Wan 3.0をマスターする

Wan 3.0とは

Wan 3.0はAlibabaの動画生成モデルで、ZenCreatorのText to Video、Image to Video、Video to Videoで利用でき、インターフェース上ではWan 3.0 Spicyと表示されます。これはこのプラットフォーム向けのNSFW対応バージョンです。

これまでのWan世代やSeedance 2.0からの最大のアップグレードはスケールです。Wan 3.0は1回の生成で最大30秒をレンダリングし、複数ショットにまたがる長い脚本スタイルのプロンプトに対応し、自らサウンドトラックを作成し、画像・動画クリップ・音声を同時にリファレンスとして受け付けます。正確な上限はツールによって異なります(下記参照)。

Wan 3.0を特徴づけるもの

• 格段に長い、マルチショットのクリップ。 最大30秒、タイムスタンプで書き出します。ショット名を指定していれば、モデルが1回の生成内でショット間の遷移を処理します。

• オプションのネイティブ音声。 Generate Audioトグル(デフォルトはオフ)をオンにすると、Wan 3.0は生成の一部としてセリフ、効果音、音楽といった独自のサウンドトラックを作成します。オンの状態で音を説明していない場合、モデルが自動的に音を作り出すため、重要な場合は具体的な音(または無音)を明示的に記述してください。

• ネガティブプロンプトなし。 「避けたいもの」専用の欄は存在しません。不要な要素(余分な人物、カメラの揺れ、BGMなど)はすべてメインのプロンプト自体に記述する必要があります。

• 複数リファレンスを同時に使用可能。 画像・動画クリップ・音声はすべて添付し、プロンプト内でタグを使って直接参照できます。Seedance 2.0のように画像と音声だけではありません。Image to Videoでは最大9枚の画像と3つの音声クリップ。Video to Videoでは最大9枚の画像と3つの動画クリップ(プラス音声)。Text to Videoはリファレンスを受け付けません。プロンプトのみです。

• フル解像度対応。 480p、720p、1080pから生成ごとに選択でき、価格は解像度と長さに応じて直接変動します。

• 非同期生成。 プログレスバーや所要時間の目安はありません。リクエストはキューに入り、準備ができると結果へのリンクが届きます。通常は15〜55分ほどかかり、1080pで30秒の場合はさらに長くかかることがあります。結果は速やかにダウンロードしてください。無期限に保存されるわけではありません。

4つの入力:それぞれの役割

Seedanceと同じ考え方です。それぞれの入力タイプには独自の役割があります:

• テキストは空間的な要素を制御します:外見、雰囲気、スタイル、環境。

• 画像はアイデンティティを制御します:キャラクター、物体、シーンの正確な見た目。

• 動画は時間的な要素を制御します:タイミング、リズム、カメラの動き。Video to Videoでは、編集対象のクリップ自体が動画リファレンスになります。

• 音声はリズムとサウンドを制御します:テンポや、動きと音の同期のしかた。

目安として:見た目はテキストと画像で、動きや音はビデオとオーディオで。

リファレンスタグの構文

リファレンス素材をアップロードしたら、モデルがどれを指しているか分かるようにプロンプト内で直接タグ付けしてください。そのツールでの正確な構文は、プロンプト欄のプレースホルダーテキストで確認できます:

• 画像: [img1]、[img2]...(アップロード順に番号付け)

• 動画: [vid1]、[vid2]...

• 音声: [audio1]、[audio2]...

リファレンスは単なる「インスピレーション」ではなく、アドレス指定可能なオブジェクトです。そこから何を取り入れるべきか(顔、服装、製品、スタイルなど)をプロンプトで具体的に伝えてください。同じリファレンスを複数回言及することで、それがどこに適用されるかを正確にコントロールできます。

プロンプトの書き方:長さに合わせてサイズを調整する

Wan 3.0は詳細な説明で学習されています。短いプロンプトは簡潔さではなく、ストーリー、セリフ、音楽、ショット数の判断をモデルに委ねることを意味します。おおよその目安(5,000文字が上限です):

• 5秒(およそ700〜1,200文字、1〜2ショット):被写体・シーン・動きをまとめたコンパクトな段落。

• 10秒(およそ1,200〜2,200文字、2〜3ショット):カメラの詳細、照明、音を追加。

• 15秒または20秒(およそ2,200〜3,500文字、約4ショット):タイムスタンプでクリップをショットに分割(例:Shot 1 [0–3s]: ...)、各ショットにフレーミング・アクション・カメラ・光・音を指定。

• 25秒または30秒(およそ3,500〜5,000文字、5〜8ショット):同じショット・タイムスタンプ構造を、より多くのショット数で。

クリップをショットに分割する際は、全体の長さをすき間なくカバーするようにしてください。最後のショットが指定した長さより前で終わると、モデルが残りを自由に埋めてしまいます。

フレームから動画への生成(アップロードした画像のアニメーション化)では、動きとカメラのみを記述してください。被写体の外見はすでにフレームで決まっているため、再度説明すると画像と矛盾し、似ている度合いがずれることがあります。

完成した動画の編集

Wan 3.0は、ゼロから生成する代わりに既存のクリップを編集することもできます:小物の追加、人物の削除、照明やスタイルの変更、シーンの延長、セリフの変更など。こうした編集は生成よりもずっと短いプロンプトで済み、通常は何を編集するか+何をするかだけで十分です。それ以外の要素はモデルが元の動画から引き継ぎます。

よくある問題と解決方法

• 結果が一般的すぎる → プロンプトの被写体・アクションが弱い。最初の言葉に被写体と明確なアクションを1つ入れてください。

• 生成のたびにキャラクターが変わる → 同じリファレンス画像を使い回し、一貫してタグ付けし、「maintaining consistent [subject]」を追加してください。

• カメラの動きがランダムに感じる → 「slowly」のような副詞ではなく、できれば数値付きで動きを明示してください(例:「dolly forward at 2 ft/s」)。Wan 3.0は数値の速度をそのまま忠実に反映します。

• 結末が急ぎ足・場当たり的に感じる → ショットが指定した長さ全体をカバーしていません。最後のタイムスタンプが注文した長さと一致しているか確認してください。

• 不要な音やセリフが出てくる(Generate Audioがオンの場合) → ネガティブプロンプトは存在しません。それが目的であれば、起きてほしくないことを明示的に記述してください(「no dialogue」「no background music」「silence」など)。

さらに深く学びたい場合

この記事では基本を扱っています。7つのプロンプト公式すべて、ショットごとのタイミング、ライティングとカラーグレーディングの語彙、そして実際のWan 3.0の例とそのプロンプトのライブラリなど、フルウォークスルーについては、ZenCreator内のWan 3.0フルコースをご覧ください。