Wan 3.0 Prompt 指南 —— 打造完美 AI 视频的语法、参考与设置

Wan 3.0 是阿里巴巴的创意视频模型，你可以在 OpenArt 上使用它 AI 视频生成器。Wan 3.0 一次最多生成 30 秒视频，接受 20 个参考文件，并在生成画面的同时生成音频，完全同步。

阿里巴巴在模型发布时公布了自己的 prompt 公式，本指南将其转化为可直接套用的简单步骤，并讲解如何准确呈现画面中的文字，以及它与 OpenArt 上其他视频模型的对比。

要点总结

• 从主体、地点和动作开始。再逐一加入镜头、风格和声音。
• 用 @Image1、@Video1 或 @Audio1 为每个参考贴标签，并为每个镜头给出像 [0-6s] 这样的时间范围。
• 把台词、音效和音乐分开写，不想要时就注明“无背景音乐”。
• 把画面文字放进引号，并保持简短。
• Wan 3.0 可生成 2 到 30 秒、最高 1080p 的视频，是制作由众多参考素材构成的长视频的有力之选。

什么是 Wan 3.0？

Wan 3.0 是阿里巴巴最新的 AI 视频模型。它能将文字 prompt、图片，或图片、视频片段和音频片段的组合，转化为最长 30 秒、带声音的视频。

Wan 3.0 一次性生成整段视频，因此同一张面孔、产品和光照会贯穿每一秒。在 OpenArt 上，你可以用文字、起始画面或一组参考文件来开始制作 Wan 3.0 视频。

Wan 3.0 prompt 指南：从三件事开始

阿里巴巴的入门公式很简单。你需要一个主体、一个场景和一个动作。

「一只红狐狸在日出时分走过雪原。」这个 prompt 包含了全部三个要素，足以生成一段真实的视频。

一旦这些奏效，更完整的公式还会增加三项：镜头的呈现方式、风格和声音。请逐一添加，这样你就能看清每一项带来了什么变化。

用 @ 标签标注每一份参考素材

Wan 3.0 最多支持 20 个参考文件，OpenArt 会在上传框顶部为你自动计数。

上传素材只是完成了一半。Wan 3.0 不会自行猜测图 3 是咖啡店、图 4 是夹克，所以要在 prompt 中用 @ 标签说明：

@Image1 是这位女士。@Image2 是咖啡馆。@Audio1 是她的声音。@Image1 里的女士坐在 @Image2 的窗边，点了一杯咖啡。

阿里巴巴自己的示例就是这样为每一个参考加标签的。你也可以在一个 prompt 中多次命名同一个参考，以此控制它出现的位置。

首帧和尾帧的用法相同。在 OpenArt 上，你可以设定视频的开场画面和结尾画面，同时还能在旁边添加参考文件。

在 prompt 中说明哪张图是开场帧、哪张是结尾帧，以及每个参考分别用于什么。

你的视频参考总时长最多 15 秒，音频参考另有 15 秒。想让同一个人物出现在每条视频里，只需保存一次： OpenArt 角色 并为每个新视频选择它们。

给镜头编号，并为每个镜头标注时间

Wan 3.0 一次最多生成 30 秒，所以要告诉它从头到尾发生了什么。阿里巴巴的格式是先写一段简短概述，再用带时间区间的编号镜头：

一个关于女孩收养流浪猫的小故事。

镜头 1 [0-5s]：她冒雨走回家，停在一处门廊下。

镜头 2 [5-12s]：特写一只淋湿的小猫抬头望着她。

镜头 3 [12-20s]：她跪下身，伸出手。

为每个时间区间安排一件明确的事。如果第一次结果里某个镜头显得仓促，就把那个时间区间拉长，其余保持不变。

对于超过 30 秒的故事，OpenArt 可以规划场景并制作完整视频，最长可达 5 分钟： Director 模式.

把声音分成三个独立部分来写

Wan 3.0 会在生成画面的同时生成声音，因此你可以用文字来塑造它。阿里巴巴把声音分为三部分，分别单独描述会更有帮助。

配音台词。 先写出台词，再说明说话的方式。“She says, 'I told you this would happen.' Fast, a little annoyed, American English.”

音效。 点明对象、它做了什么，以及背景声响。「A glass falls off the table and shatters on the wood floor, quiet room.」

音乐。 点明音乐和风格。「Slow piano under the whole scene.」

将屏幕上的文字放进引号

阿里巴巴表示，Wan 3.0 能清晰呈现应用界面和动态图形，这对产品演示和讲解类广告很有帮助。阿里巴巴还表示，屏幕上文字的拼写仍在不断优化，因此养成一些小习惯会带来很大差别。

把确切的文字放进引号。 阿里巴巴官方指南就是这样要求的。「厨房台面上放着一个咖啡袋，正面印着「MORNING ROAST」字样。」

文字要简短。 品牌名、价格或三个词的标题，比整句话呈现得更干净。

说明文字出现的位置。 “屏幕底部的白色标题”为 Wan 3.0 清晰地指明了放置文字的位置。

从一张已经带有文字的图片开始。 对于必须精确无误的徽标或产品标签，请先用专为文字设计的图像模型生成画面，例如 Nano Banana 2.1 或 GPT Image 2.5.

把它设为起始帧，Wan 3.0 就会从已经拼写正确的文字开始生成视频。

用一次编辑修正错误的字母。 如果有一个词拼错了，只要求修正那一处，并说明视频的其余部分保持不变。

Wan 3.0 会为你自动决定的三件事

当你什么都不说时，Wan 3.0 仍会替你做出选择。下面教你如何把每一项主动权收回来。

配音台词。 写出台词内容，Wan 3.0 就会照你的原话呈现。什么都不写，它就会自行编造配音。用“no voice lines in the whole video.”来关闭这一功能。

音乐。 Wan 3.0 会根据视频的内容选择背景音乐。用「no background music」来关闭它。

镜头数量。 Wan 3.0 会自行决定是否在镜头之间切换。用「one continuous take」来要求一个不间断的连续镜头。

时长和画幅的用法也一样。留空的话，Wan 3.0 会选择 2 到 30 秒之间的时长，以及适合你场景的画面比例。

Wan 3.0 分辨率与时长选项

在 OpenArt 上，Wan 3.0 可生成 480p、720p 或 1080p 的视频，时长从 2 秒到 30 秒任选。你也可以把时长交给 Wan 3.0，它会挑选最适合你 prompt 的长度。

分辨率会影响价格。同一段视频，1080p 版本耗费的积分约为 480p 的四倍，因此可以先用 480p 测试你的 prompt，再用 1080p 制作最终版本。

视频越长，消耗的积分也越多。确定好需要多少个镜头后，再设置精确的时长。

生成前先检查四项控制项

在 OpenArt 上，prompt 输入框周围有四个设置项，每一项都会改变你的文字所起的作用。

Auto Polish。 这会在运行前重写你的 prompt。当你只随手写了一句松散的句子时，它很有帮助，但它也可能改动你特意设置的参考标签和时间范围。当你的 prompt 已经精确无误后，请将其关闭。

音频。 保持开启，Wan 3.0 会在生成画面的同时生成声音。关闭它可得到无声片段，这也是阻止不需要的音乐最快的方式。

镜头。 在这里选择你的运镜方式。每次都能得到相同的运镜，而且你的 prompt 也更简短。

模式。 Standard 和 Prime 设置的是质量等级，Prime 消耗更多积分。先用 Standard 测试你的 prompt，再用 Prime 制作你满意的版本。

你还可以一次运行多达 8 个视频。在每个版本中只改一处，运行全部 8 个并对比，看看每个词起了什么作用。

从图片起步时，少说几句

当你上传一张起始画面时，这张图已经展示了画面中有谁、他们在哪里，以及整体的样子。在 prompt 里重复这些，只会与你上传的画面相冲突。

所以只写两件事：什么在动，以及镜头如何运动。“她转向窗户微笑。缓慢推进。”

如果你想让镜头保持静止，请说「固定镜头」。否则 Wan 3.0 会自行移动镜头。

用简单的编辑修正一处

Wan 3.0 可根据简单的指令编辑视频，一个小问题只需一次快速修改即可解决。说明你想改动的部分，再说明其余保持不变。

去掉墨镜。她的动作以及视频中的其他一切保持不变。

无论是添加内容、更改风格、修正光线还是替换配音，用的都是同一套写法。

四个浪费生成次数的常见错误

• 描述一张静态图片。 说明这 30 秒里发生了哪些变化。
• 参考图保持无标注状态。 如果你上传了六份文件，就说明每一份的用途。
• 叠加运镜。 一个清晰的动作，胜过三个互相打架的动作。
• 忘了关掉你根本没要求的声音。 音乐和配音会自行出现。

Wan 3.0 画质评价

对于用多个参考构建的 15 到 30 秒视频，Wan 3.0 是 OpenArt 上的最佳选择之一。因为它一次性生成整段视频，面孔、产品和光照从第一秒到最后一秒都保持稳定。

人脸看起来真实，表情也有细微变化，早期测试者反馈同一个人物能在整整 30 秒内保持一致。声音会与动作同步，所以片段配好音频即可发布。

围绕几个限制来规划。最高分辨率为 1080p，阿里巴巴也表示声音质感和画面文字拼写仍在改进中。

早期测试者还反馈了两个习惯。Wan 3.0 有时会加入你没有要求的剪切，所以想要单一镜头时，请写上「一镜到底」。

当众多人物和道具共处一个场景时，细节也容易出错。每个镜头只保留几个关键人物和物体，并为每个参考贴上标签。

结论：广告、产品视频，以及需要同一个人或产品从头到尾保持一致的剧情场景，请用 Wan 3.0。若要制作短时长的 4K 片段，下方对比会为你指出更合适的选择。

Wan 3.0 与 OpenArt 上其他模型的对比

OpenArt 将 Wan 3.0 与其他顶级视频模型并列提供，让你在一个地方就能为每项任务挑选合适的模型。

当故事需要大量角色和道具时，请选择 Seedance 2.5，因为它支持最多的参考文件。当你的参考素材是文档或网页（比如产品页面或幻灯片）时，请选择 Wan 3.0。

当成品必须达到 4K 且视频较短时，选择 Kling 3.0 或 Veo 3.1。要在最长 15 秒的片段中呈现真实动态，选 MiniMax H3；当速度最重要时，选 Grok Imagine 1.5。

开始制作 Wan 3.0 视频

Wan 3.0 会紧扣清晰、带标签的 prompt。先给出主体、场景和动作，然后为每个参考加标签，并为每个镜头标注时间。

详细写出你想要的声音和画面文字，并在制作最终版本前先用 480p 测试。编写你的第一个 prompt，使用 OpenArt 上的 Wan 3.0.

常见问题

Wan 3.0 可以使用多少个参考？

Wan 3.0 在一个视频中最多可支持 20 个参考：10 张图片、5 段视频和 5 段音频。此外你还能再加一份文档或网页，这样角色、产品、场景和配音都能共同引导同一个镜头。视频参考总时长最多 15 秒，音频参考再加 15 秒。

Wan 3.0 视频最长能有多长？

Wan 3.0 视频时长可从 2 秒到 30 秒任意设置。若时长留空，Wan 3.0 会自动选择适合你 prompt 的时长。

Wan 3.0 支持哪些分辨率？

Wan 3.0 可生成 480p、720p 或 1080p 的视频，其中 1080p 是最高档。在 OpenArt 上，480p 消耗的积分最少，因此最适合在制作最终 1080p 版本之前测试 prompt。

Wan 3.0 会生成声音吗？

是的。Wan 3.0 在生成画面的同时生成配音、音效和音乐。在 prompt 中描述你想要的声音，或关闭音频以得到无声片段。

Wan 3.0 能在视频中加入文字吗？

可以。Wan 3.0 能在视频中展示标题、标签、价格和应用界面，当你把准确的文字放进引号并保持简短时，拼写效果最佳。对于必须完美拼写的徽标或标签，可先用这些文字生成一张图片，再将其用作起始帧。

我可以同时使用参考文件以及首帧和尾帧吗？

是的。在 OpenArt 上，你可以设定视频开头的画面、结尾的画面，同时还能添加参考文件。在 prompt 中标注每一个，让 Wan 3.0 明白哪张画面是开头、哪张是结尾，以及哪些参考承载你的角色、产品或声音。

Wan 3.0 与 Wan 2.7 有何不同？

Wan 3.0 新增了 30 秒视频、随画面生成的声音，以及作为参考的视频和音频片段。 Wan 2.7 接受图片参考以及首帧和尾帧，适合制作较短的片段。