WaveSpeedAI

繰り返し可能な動画テストのためのWan 3.0プロンプトガイド

このWan 3.0プロンプトガイドを使って、モーション、カメラ、タイミング、リファレンス、音声を整理し、再現性のあるT2V、I2V、R2Vテストを行いましょう。

By John4 min read
繰り返し可能な動画テストのためのWan 3.0プロンプトガイド

Wan 3.0 プロンプトガイド:再現可能な動画テストのために

動画の予算を最も早く無駄にする方法は、オペレーター全員に「もっと良いプロンプトを書いてもらう」ことです。承認済みの1つのブリーフが、レビューが始まる前に10通りのバージョンに分かれてしまう場面を、私は何度も見てきました。この Wan 3.0 プロンプトガイドは、もっと地味な仕事のために作られています。クリエイティブブリーフを再現可能なテストに変換し、入力、パラメータ、失敗、コストを、誰かが実行をスケールさせる前に記録するための仕事です。

Alibaba の Wan3.0 API リファレンスには現在、wan3.0-video と wan3.0-video-prime が掲載されており、テキスト、画像、最初と最後のフレーム、リファレンスベースの動画入力に対応しています。WaveSpeed は、Wan 3.0 API サーフェスを含め、このファミリーを個別のエンドポイントとして提供しています。スキーマ確認日:2026年11月13日。この記事は実際のベンチマークを主張するものではありません。再現可能なプロンプトテストの方法を示すものです。

プロンプトを書く前に動画テストを定義する

入力モードを1つ選び、合格基準を決める

最初に文章を書いてはいけません。最初にテストを決めます。

モードを1つ選びます。text-to-video、image-to-video、reference-to-video のいずれかです。モードを早い段階で混ぜると、出力が変わった原因がプロンプトなのか、最初のフレームなのか、リファレンス画像なのか、音声入力なのか、尺なのか、あるいはモデルがすべてを一度に解釈した結果なのか、判別できなくなります。

再現可能なテストにするため、生成の前に合格基準を書いておきます。

  • 被写体のアイデンティティが認識できる状態を保っている。
  • カメラの動きが計画した方向に従っている。
  • 動きが目標の秒数までに期待されるビートに到達している。
  • セリフやサウンドキューが視覚的なアクションと衝突していない。
  • 全面的に再生成しなくても使える出力である。

以下のロボットの例では、これらを合否チェックに落とし込みます。冒頭、中間、最終フレームを承認済みの入力と比較し、ロボットが青いシェルと琥珀色のライトを保っているか、7秒より前にパネルに到達しているか、指定したカメラの動きに従っているかを判定します。外れた点はすべて記録します。これは感覚で判断できるものではありません。サンプル実行が必要です。

プロンプトの指示と API パラメータを分ける

プロンプトに、リクエストフィールドに属する設定を持たせてはいけません。プラットフォームがパラメータとして公開している場合は、「9:16」「720p」「10秒」「音声オン」やシード値はパラメータに入れておきます。

Alibaba の現行 Wan3.0 スキーマは parameters.resolution、ratio、duration、audio、seed、prompt_extend、watermark を使用します。WaveSpeed で確認した T2V、I2V、R2V のページは resolution、aspect_ratio、duration、enable_prompt_expansion、generate_audio、seed を使用します。制作上の考え方は同じです。ただしフィールド名は異なります。

1人ならパラメータを覚えていられます。チームでは無理です。

Wan 3.0 プロンプトを組み立てる

被写体、アクション、環境、ビジュアルの方向性

有用な Wan プロンプトには、4つのシンプルなブロックがあります。

Subject: original delivery robot with a scratched blue shell and one amber status light.
Action: rolls across a wet rooftop walkway, pauses, scans a damaged solar panel.
Environment: early morning service roof, low fog, city towers behind glass railings.
Visual direction: grounded product-film look, soft backlight, realistic reflections, no fantasy elements.

これで最初の Wan 3.0 examples セットとしては十分です。ムードを10個も、ジャンルのラベルを5個も、まだ追加しないでください。この段階で被写体が失敗するなら、形容詞を増やしても実行は救えません。

カメラ、タイミング、音声、リファレンスの役割

Alibaba のプロンプトガイドは、エンティティ、シーン、動き、美的コントロール、スタイライゼーション、カメラの挙動を記述することを推奨しています。制作テストでは、カメラとタイミングを明示するのがよいと私は考えます。

Camera: fixed low-angle shot for 2 seconds, then slow push-in toward the amber light.
Timing: robot reaches the damaged panel at second 5 and stops before second 7.
Audio: low rooftop wind, one soft motor hum, no dialogue, no background music.

Wan 3.0 camera prompt では、1ショットにつきメインのカメラアクションを1つだけ指定します。「プッシュイン、オービット、クレーンアップ、手持ちの揺れ」は演出指示ではありません。会議の議事録です。

入力モードごとにプロンプトを調整する

テキストから動画、画像から動画のプロンプト

text-to-video では、プロンプトがシーン全体を定義します。被写体、環境、アクション、カメラ、ライティング、音声の意図を含めます。

image-to-video では、画像がすでに被写体、構図、そしてスタイルの多くを定義しています。プロンプトは、変化するもの、つまり動き、カメラ、表情、ライティングの変化、最終状態に集中させるべきです。画像に見えているものをすべて繰り返すと、ミスマッチの余地を増やしてしまいます。

以下の管理されたテストでは、承認済みの最初のフレーム画像を1枚(たとえば robot_rooftop_v01.png)用意し、すべてのバリアントでまったく同じアセットを使い続けます。実用的な I2V プロンプトは次のようになります。

The service robot remains the same shape and color as the input image. Its amber light turns on slowly. The camera pushes in slightly. Thin rain moves across the frame. No new characters enter. Low rooftop wind and one soft motor hum; no speech or music.

ファイル名はテストログ用のラベルです。画像は、対応する URL または Base64 入力として、エンドポイントの image フィールドから送信してください。プロンプトにファイル名を書いても、アップロードされるわけではありません。

リファレンスから動画、長めのナラティブプロンプト

reference-to-video には役割が必要です。Alibaba の現行 Wan3.0 API では、メディアのリファレンスをメディアタイプごとの順序に基づいて「Image 1」「Video 1」「Audio 1」と呼べます。現在の WaveSpeed の reference-to-video スキーマには reference_images、reference_videos、reference_audios があり、メディアタイプごとに上限が設けられています。ロボットのテストでは、リファレンスプロンプトを「The delivery robot from Image 1 rolls toward the damaged panel.」で始めることができます。どのアセットを Image 1 に割り当てたかを記録してください。

長いシーンではタイムスタンプを使います。Wan 3.0 30 second video を、1つの長い段落にすべきではありません。リクエストの尺を30秒に設定し、プロンプトをビートに分割します。

[0-6s] Robot crosses the rooftop walkway.
[6-12s] It stops beside the solar panel and scans the crack.
[12-20s] The amber light pulses while rain gets heavier.
[20-30s] Camera pulls back to show the full rooftop repair site.

これらはリクエストしたビートであり、モデルがすべてのタイムスタンプに到達する保証ではありません。

管理されたプロンプトテストを実行する

1回の生成につき変更する変数は1つ

プロンプト、シード、尺、リファレンス画像、音声設定を同時に変えると、テストは成立しません。動画は生成できたとしても、何も学べていません。

まずは小さく実行します。1つの入力モードについて、ベースライン1つとバリアント3つです。以下は計画したテストカードであり、完了した生成の記録ではありません。

Mode: I2V
Endpoint: alibaba/wan-3.0/image-to-video
First frame: your approved robot_rooftop_v01.png, submitted in the image field
Fixed fields: resolution=720p; aspect_ratio=9:16; duration=8;
              generate_audio=true; enable_prompt_expansion=false; seed=1729
Baseline: the I2V prompt above

Variant A — motion only:
Replace “Its amber light turns on slowly” with “Its amber light flashes twice.”

Variant B — camera only:
Replace “The camera pushes in slightly” with “The camera stays fixed.”

Variant C — audio wording only:
Replace “one soft motor hum” with “no motor hum.”

各バリアントは、別のバリアントではなくベースラインと比較します。最初のフレームのアセットと、記載したすべてのフィールドは固定したままにします。シードはテストの制御に役立ちますが、出力が同一になることを保証するものではありません。

入力、出力、失敗、コストを記録する

優れたログは、次のオペレーターが推測せずに済むようにしてくれます。

フィールド記録する内容
テスト日実際に生成した日付
プラットフォームとエンドポイントAlibaba Wan3.0、WaveSpeed T2V/I2V/R2V、またはその他の検証済みルート
入力モードT2V、I2V、first-last-frame、または R2V
プロンプトのバージョンベースラインまたはバリアントのプロンプト全文(要約ではない)
パラメータ解像度、比率/アスペクト比、尺、音声、シード、プロンプト拡張の設定
リファレンス入力 URL またはアセット ID、その役割、すべてのバリアントで共通のアセット識別子
出力タスク ID、出力 URL または保存したファイル、完了ステータス
レビューアイデンティティ、カメラ、タイミング、音声の合否。失敗ごとに、その根拠となるフレームまたは秒を記載
コストの基準見積もり料金、最終料金、失敗した出力の数。請求が確定するまでは空欄

安いことが、必ずしもコスト削減になるとは限りません。使えない生成物は高くつきます。

弱い結果を診断する

矛盾する指示と詰め込みすぎのシーンを取り除く

結果が弱いときは、まず削ります。足してはいけません。

矛盾は通常、次のような形で現れます。「固定カメラでダイナミックなオービット」「静かなシーンにドラマチックな戦闘音楽」「ワンショットの連続性とハードカット」「製品のクローズアップをしながら都市の広いリビール」。モデルは何かしら出力するかもしれませんが、レビューチームはどの指示が優先されたのかを判別できません。

Wan 3.0 のプロンプトの書き方を学んでいるなら、最初のテストはあえて退屈なものにしてください。退屈なものは診断できます。詰め込みすぎたものはできません。

ディテールを足す前に、タイミング、リファレンス、コントロールを調整する

被写体が違うなら、リファレンスを確認します。動きが違うなら、アクションを単純化します。シーンが早く終わりすぎるなら、尺やタイムスタンプの構造を調整します。音声がショットと衝突するなら、まず歌詞やセリフを外します。

Alibaba の Wan3.0 リリース記事は、リリース時点での改善領域として、音のテクスチャと画面上のテキストの精度を挙げていました。これらは、合格が保証された条件ではなく、レビュー項目として扱ってください。

本番でプロンプトを再利用する

プロンプトブロックを構造化されたリクエストフィールドにマッピングする

再利用可能なテンプレートは、クリエイティブな言葉とリクエストフィールドを分けておくべきです。

PLATFORM_ENDPOINT=
INPUT_MODE=
INPUT_ASSET_ID_OR_URL=
PROMPT_SUBJECT=
PROMPT_ACTION=
PROMPT_SCENE=
PROMPT_CAMERA=
PROMPT_AUDIO=
PARAM_DURATION=
PARAM_RESOLUTION=
PARAM_ASPECT_RATIO=
PARAM_AUDIO=
PARAM_PROMPT_EXPANSION=
PARAM_SEED=
REFERENCE_ROLES=
OUTPUT_ID_OR_URL=
PASS_FAIL_REASON=

これは洒落たものではありません。プロンプトが古い判断で埋まった引き出しになるのを防ぐだけです。リクエストを送る前に、PARAM_ のラベルを、選んだプロバイダーの現行のフィールド名にマッピングしてください。

テンプレートをバージョン管理し、評価の証拠を保存する

採用した各プロンプトは、エンドポイント、スキーマの日付、パラメータ、入力アセット、出力 URL、レビュアーのメモ、却下理由とともに保存します。プロバイダーがスキーマやデフォルトを変更したときは、スケールする前に、採用済みの最小のテストを再実行してください。

チーム向けの Wan3 prompting guide は、美しいプロンプトの一覧ではありません。レビューを通過したものの記録です。

限界とトレードオフ

長いプロンプトが、より強いコントロールを保証するわけではない

長いプロンプトは、構造を加えるときには役立ちます。矛盾を隠してしまうときには害になります。300語のプロンプトが失敗したら、90語のバージョンを作って、中核となるアクションをもう一度テストしてください。

プロバイダーのインターフェースは、異なるコントロールを公開している場合がある

Alibaba で確認した Wan3.0 API は wan3.0-video と wan3.0-video-prime を掲載しており、メディアタイプとパラメータは1つのリクエストスキーマにまとまっています。WaveSpeed はエンドポイントのサーフェスを分け、異なるフィールド名を使います。現行のスキーマを確認せずに、プラットフォームをまたいでパラメータ名をコピーしないでください。

FAQ

Wan 3.0 にはプロンプトの最大長がありますか?

Alibaba で確認した Wan3.0 API リファレンスによると、input.prompt は中国語と英語に対応し、最大20,000文字まで許容され、超過分は自動的に切り捨てられます。WaveSpeed で確認したモデルページには同様のプロンプト長の上限が掲載されていなかったため、大きなバッチを実行する前に、現行のスキーマで確認してください。

プロンプトで、URL の代わりにアップロードしたファイル名を参照できますか?

ファイル名に頼らないでください。Alibaba は、メディアを公開 URL、一時的な OSS URL、または Base64 入力として扱い、プロンプト内では「Image 1」「Video 1」「Audio 1」としてアセットを参照すると記載しています。WaveSpeed のスキーマも、ローカルのファイル名による参照ではなく、構造化されたメディアフィールドを使用します。

生成されるセリフには、現在どの言語が対応していますか?

確認した Wan3.0 API リファレンスは、中国語と英語のプロンプトに対応していることを確認しています。ただし、それは生成される音声の対応言語の完全なリストを示すものではありません。本番向けのテストでは、リクエストしたセリフの言語を記録し、バッチを拡大する前に、できあがった音声を確認してください。

Wan 3.0 はすべてのエンドポイントでネガティブプロンプトに対応していますか?

確認した Wan3.0 のドキュメントでは、対応していません。Alibaba の Wan3.0 API リファレンスには negative_prompt が掲載されておらず、確認した WaveSpeed の Wan 3.0 T2V/I2V/R2V ページもネガティブプロンプトのフィールドを公開していません。新たにスキーマを確認せずに、以前の Wan2.7 の挙動を Wan3.0 に持ち込まないでください。

固定シードで、音声と映像を一緒に再現できますか?

固定シードはランダム性を減らせますが、音声と映像の完全なロックとして扱うべきではありません。シード、プロンプト、リファレンス、尺、音声設定、エンドポイントのバージョンをまとめて記録してください。そのうえで、サンプルを再実行します。テンプレートがどれだけ安定しているかを知る、正直な方法はそれだけです。

まとめ

役に立つ Wan 3.0 プロンプトガイドは、巧みな言葉選びから始まりません。管理された動画テストから始まります。入力モードは1つ、受け入れるタスクは1つ、プロンプトの構造は1つ、そして1回の生成につき変更は1つです。それが守れるようになったら、慎重にスケールしてください。1本の良い出力が出たからといって、制作ワークフローの準備が整ったことにはなりません。


過去の記事:

共有