WaveSpeedAI

Wan 3.0 提示词指南:打造可重复的视频测试

通过这份 Wan 3.0 提示词指南,系统化地设计动作、镜头、时间节奏、参考素材和音频,实现可重复的 T2V、I2V 和 R2V 测试。

By John4 min read
Wan 3.0 提示词指南:打造可重复的视频测试

Wan 3.0 提示词指南:可重复的视频测试

浪费视频预算最快的方法,就是让每个操作人员都“自己写个更好的提示词”。我见过一份已通过审批的创意简报,在评审开始之前就变成了十个不同的版本。这份 Wan 3.0 提示词指南针对的是一项没那么光鲜的工作:把创意简报变成可重复的测试,并在任何人扩大规模之前,先记录好输入、参数、失败情况和成本。

阿里巴巴的 Wan3.0 API 参考文档目前列出了 wan3.0-video 和 wan3.0-video-prime,支持文本、图像、首尾帧以及基于参考素材的视频输入。WaveSpeed 通过独立的端点提供该系列模型,包括其 Wan 3.0 API 接口。Schema 检查日期:2026 年 11 月 13 日。本文并未声称进行了实时基准测试,而是提供一套你可以复现的提示词测试方法。

在编写提示词之前先定义视频测试

选择一种输入模式和验收标准

不要从那句提示词开始,而要从测试开始。

选定一种模式:文生视频、图生视频或参考生视频。如果过早混用多种模式,你就无法知道输出的变化究竟来自提示词、首帧、参考图像、音频输入、时长,还是模型对所有内容的综合理解。

为了让测试可重复,请在生成之前写好验收标准:

  • 主体身份保持可辨识。
  • 镜头运动遵循计划的方向。
  • 动作在目标秒数前到达预期节点。
  • 对白或声音提示与画面动作不冲突。
  • 输出无需完全重新生成即可使用。

对于下面的机器人示例,把这些标准变成通过/不通过的检查:将开头、中间和最后一帧与已批准的输入进行比较;标记机器人是否保持蓝色外壳和琥珀色灯光,是否在第 7 秒前到达面板,以及是否遵循了所要求的镜头运动。记录每一处偏差。这不能凭感觉判断,需要实际跑一次样本。

将提示词指令与 API 参数分开

提示词不应该承载本该属于请求字段的设置。当平台提供相应参数时,请把“9:16”“720p”“10 秒”“开启音频”和 seed 值放在参数中。

阿里巴巴当前的 Wan3.0 schema 使用 parameters.resolution、ratio、duration、audio、seed、prompt_extend 和 watermark。WaveSpeed 已检查的 T2V、I2V 和 R2V 页面则使用 resolution、aspect_ratio、duration、enable_prompt_expansion、generate_audio 和 seed。生产思路相同,字段名称不同。

一个人可以记住参数,一个团队做不到。

构建 Wan 3.0 提示词

主体、动作、环境和视觉风格

一个有用的 Wan 提示词包含四个朴素的模块:

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.

对于第一组 Wan 3.0 examples 来说,这就足够了。现在先不要堆砌十种情绪和五个类型标签。如果主体在这个阶段就出了问题,再多形容词也救不了这次生成。

镜头、时间、音频和参考素材的角色

阿里巴巴的提示词指南建议描述主体、场景、运动、美学控制、风格化和镜头行为。对于生产测试,我会把镜头和时间明确写出来:

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.

一个 Wan 3.0 camera prompt 每个镜头只应指定一个主要的镜头动作。“推近、环绕、升降、手持晃动”不是指导,而是一份会议记录。

针对每种输入模式调整提示词

文生视频和图生视频提示词

对于文生视频,提示词定义整个场景,需要包含主体、环境、动作、镜头、光线和音频意图。

对于图生视频,图像已经定义了主体、构图和大部分风格。提示词应聚焦于发生的变化:运动、镜头、表情、光线变化和结束状态。如果你重复描述图像中已有的内容,就会增加不匹配的空间。

对于下面的对照测试,请提供一张已批准的首帧图像(例如 robot_rooftop_v01.png),并在每个变体中保持使用这一确切素材。一个实用的 I2V 提示词如下:

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.

文件名只是你测试日志里的标签。请通过端点的 image 字段,以受支持的 URL 或 Base64 输入提交图像;在提示词中写文件名并不会上传它。

参考生视频和较长的叙事提示词

参考生视频需要明确角色。在阿里巴巴当前的 Wan3.0 API 中,媒体参考可以按各媒体类型内的顺序称为“Image 1”“Video 1”或“Audio 1”。当前的 WaveSpeed 参考生视频 schema 列出了 reference_images、reference_videos 和 reference_audios,每种媒体类型都有数量限制。对于机器人测试,参考提示词可以这样开头:“The delivery robot from Image 1 rolls toward the damaged panel.”请记录你把哪个素材分配给了 Image 1。

对于较长的场景,请使用时间戳。Wan 3.0 30 second video 不应写成一个长段落。把请求时长设为 30 秒,并将提示词拆分为多个节拍:

[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.

这些是请求的节拍,并不保证模型会命中每一个时间戳。

运行受控的提示词测试

每次生成只改变一个变量

如果你同时更改提示词、seed、时长、参考图像和音频设置,这次测试就作废了。你确实生成了视频,但什么也没学到。

先小规模运行:针对一种输入模式,做一个基线和三个变体。下面是一张计划中的测试卡,而不是已完成生成的记录:

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.”

将每个变体与基线比较,而不是与另一个变体比较。保持首帧素材和所有列出的字段不变。seed 有助于控制测试,但并不保证输出完全一致。

记录输入、输出、失败和成本

好的日志能让下一位操作人员不必瞎猜。

字段需要记录的内容
测试日期实际生成日期
平台和端点阿里巴巴 Wan3.0、WaveSpeed T2V/I2V/R2V,或其他已验证的路径
输入模式T2V、I2V、首尾帧或 R2V
提示词版本完整的基线或变体提示词文本,而不是摘要
参数分辨率、比例/宽高比、时长、音频、seed 和提示词扩展设置
参考素材输入 URL 或素材 ID、其角色,以及每个变体使用的相同素材标识
输出任务 ID、输出 URL 或保存的文件,以及完成状态
评审身份、镜头、时间和音频的通过/不通过;注明每次失败对应的帧或秒数
成本依据预估费用、最终费用和失败输出数量;在计费完成前留空

便宜不一定省钱。无法使用的生成才是昂贵的。

诊断效果不佳的结果

去除相互冲突的指令和过载的场景

当结果不理想时,先做减法,不要做加法。

冲突通常是这样的:“固定镜头配动态环绕”“安静的场景配激烈的战斗音乐”“单镜头连续性配硬切”,或者“产品特写同时展示宽阔的城市全景”。模型可能仍然会生成点什么,但评审团队不会知道哪条指令胜出了。

如果你在学习如何为 Wan 3.0 编写提示词,请有意把第一次测试做得很无聊。无聊的测试可以诊断,过载的测试不行。

在增加细节之前先调整时间、参考素材或控制项

如果主体不对,检查参考素材。如果动作不对,简化动作。如果场景结束得太早,调整时长或时间戳结构。如果音频和画面冲突,先去掉歌词或对白。

阿里巴巴的 Wan3.0 发布文章指出,音频质感和画面文字准确度是发布时有待改进的方面。请把这些视为评审项,而不是保证通过的条件。

在生产中复用提示词

将提示词模块映射到结构化请求字段

一个可复用的模板应把创意语言与请求字段分开:

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=

这并不花哨,只是避免提示词变成一个塞满旧决定的抽屉。发送请求之前,请把 PARAM_ 标签映射到所选服务商当前的字段名称。

为模板做版本管理并保留评估证据

保存每个被接受的提示词时,同时保存其端点、schema 日期、参数、输入素材、输出 URL、评审备注和拒绝原因。当服务商更改 schema 或默认值时,先重新运行最小的已接受测试,再扩大规模。

团队的 Wan3 prompting guide 不是一份漂亮提示词的清单,而是一份记录:哪些提示词通过了评审。

局限与权衡

更长的提示词并不保证更强的控制力

长提示词在增加结构时有帮助,在掩盖矛盾时则有害。如果一个 300 词的提示词失败了,就写一个 90 词的版本,再次测试核心动作。

不同服务商的接口可能提供不同的控制项

阿里巴巴已检查的 Wan3.0 API 列出了 wan3.0-video 和 wan3.0-video-prime,媒体类型和参数集中在一个请求 schema 中。WaveSpeed 则把接口拆分为不同的端点,并使用不同的字段名称。在没有检查当前 schema 的情况下,不要在不同平台之间照搬参数名称。

常见问题

Wan 3.0 是否强制规定了最大提示词长度?

阿里巴巴已检查的 Wan3.0 API 参考文档说明,input.prompt 支持中文和英文,最多允许 20,000 个字符,超出部分会被自动截断。WaveSpeed 已检查的模型页面没有公布相同的提示词长度上限,因此在大批量运行之前,请在当前 schema 中确认。

提示词可以引用上传的文件名而不是 URL 吗?

不要依赖文件名。阿里巴巴的文档规定媒体以公开 URL、临时 OSS URL 或 Base64 输入的形式提供,然后在提示词中以“Image 1”“Video 1”或“Audio 1”来引用素材。WaveSpeed 的 schema 同样使用结构化的媒体字段,而不是本地文件名引用。

目前生成的对白支持哪些语言?

已检查的 Wan3.0 API 参考文档确认支持中文和英文提示词,但这并不能确定生成语音的完整语言列表。对于生产测试,请记录所请求的对白语言,并在扩大批量之前审听生成的音频。

Wan 3.0 的每个端点都支持负面提示词吗?

在已检查的 Wan3.0 文档中并不支持。阿里巴巴的 Wan3.0 API 参考文档没有列出 negative_prompt,已检查的 WaveSpeed Wan 3.0 T2V/I2V/R2V 页面也没有提供负面提示词字段。在没有重新检查 schema 的情况下,不要把旧版 Wan2.7 的行为带到 Wan3.0 中。

固定 seed 能同时复现音频和视频吗?

固定 seed 可以减少随机性,但不应被视为音画的完全锁定。请把 seed、提示词、参考素材、时长、音频设置和端点版本一起记录,然后重新跑一次样本。这是了解模板稳定性的唯一可靠方式。

结论

一份有用的 Wan 3.0 提示词指南并不是从巧妙的措辞开始,而是从受控的视频测试开始:一种输入模式、一个被接受的任务、一种提示词结构,以及每次生成只改变一件事。一旦这一点站稳了,再谨慎地扩大规模。单个出色的输出并不意味着生产工作流已经就绪。


往期文章:

分享