Wan 3.0 meistern

Was Wan 3.0 ist

Wan 3.0 ist Alibabas Video-Generierungsmodell, jetzt live in Text to Video, Image to Video und Video to Video auf ZenCreator, in der Oberfläche als Wan 3.0 Spicy angezeigt. Das ist die NSFW-fähige Version des Modells für diese Plattform.

Der größte Fortschritt gegenüber früheren Wan-Generationen und gegenüber Seedance 2.0 ist der Umfang: Wan 3.0 rendert bis zu 30 Sekunden in einem Durchgang, folgt langen, drehbuchartigen Prompts über mehrere Einstellungen hinweg, schreibt seinen eigenen Soundtrack und akzeptiert Bilder, Videoclips und Audio gleichzeitig als Referenzen. Die genauen Limits hängen vom jeweiligen Tool ab (siehe unten).

Was sie anders macht

• Deutlich längere Clips mit mehreren Einstellungen. Bis zu 30 Sekunden, per Zeitstempel ausformuliert: Das Modell übernimmt die Übergänge zwischen den Einstellungen innerhalb einer Generierung, solange du sie benannt hast.

• Optionaler nativer Ton. Ein Generate Audio-Schalter (standardmäßig aus) lässt Wan 3.0 als Teil der Generierung seinen eigenen Soundtrack schreiben: Dialog, Foley und Musik. Ist er aktiviert und du hast den Ton nicht beschrieben, erfindet das Modell ihn selbst. Beschreibe also bestimmten Ton (oder Stille) explizit, wenn es darauf ankommt.

• Kein Negative Prompt. Es gibt kein separates Feld für „was vermieden werden soll": Alles Unerwünschte (zusätzliche Personen, Kameraschütteln, Hintergrundmusik) muss im Hauptprompt selbst formuliert werden.

• Mehrere Referenzen gleichzeitig. Bilder, Videoclips und Audio können alle angehängt und direkt im Prompt per Tag adressiert werden, nicht nur Bilder und Audio wie bei Seedance 2.0. In Image to Video: bis zu 9 Bilder und 3 Audioclips. In Video to Video: bis zu 9 Bilder und 3 Videoclips (plus Audio). Text to Video akzeptiert keine Referenzen, nur den Prompt.

• Volle Auflösungsbandbreite. 480p, 720p oder 1080p, pro Generierung wählbar. Der Preis skaliert direkt mit Auflösung und Dauer.

• Asynchrone Generierung. Es gibt keine Fortschrittsanzeige oder ETA: Eine Anfrage geht in eine Warteschlange, und ein Link zum Ergebnis kommt, sobald es fertig ist. Typische Läufe dauern 15–55 Minuten; 30 Sekunden in 1080p können deutlich länger dauern. Lade Ergebnisse zeitnah herunter, denn sie bleiben nicht unbegrenzt verfügbar.

Die vier Eingaben: wer wofür zuständig ist

Gleiches Denkmodell wie bei Seedance: Jeder Eingabetyp hat seine eigene Aufgabe:

• Text steuert das Räumliche: Aussehen, Stimmung, Stil, Umgebung.

• Bild steuert die Identität: genau, wie eine Figur, ein Objekt oder eine Szene aussieht.

• Video steuert das Zeitliche: Timing, Rhythmus, Kamerabewegung. In Video to Video ist der Clip, den du bearbeitest, selbst die Video-Referenz.

• Audio steuert Rhythmus und Klang: Tempo, wie sich Bewegung mit dem Ton synchronisiert.

Faustregel: Text und Bild für das Aussehen, Video und Audio für Bewegung und Klang.

Syntax für Referenz-Tags

Wenn du Referenzmaterial hochlädst, markiere es direkt im Prompt mit einem Tag, damit das Modell weiß, welches gemeint ist. Die genaue, aktuelle Syntax für das jeweilige Tool zeigt der Platzhaltertext im Prompt-Feld:

• Bilder: [img1], [img2]... (nummeriert nach Upload-Reihenfolge)

• Videos: [vid1], [vid2]...

• Audio: [audio1], [audio2]...

Eine Referenz ist nicht nur „Inspiration", sondern ein adressierbares Objekt. Sag dem Prompt genau, was er daraus übernehmen soll: ein Gesicht, ein Outfit, ein Produkt, einen Stil. Du kannst dieselbe Referenz mehrfach erwähnen, um genau zu steuern, wo sie angewendet wird.

Den Prompt schreiben: Größe an die Dauer anpassen

Wan 3.0 wurde mit detaillierten Beschreibungen trainiert. Ein kurzer Prompt bedeutet keine Kürze, sondern gibt die Kontrolle an das Modell ab, das Handlung, Zeilen, Musik und Einstellungsanzahl selbst ergänzt. Als grober Anhaltspunkt (5.000 Zeichen sind die harte Obergrenze):

• 5 Sekunden (etwa 700–1.200 Zeichen, 1–2 Einstellungen): ein kompakter Absatz zu Subjekt, Szene und Bewegung.

• 10 Sekunden (etwa 1.200–2.200 Zeichen, 2–3 Einstellungen): Kameradetails, Licht und Ton ergänzen.

• 15 oder 20 Sekunden (etwa 2.200–3.500 Zeichen, ca. 4 Einstellungen): den Clip per Zeitstempel in Einstellungen aufteilen (z. B. Shot 1 [0–3s]: ...), jede mit eigenem Bildausschnitt, Handlung, Kamera, Licht und Ton.

• 25 oder 30 Sekunden (etwa 3.500–5.000 Zeichen, 5–8 Einstellungen): dieselbe Struktur aus Einstellungen und Zeitstempeln, nur mehr davon.

Wenn du einen Clip in Einstellungen aufteilst, achte darauf, dass sie die gesamte Dauer lückenlos abdecken. Endet deine letzte Einstellung vor der angeforderten Länge, füllt das Modell den Rest nach eigenem Ermessen.

Bei Frame-zu-Video-Generierungen (Animation eines hochgeladenen Bildes) beschreibe nur Bewegung und Kamera: Das Aussehen des Subjekts legt bereits das Bild fest, eine erneute Beschreibung widerspricht dem Bild, und die Ähnlichkeit kann abdriften.

Fertiges Video bearbeiten

Wan 3.0 kann auch einen bestehenden Clip bearbeiten, statt von Grund auf neu zu generieren: ein Requisit hinzufügen, eine Person entfernen, Licht oder Stil ändern, die Szene verlängern oder eine Dialogzeile ändern. Solche Bearbeitungen brauchen deutlich kürzere Prompts als eine Generierung: Meist reicht was bearbeiten + was tun, da das Modell alles Übrige aus dem Ausgangsvideo übernimmt.

Häufige Probleme und Lösungen

• Ergebnis wirkt generisch → schwaches Subjekt/Handlung im Prompt. Subjekt und eine klare Handlung an den Anfang stellen.

• Figur ändert sich zwischen Generierungen → dasselbe Referenzbild wiederverwenden, konsistent taggen und „maintaining consistent [subject]" ergänzen.

• Kamerabewegung wirkt zufällig → die Bewegung explizit benennen, idealerweise mit einer Zahl (z. B. „dolly forward at 2 ft/s") statt eines Adverbs wie „slowly", denn Wan 3.0 folgt numerischer Geschwindigkeit wörtlich.

• Ende wirkt gehetzt oder improvisiert → die Einstellungen deckten nicht die gesamte angeforderte Dauer ab; stelle sicher, dass dein letzter Zeitstempel der bestellten Länge entspricht.

• Unerwünschter Ton oder Dialog erscheint (bei aktiviertem Generate Audio) → es gibt keinen Negative Prompt, also formuliere explizit, was nicht passieren soll („no dialogue," „no background music," „silence"), wenn das dein Ziel ist.

Willst du tiefer einsteigen?

Dieser Artikel deckt das Wesentliche ab. Für die vollständige Anleitung (alle sieben Prompt-Formeln, Timing pro Einstellung, Licht- und Color-Grading-Vokabular sowie eine Bibliothek echter Wan-3.0-Beispiele mit ihren Prompts) sieh dir den vollständigen Wan-3.0-Kurs innerhalb von ZenCreator an.