Wan 3.0 提示詞指南:打造可重複的影片測試
透過這份 Wan 3.0 提示詞指南,為動作、鏡頭、時間節奏、參考素材與音訊建立結構,讓 T2V、I2V 與 R2V 測試可重複執行。

Wan 3.0 提示詞指南:打造可重複的影片測試
要浪費影片預算,最快的辦法就是讓每位操作人員都「自己寫一個更好的提示詞」。我見過一份已核准的創意簡報,在進入審核之前就變成十個不同版本。這份 Wan 3.0 提示詞指南針對的是比較不起眼的工作:把創意簡報轉化為可重複的測試,並在任何人擴大規模之前,先記錄輸入、參數、失敗情況與成本。
Alibaba 的 Wan3.0 API 參考文件目前列出 wan3.0-video 與 wan3.0-video-prime,支援文字、圖片、首尾幀以及基於參考素材的影片輸入。WaveSpeed 透過獨立的端點提供此系列模型,包括其 Wan 3.0 API 介面。結構描述(schema)於 2026 年 11 月 13 日檢查。本文並未宣稱進行了即時基準測試,而是提供一套你可以重現的提示詞測試方法。

在撰寫提示詞之前先定義影片測試
選擇單一輸入模式與驗收標準
不要從那一句話開始,要從測試開始。
選定一種模式:文字生成影片、圖片生成影片,或參考素材生成影片。如果太早混用多種模式,你就無從得知輸出的變化究竟來自提示詞、首幀、參考圖片、音訊輸入、時長,還是模型一次詮釋了所有內容。
為了做到可重複的測試,請在生成之前先寫下驗收標準:
- 主體的辨識度保持一致。
- 鏡頭運動遵循規劃好的方向。
- 動作在目標秒數前到達預期的節點。
- 對白或音效提示不會與視覺動作互相衝突。
- 輸出無需完全重新生成即可使用。
以下方的機器人範例來說,請把這些標準轉成通過/不通過的檢查:將開頭、中段與最後一幀與已核准的輸入進行比對;標記機器人是否保有藍色外殼與琥珀色燈光、是否在第 7 秒前到達面板,以及是否遵循所要求的鏡頭運動。記錄每一項未達標之處。這無法憑感覺判斷,需要實際跑一次樣本。
將提示詞指令與 API 參數分開
提示詞不應該承載本該屬於請求欄位的設定。當平台提供對應欄位時,請將「9:16」、「720p」、「10 秒」、「開啟音訊」以及 seed 值放在參數中。
Alibaba 目前的 Wan3.0 結構描述使用 parameters.resolution、ratio、duration、audio、seed、prompt_extend 與 watermark。WaveSpeed 經檢查的 T2V、I2V 與 R2V 頁面則使用 resolution、aspect_ratio、duration、enable_prompt_expansion、generate_audio 與 seed。生產理念相同,欄位名稱不同。
一個人記得住參數,一個團隊卻做不到。
建構 Wan 3.0 提示詞
主體、動作、環境與視覺方向
一個實用的 Wan 提示詞包含四個簡單的區塊:
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.
這樣就足以作為第一組 Wan 3.0 examples。先不要加入十種氛圍和五種類型標籤。如果主體在這個階段就失敗了,再多的形容詞也救不了這次生成。
鏡頭、時間、音訊與參考素材角色

Alibaba 提示詞指南建議描述實體、場景、動作、美學控制、風格化以及鏡頭行為。對於正式製作的測試,我會把鏡頭與時間明確寫出來:
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 每個鏡頭應只指定一個主要的鏡頭動作。「推進、環繞、升降、手持晃動」並不是指導方向,而是一份會議記錄。
針對各輸入模式調整提示詞
文字生成影片與圖片生成影片的提示詞
對於文字生成影片,提示詞定義整個場景,應包含主體、環境、動作、鏡頭、光線與音訊意圖。
對於圖片生成影片,圖片已經決定了主體、構圖以及大部分風格。提示詞應該專注於會改變的部分:動作、鏡頭、表情、光線變化以及結束狀態。如果你重複描述圖片中已可見的所有內容,就會增加不一致的空間。
在下方的受控測試中,請提供一張已核准的首幀圖片(例如 robot_rooftop_v01.png),並讓每個變體都使用這個完全相同的素材。一個實用的 I2V 提示詞如下:
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.
檔名只是你測試記錄中的標籤。請透過端點的 image 欄位,以支援的 URL 或 Base64 輸入來提交圖片;在提示詞中寫入檔名並不會上傳圖片。
參考素材生成影片與較長的敘事提示詞
參考素材生成影片需要明確指定角色。在 Alibaba 目前的 Wan3.0 API 中,媒體參考可依其在各媒體類型內的順序,稱為「Image 1」、「Video 1」或「Audio 1」。目前的 WaveSpeed 參考素材生成影片結構描述列出 reference_images、reference_videos 與 reference_audios,並對每種媒體類型設有數量限制。以機器人測試為例,參考提示詞可以這樣開頭:「The delivery robot from Image 1 rolls toward the damaged panel.」請記錄你把哪個素材指定為 Image 1。

對於較長的場景,請使用時間戳記。Wan 3.0 30 second video 不應該是一大段文字。請將請求的時長設為 30 秒,並把提示詞拆成多個節拍:
[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.
這些是所要求的節拍,並不保證模型會精準命中每個時間戳記。
執行受控的提示詞測試
每次生成只改變一個變數
如果你同時更改提示詞、seed、時長、參考圖片與音訊設定,這個測試就毀了。你確實生成了影片,卻什麼也沒學到。
先從小規模開始:針對單一輸入模式,跑一個基準版本與三個變體。以下是一張規劃中的測試卡,而非已完成生成的紀錄:
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.”
請將每個變體與基準版本比較,而不是與其他變體比較。讓首幀素材與所有列出的欄位保持固定。seed 有助於控制測試,但不保證輸出完全相同。
記錄輸入、輸出、失敗與成本
一份好的記錄能讓下一位操作人員不必憑空猜測。
| 欄位 | 要記錄的內容 |
|---|---|
| 測試日期 | 實際生成日期 |
| 平台與端點 | Alibaba Wan3.0、WaveSpeed T2V/I2V/R2V,或其他已驗證的路徑 |
| 輸入模式 | T2V、I2V、首尾幀或 R2V |
| 提示詞版本 | 完整的基準或變體提示詞文字,而非摘要 |
| 參數 | 解析度、比例/長寬比、時長、音訊、seed 與提示詞擴寫設定 |
| 參考素材 | 輸入 URL 或素材 ID、其角色,以及每個變體都使用相同的素材識別碼 |
| 輸出 | 任務 ID、輸出 URL 或已儲存的檔案,以及完成狀態 |
| 審核 | 針對辨識度、鏡頭、時間與音訊的通過/不通過;註記每項失敗背後對應的畫面或秒數 |
| 成本依據 | 預估費用、最終費用與失敗輸出數量;在計費前留空 |
便宜不一定代表省錢。無法使用的生成成果才是昂貴的。
診斷效果不佳的結果
移除互相衝突的指令與過度負載的場景
當結果不佳時,先刪減,不要增加。
衝突通常長這樣:「固定鏡頭搭配動態環繞」、「安靜場景搭配戲劇性戰鬥音樂」、「單鏡到底的連續性搭配硬切」,或「產品特寫同時展示城市全景」。模型或許仍會產出某些內容,但審核團隊無法得知哪一條指令占了上風。
如果你正在學習如何撰寫 Wan 3.0 的提示詞,請刻意讓第一次測試保持無趣。無趣的測試才可診斷,負載過重的則不然。
在增加細節之前,先調整時間、參考素材或控制項
如果主體不對,檢查參考素材。如果動作不對,簡化動作。如果場景結束得太早,調整時長或時間戳記結構。如果音訊與畫面互相干擾,先移除歌詞或對白。
Alibaba 的 Wan3.0 發布文章指出,音訊質感與畫面文字的準確度是發布時仍有待改進的部分。請將這些視為審核項目,而不是保證能通過的條件。

在正式製作中重複使用提示詞
將提示詞區塊對應到結構化的請求欄位
一個可重複使用的範本,應該把創意語言與請求欄位分開:
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=
這並不花俏,只是避免提示詞變成一個塞滿舊決策的抽屜。在送出請求之前,請將 PARAM_ 標籤對應到所選供應商目前的欄位名稱。
為範本建立版本並保存評估證據
請將每個通過的提示詞連同其端點、結構描述日期、參數、輸入素材、輸出 URL、審核者備註與退回原因一併儲存。當供應商更改結構描述或預設值時,在擴大規模之前,請先重跑最小的已通過測試。
對團隊而言,Wan3 prompting guide 不是一份漂亮提示詞的清單,而是一份記錄了哪些內容通過審核的紀錄。
限制與取捨
較長的提示詞並不保證更強的控制力
當長提示詞增加了結構時,它會有幫助;當它掩蓋了矛盾時,就會造成傷害。如果一個 300 字的提示詞失敗了,請改寫成 90 字的版本,再次測試核心動作。
各供應商的介面可能提供不同的控制項
Alibaba 經檢查的 Wan3.0 API 列出 wan3.0-video 與 wan3.0-video-prime,並在單一請求結構描述中包含媒體類型與參數。WaveSpeed 則將端點介面分開,並使用不同的欄位名稱。在未檢查當前結構描述之前,請勿跨平台直接複製參數名稱。
常見問題

Wan 3.0 是否強制規定提示詞的最大長度?
Alibaba 經檢查的 Wan3.0 API 參考文件指出,input.prompt 支援中文與英文,最多允許 20,000 個字元,超出的內容會被自動截斷。WaveSpeed 經檢查的模型頁面並未公布相同的提示詞長度上限,因此在進行大批量作業之前,請先在當前的結構描述中確認。
提示詞可以引用已上傳的檔名而非 URL 嗎?
不要依賴檔名。Alibaba 的文件說明媒體可透過公開 URL、暫時性的 OSS URL 或 Base64 輸入提供,然後在提示詞中以「Image 1」、「Video 1」或「Audio 1」來引用素材。WaveSpeed 的結構描述同樣使用結構化的媒體欄位,而非本機檔名引用。
目前支援哪些語言來生成對白?
經檢查的 Wan3.0 API 參考文件確認支援中文與英文的提示詞,但這並不能證明生成語音有完整的語言清單。在正式製作的測試中,請記錄所要求的對白語言,並在擴大批量之前審核產出的音訊。
Wan 3.0 是否在所有端點都支援負向提示詞?
在經檢查的 Wan3.0 文件中並不支援。Alibaba 的 Wan3.0 API 參考文件未列出 negative_prompt,而經檢查的 WaveSpeed Wan 3.0 T2V/I2V/R2V 頁面也沒有提供負向提示詞欄位。在未重新檢查結構描述之前,請勿把舊版 Wan2.7 的行為套用到 Wan3.0。
固定 seed 能同時重現音訊與影片嗎?
固定的 seed 可以降低隨機性,但不應被視為音訊與視覺的完整鎖定。請將 seed、提示詞、參考素材、時長、音訊設定與端點版本一併記錄,然後重跑一個樣本。這是了解範本穩定程度唯一誠實的方法。
結論
一份實用的 Wan 3.0 提示詞指南,並非從巧妙的措辭開始,而是從受控的影片測試開始:一種輸入模式、一項已接受的任務、一種提示詞結構,以及每次生成只改變一件事。一旦這一切穩定,再謹慎地擴大規模。單一輸出表現良好,並不代表正式製作流程已經就緒。
往期文章:
/filters:quality(82)/media/images/1773962750383987480_n3hqzHRZ.webp)
/filters:quality(82)/media/images/3439779b-d7cf-42fd-958d-8711fe2abdf4.webp)