掌握 Wan 3.0

什麼是 Wan 3.0

Wan 3.0 是阿里巴巴的影片生成模型,現已在 ZenCreator 的Text to Video、Image to Video和Video to Video中上線,在介面中顯示為Wan 3.0 Spicy,即該平台上支援 NSFW 的版本。

相較於早期 Wan 版本以及 Seedance 2.0,它最大的升級在於規模:Wan 3.0 可以單次生成長達 30 秒的影片,遵循跨多個鏡頭的長篇劇本式提示詞,自動生成配樂,並可同時接受圖片、影片片段和音訊作為參考,具體上限因工具而異(見下文)。

它的獨特之處

• 更長的多鏡頭影片。 最長可達 30 秒,按時間戳撰寫。只要你為每個鏡頭命名,模型就會在一次生成中自行處理鏡頭間的轉場。

• 可選的原生音訊。 Generate Audio 開關(預設關閉)可讓 Wan 3.0 在生成過程中自動創作配樂,包括對白、擬音和音樂。開啟後如果你沒有描述聲音,模型會自行編造,因此如果這一點很重要,請在提示詞中明確描述具體音訊(或靜音)。

• 沒有負面提示詞。 沒有單獨的「要避免的內容」欄位,任何不想要的元素(多餘的人物、鏡頭晃動、背景音樂)都必須寫在主提示詞本身中。

• 可同時使用多個參考。 圖片、影片片段和音訊都可以上傳,並透過標籤直接在提示詞中引用,不像 Seedance 2.0 那樣只支援圖片和音訊。Image to Video 中:最多 9 張圖片和 3 段音訊。Video to Video 中:最多 9 張圖片和 3 段影片(外加音訊)。Text to Video 不接受任何參考,僅支援提示詞。

• 完整解析度範圍。 480p、720p 或 1080p,每次生成可自行選擇,價格隨解析度和時長直接變化。

• 非同步生成。 沒有進度條或預計時間。請求會進入佇列,完成後會收到結果連結。通常需要 15–55 分鐘;1080p 下 30 秒的影片可能需要更長時間。請盡快下載結果,檔案不會無限期保留。

四種輸入:各自負責什麼

與 Seedance 相同的思路:每種輸入類型都有自己的職責:

• 文字控制空間層面:外觀、氛圍、風格、環境。

• 圖片控制身份:角色、物體或場景的具體樣貌。

• 影片控制時間層面:時序、節奏、鏡頭運動。在 Video to Video 中,你正在編輯的片段本身就是影片參考。

• 音訊控制節奏和聲音:節拍,以及動作與聲音的同步方式。

經驗法則:外觀交給文字和圖片,動作與聲音交給影片和音訊。

參考標籤語法

上傳參考素材後,直接在提示詞中為其打標籤,以便模型知道你指的是哪一個。具體工具的即時語法請查看提示詞框內的預留文字:

• 圖片: [img1]、[img2]...(按上傳順序編號)

• 影片: [vid1]、[vid2]...

• 音訊: [audio1]、[audio2]...

參考素材不只是「靈感」,而是一個可定址的物件。在提示詞中明確說明要從中擷取什麼:一張臉、一套服裝、一件產品、一種風格。你可以多次提及同一個參考,以精確控制它的應用位置。

撰寫提示詞:讓長度配合時長

Wan 3.0 是以詳細描述訓練而成。簡短的提示詞並不代表簡潔,而是意味著把情節、台詞、音樂和鏡頭數量的決定權交給模型。大致參考如下(5000 字元是硬性上限):

• 5 秒(約 700–1200 字元,1–2 個鏡頭):一段簡潔的文字,涵蓋主體、場景和動作。

• 10 秒(約 1200–2200 字元,2–3 個鏡頭):加入鏡頭細節、燈光和聲音。

• 15 或 20 秒(約 2200–3500 字元,大約 4 個鏡頭):按時間戳將片段拆分為多個鏡頭(例如 Shot 1 [0–3s]: ...),每個鏡頭都有自己的取景、動作、鏡頭運動、光線和聲音。

• 25 或 30 秒(約 3500–5000 字元,5–8 個鏡頭):同樣的分鏡和時間戳結構,只是鏡頭數量更多。

無論何時將片段拆分為多個鏡頭,都要確保它們無縫涵蓋整個時長。如果最後一個鏡頭在要求的時長之前就結束了,模型會按自己的方式填補剩餘部分。

對於幀生成影片(為上傳的圖片加上動畫),只需描述動作和鏡頭運動,因為圖片本身已經確定了主體的外觀,重複描述會與畫面產生衝突,導致相似度出現偏差。

編輯完成的影片

Wan 3.0 也可以編輯現有片段,而不是從零開始生成:新增道具、移除人物、改變燈光或風格、延長場景,或更改一句台詞。這類編輯所需的提示詞比生成短得多,通常只需要編輯什麼 + 要做什麼即可,其餘內容模型會直接沿用原始影片。

常見問題及解決方法

• 結果顯得千篇一律 → 提示詞中的主體/動作不夠明確。將主體和一個明確的動作放在最開頭。

• 角色在多次生成之間發生變化 → 重複使用同一張參考圖片,統一打標籤,並加上「maintaining consistent [subject]」。

• 鏡頭運動顯得隨意 → 明確指出運動方式,最好帶上具體數值(例如「dolly forward at 2 ft/s」),而不是用「slowly」這樣的副詞。Wan 3.0 會嚴格按照數值化的速度執行。

• 結尾顯得倉促或臨時拼湊 → 鏡頭沒有涵蓋所要求的完整時長;請確保最後一個時間戳與你所要求的時長一致。

• 出現不想要的聲音或對白(在開啟 Generate Audio 的情況下) → 沒有負面提示詞。如果這是你的目標,請明確寫出不希望發生的內容(「no dialogue」、「no background music」、「silence」)。

想要更深入了解?

本文只涵蓋了基礎內容。如需完整講解(全部七種提示詞公式、逐鏡頭的時間控制、燈光與調色相關詞彙,以及帶有真實提示詞的 Wan 3.0 範例庫),請查看 ZenCreator 內的完整 Wan 3.0 課程。