Осваиваем Wan 3.0

Что такое Wan 3.0

Модель генерации видео Wan 3.0 от Alibaba теперь доступна в Text to Video, Image to Video и Video to Video в ZenCreator, в интерфейсе отображается как Wan 3.0 Spicy: это NSFW-версия модели для этой платформы.

Главное преимущество перед предыдущими поколениями Wan и Seedance 2.0 в масштабе: Wan 3.0 генерирует до 30 секунд за один проход, следует длинным промптам в стиле киносценария на несколько планов, сама пишет саундтрек и принимает изображения, видеоклипы и аудио как референсы одновременно. Точные лимиты зависят от инструмента (см. ниже).

Чем она отличается

• Гораздо более длинные клипы из нескольких планов. До 30 секунд, расписанные по таймкодам: модель сама обрабатывает переходы между планами в рамках одной генерации, если вы их назвали.

• Опциональный встроенный звук. Тумблер Generate Audio (по умолчанию выключен) позволяет Wan 3.0 самой написать саундтрек (диалоги, звуковые эффекты и музыку) как часть генерации. Если он включён, а звук не описан, модель придумывает его сама, поэтому конкретный звук (или тишину) стоит прописывать явно, если это важно.

• Нет негативного промпта. Отдельного поля «чего избегать» не существует: всё нежелательное (лишние люди, тряска камеры, фоновая музыка) нужно прописывать прямо в основном промпте.

• Несколько референсов одновременно. Изображения, видеоклипы и аудио можно прикреплять и адресовать прямо в промпте по тегу, причём не только изображения и аудио, как в Seedance 2.0. В Image to Video: до 9 изображений и 3 аудиоклипов. В Video to Video: до 9 изображений и 3 видеоклипов (плюс аудио). Text to Video референсов не принимает, только промпт.

• Полный диапазон разрешений. 480p, 720p или 1080p, выбирается для каждой генерации. Цена растёт прямо пропорционально разрешению и длительности.

• Асинхронная генерация. Нет прогресс-бара или оценки времени: запрос уходит в очередь, а ссылка на результат приходит, когда он готов. Обычно генерация занимает 15–55 минут; 30 секунд в 1080p могут занять значительно дольше. Скачивайте результат сразу: он хранится не бессрочно.

Четыре входа: кто за что отвечает

Та же логика, что и с Seedance: у каждого типа входных данных своя роль:

• Текст отвечает за пространственное: внешний вид, настроение, стиль, окружение.

• Изображение отвечает за идентичность: как именно выглядит персонаж, объект или сцена.

• Видео отвечает за временнóе: тайминг, ритм, движение камеры. В Video to Video сам редактируемый клип и есть видео-референс.

• Аудио отвечает за ритм и звук: темп, синхронизацию движения со звуком.

Правило простое: текст и изображение отвечают за то, как всё выглядит, а видео и аудио за то, как всё двигается и звучит.

Синтаксис тегов референсов

Когда вы загружаете референсный материал, отмечайте его прямо в промпте тегом, чтобы модель понимала, о каком файле речь. Актуальный синтаксис для конкретного инструмента смотрите в подсказке-плейсхолдере в поле промпта:

• Изображения: [img1], [img2]... (нумерация по порядку загрузки)

• Видео: [vid1], [vid2]...

• Аудио: [audio1], [audio2]...

Референс не просто «вдохновение», а адресуемый объект. Прямо укажите в промпте, что именно из него взять: лицо, наряд, продукт, стиль. Один и тот же референс можно упомянуть несколько раз, чтобы точно контролировать, где именно он применяется.

Промпт: подбираем размер под длительность

Wan 3.0 обучалась на подробных описаниях. Короткий промпт означает не лаконичность, а передачу контроля модели: она сама придумает сюжет, реплики, музыку и количество планов. Примерный ориентир (жёсткий потолок 5000 символов):

• 5 секунд (примерно 700–1200 символов, 1–2 плана): компактный абзац про субъект, сцену и движение.

• 10 секунд (примерно 1200–2200 символов, 2–3 плана): добавьте детали камеры, света и звука.

• 15 или 20 секунд (примерно 2200–3500 символов, около 4 планов): разбейте клип на планы по таймкодам (например, Shot 1 [0–3s]: ...), у каждого своя рамка кадра, действие, камера, свет и звук.

• 25 или 30 секунд (примерно 3500–5000 символов, 5–8 планов): та же структура по планам и таймкодам, просто их больше.

Если разбиваете клип на планы, убедитесь, что они покрывают всю длительность без пропусков: если последний план заканчивается раньше заказанной длины, модель сама решает, чем заполнить остаток.

Для генераций «кадр в видео» (анимация загруженного изображения) описывайте только движение и камеру: внешность субъекта уже задана кадром, повторное описание спорит с картинкой, и сходство может «поплыть».

Редактирование готового видео

Wan 3.0 умеет также редактировать существующий клип вместо генерации с нуля: добавить предмет, убрать человека, изменить свет или стиль, продлить сцену или поменять реплику. Такие правки требуют гораздо более коротких промптов, чем генерация: обычно достаточно формулы что редактировать + что сделать, всё остальное модель берёт из исходного видео.

Частые проблемы и как их решить

• Результат выглядит обобщённо → слабый субъект/действие в промпте. Поставьте субъект и одно чёткое действие в первые слова.

• Персонаж меняется между генерациями → используйте одно и то же референс-изображение, отмечайте его тегом одинаково и добавьте «maintaining consistent [subject]».

• Движение камеры кажется случайным → называйте движение явно, желательно с числом (например, «dolly forward at 2 ft/s»), а не наречием вроде «slowly»: Wan 3.0 буквально следует числовой скорости.

• Финал выглядит скомканным или импровизированным → планы не покрыли всю заказанную длительность; убедитесь, что последний таймкод равен заказанной длине.

• Появляется нежелательный звук или диалог (при включённом Generate Audio) → негативного промпта нет, поэтому явно пропишите, чего не должно быть («no dialogue», «no background music», «silence»), если это ваша цель.

Хотите углубиться?

Эта статья покрывает основы. За полным разбором (все семь формул промпта, покадровый тайминг по планам, терминология света и цветокоррекции, а также библиотека реальных примеров Wan 3.0 с промптами) смотрите полный курс по Wan 3.0 внутри ZenCreator.