掌握 Wan 3.0

什么是 Wan 3.0

Wan 3.0 是阿里巴巴的视频生成模型,现已在 ZenCreator 的Text to Video、Image to Video和Video to Video中上线,在界面中显示为Wan 3.0 Spicy,即该平台上支持 NSFW 的版本。

相比早期 Wan 版本以及 Seedance 2.0,它最大的升级在于规模:Wan 3.0 可以单次生成长达 30 秒的视频,遵循跨多个镜头的长篇剧本式提示词,自动生成配乐,并可同时接受图片、视频片段和音频作为参考,具体上限因工具而异(见下文)。

它的独特之处

• 更长的多镜头视频。 最长可达 30 秒,按时间戳撰写。只要你为每个镜头命名,模型就会在一次生成中自行处理镜头间的转场。

• 可选的原生音频。 Generate Audio 开关(默认关闭)可让 Wan 3.0 在生成过程中自动创作配乐,包括对白、拟音和音乐。开启后如果你没有描述声音,模型会自行编造,因此如果这一点很重要,请在提示词中明确描述具体音频(或静音)。

• 没有负面提示词。 没有单独的"要避免的内容"字段,任何不想要的元素(多余的人物、镜头晃动、背景音乐)都必须写在主提示词本身中。

• 可同时使用多个参考。 图片、视频片段和音频都可以上传,并通过标签直接在提示词中引用,不像 Seedance 2.0 那样只支持图片和音频。Image to Video 中:最多 9 张图片和 3 段音频。Video to Video 中:最多 9 张图片和 3 段视频(外加音频)。Text to Video 不接受任何参考,仅支持提示词。

• 完整分辨率范围。 480p、720p 或 1080p,每次生成可自行选择,价格随分辨率和时长直接变化。

• 异步生成。 没有进度条或预计时间。请求会进入队列,完成后会收到结果链接。通常需要 15–55 分钟;1080p 下 30 秒的视频可能需要更长时间。请尽快下载结果,文件不会无限期保留。

四种输入:各自负责什么

与 Seedance 相同的思路:每种输入类型都有自己的职责:

• 文本控制空间层面:外观、氛围、风格、环境。

• 图片控制身份:角色、物体或场景的具体样貌。

• 视频控制时间层面:时序、节奏、镜头运动。在 Video to Video 中,你正在编辑的片段本身就是视频参考。

• 音频控制节奏和声音:节拍,以及动作与声音的同步方式。

经验法则:外观交给文本和图片,动作与声音交给视频和音频。

参考标签语法

上传参考素材后,直接在提示词中为其打标签,以便模型知道你指的是哪一个。具体工具的实时语法请查看提示词框内的占位文字:

• 图片: [img1]、[img2]...(按上传顺序编号)

• 视频: [vid1]、[vid2]...

• 音频: [audio1]、[audio2]...

参考素材不只是"灵感",而是一个可寻址的对象。在提示词中明确说明要从中提取什么:一张脸、一套服装、一件产品、一种风格。你可以多次提及同一个参考,以精确控制它的应用位置。

撰写提示词:让长度匹配时长

Wan 3.0 是基于详细描述训练的。简短的提示词并不代表简洁,而是意味着把情节、台词、音乐和镜头数量的决定权交给模型。大致参考如下(5000 字符是硬性上限):

• 5 秒(约 700–1200 字符,1–2 个镜头):一段简洁的文字,涵盖主体、场景和动作。

• 10 秒(约 1200–2200 字符,2–3 个镜头):加入镜头细节、灯光和声音。

• 15 或 20 秒(约 2200–3500 字符,大约 4 个镜头):按时间戳将片段拆分为多个镜头(例如 Shot 1 [0–3s]: ...),每个镜头都有自己的取景、动作、镜头运动、光线和声音。

• 25 或 30 秒(约 3500–5000 字符,5–8 个镜头):同样的分镜和时间戳结构,只是镜头数量更多。

无论何时将片段拆分为多个镜头,都要确保它们无缝覆盖整个时长。如果最后一个镜头在要求的时长之前就结束了,模型会按自己的方式填补剩余部分。

对于帧生成视频(为上传的图片添加动画),只需描述动作和镜头运动,因为图片本身已经确定了主体的外观,重复描述会与画面产生冲突,导致相似度出现偏差。

编辑成品视频

Wan 3.0 也可以编辑现有片段,而不是从零开始生成:添加道具、移除人物、改变灯光或风格、延长场景,或更改一句台词。这类编辑所需的提示词比生成短得多,通常只需要编辑什么 + 要做什么即可,其余内容模型会直接沿用原视频。

常见问题及解决方法

• 结果显得千篇一律 → 提示词中的主体/动作不够明确。将主体和一个明确的动作放在最开头。

• 角色在多次生成之间发生变化 → 重复使用同一张参考图片,统一打标签,并加上"maintaining consistent [subject]"。

• 镜头运动显得随意 → 明确指出运动方式,最好带上具体数值(例如"dolly forward at 2 ft/s"),而不是用"slowly"这样的副词。Wan 3.0 会严格按照数值化的速度执行。

• 结尾显得仓促或临时拼凑 → 镜头没有覆盖所要求的完整时长;请确保最后一个时间戳与你所要求的时长一致。

• 出现不想要的声音或对白(在开启 Generate Audio 的情况下) → 没有负面提示词。如果这是你的目标,请明确写出不希望发生的内容("no dialogue"、"no background music"、"silence")。

想要更深入了解?

本文只涵盖了基础内容。如需完整讲解(全部七种提示词公式、逐镜头的时间控制、灯光与调色相关词汇,以及带有真实提示词的 Wan 3.0 示例库),请查看 ZenCreator 内的完整 Wan 3.0 课程。