Dominando Wan 3.0

Qué es Wan 3.0

Wan 3.0 es el modelo de generación de vídeo de Alibaba, ya disponible en Text to Video, Image to Video y Video to Video en ZenCreator, mostrado en la interfaz como Wan 3.0 Spicy, la versión NSFW del modelo para esta plataforma.

Su gran mejora respecto a generaciones anteriores de Wan y respecto a Seedance 2.0 es la escala: Wan 3.0 genera hasta 30 segundos en una sola pasada, sigue prompts largos al estilo guion cinematográfico con varios planos, escribe su propia banda sonora y acepta imágenes, clips de vídeo y audio como referencias a la vez. Los límites exactos dependen de la herramienta (ver más abajo).

Qué lo hace diferente

• Clips mucho más largos y con varios planos. Hasta 30 segundos, escritos por marca de tiempo: el modelo gestiona las transiciones entre planos dentro de una sola generación, siempre que los hayas nombrado.

• Audio nativo opcional. Un interruptor Generate Audio (desactivado por defecto) permite que Wan 3.0 escriba su propia banda sonora (diálogo, foley y música) como parte de la generación. Si está activado y no has descrito el sonido, el modelo lo inventa, así que describe el audio específico (o el silencio) explícitamente si te importa.

• Sin prompt negativo. No hay un campo separado de "qué evitar": cualquier cosa no deseada (gente de más, temblor de cámara, música de fondo) hay que indicarla en el propio prompt principal.

• Varias referencias a la vez. Imágenes, clips de vídeo y audio pueden adjuntarse y referenciarse directamente en el prompt mediante etiqueta, no solo imágenes y audio como en Seedance 2.0. En Image to Video: hasta 9 imágenes y 3 clips de audio. En Video to Video: hasta 9 imágenes y 3 clips de vídeo (además de audio). Text to Video no acepta referencias: solo prompt.

• Gama completa de resoluciones. 480p, 720p o 1080p, seleccionable por generación: el precio escala directamente con la resolución y la duración.

• Generación asíncrona. No hay barra de progreso ni estimación de tiempo: la solicitud entra en una cola y llega un enlace al resultado cuando está listo. Lo habitual son 15–55 minutos; 30 segundos en 1080p pueden tardar bastante más. Descarga los resultados enseguida, ya que no permanecen disponibles indefinidamente.

Las cuatro entradas: quién hace qué

El mismo modelo mental que con Seedance: cada tipo de entrada tiene su función:

• Texto controla lo espacial: apariencia, ambiente, estilo, entorno.

• Imagen controla la identidad: exactamente cómo se ve un personaje, objeto o escena.

• Vídeo controla lo temporal: timing, ritmo, movimiento de cámara. En Video to Video, el propio clip que estás editando es la referencia de vídeo.

• Audio controla el ritmo y el sonido: el tempo, cómo sincroniza el movimiento con el sonido.

Regla general: texto e imagen para el aspecto de las cosas, vídeo y audio para cómo se mueven y suenan.

Sintaxis de las etiquetas de referencia

Cuando subas material de referencia, etiquétalo directamente en el prompt para que el modelo sepa a cuál te refieres. Consulta el texto de ejemplo en el campo de prompt para ver la sintaxis exacta de esa herramienta:

• Imágenes: [img1], [img2]... (numeradas según el orden de subida)

• Vídeos: [vid1], [vid2]...

• Audio: [audio1], [audio2]...

Una referencia no es solo "inspiración": es un objeto direccionable. Indica en el prompt exactamente qué tomar de ella: una cara, un look, un producto, un estilo. Puedes mencionar la misma referencia varias veces para controlar exactamente dónde se aplica.

Escribir el prompt: ajusta su tamaño a la duración

Wan 3.0 se entrenó con descripciones detalladas. Un prompt corto no es brevedad: es ceder el control al modelo, que rellenará la trama, las líneas, la música y el número de planos por su cuenta. Como guía aproximada (5000 caracteres es el tope):

• 5 segundos (unos 700–1200 caracteres, 1–2 planos): un párrafo compacto con sujeto, escena y movimiento.

• 10 segundos (unos 1200–2200 caracteres, 2–3 planos): añade detalle de cámara, iluminación y sonido.

• 15 o 20 segundos (unos 2200–3500 caracteres, unos 4 planos): divide el clip en planos por marca de tiempo (p. ej. Shot 1 [0–3s]: ...), cada uno con su propio encuadre, acción, cámara, luz y sonido.

• 25 o 30 segundos (unos 3500–5000 caracteres, 5–8 planos): la misma estructura por planos y marcas de tiempo, solo que con más.

Cuando dividas un clip en planos, asegúrate de que cubran toda la duración sin huecos: si tu último plano termina antes de la duración solicitada, el modelo rellena el resto como quiera.

Para generaciones de cuadro a vídeo (animar una imagen subida), describe solo el movimiento y la cámara: el cuadro ya define la apariencia del sujeto, así que repetirla compite con la imagen y el parecido puede desviarse.

Editar un vídeo terminado

Wan 3.0 también puede editar un clip existente en lugar de generar desde cero: añadir un objeto, quitar a una persona, cambiar la luz o el estilo, alargar la escena o cambiar una línea de diálogo. Estas ediciones necesitan prompts mucho más cortos que la generación: normalmente basta con qué editar + qué hacer, ya que el modelo toma todo lo demás del vídeo de origen.

Problemas frecuentes y cómo solucionarlos

• El resultado parece genérico → sujeto/acción débiles en el prompt. Pon el sujeto y una acción clara en las primeras palabras.

• El personaje cambia entre generaciones → reutiliza la misma imagen de referencia, etiquétala de forma consistente y añade "maintaining consistent [subject]".

• El movimiento de cámara parece aleatorio → nombra el movimiento explícitamente, idealmente con un número (p. ej. "dolly forward at 2 ft/s") en vez de un adverbio como "slowly": Wan 3.0 sigue la velocidad numérica de forma literal.

• El final parece precipitado o improvisado → los planos no cubrieron toda la duración solicitada; asegúrate de que tu última marca de tiempo coincide con la duración pedida.

• Aparece sonido o diálogo no deseado (con Generate Audio activado) → no hay prompt negativo, así que indica explícitamente qué no debe pasar ("no dialogue," "no background music," "silence") si ese es tu objetivo.

¿Quieres profundizar más?

Este artículo cubre lo esencial. Para el recorrido completo (las siete fórmulas de prompt, el timing plano a plano, el vocabulario de iluminación y gradación de color, y una biblioteca de ejemplos reales de Wan 3.0 con sus prompts), consulta el curso completo de Wan 3.0 dentro de ZenCreator.