en nyckel, så en mall som bevisats där överförs till 3.0 som en varaktighetsförändring snarare än en omskrivning.

Slutsats

Nitton officiella fall säger samma sak på tre olika sätt: en Wan 3.0-prompt är ett produktionsdokument, inte en bildtext. Casta dina referenser, lagstifta din stil, schemalägg dina beats och behandla ljud som halva bilden. Börja med examensnärbildskelettet, avancera till fem-moduls-briefen och spara den bildrutebudgeterade rörelsespecifikationen för den tagning som behöver den. Modellerna kommer att fortsätta förändras. Disciplinen att skriva tid istället för att beskriva bilder är den del du får behålla.