Wan 3.0 Prompt-Leitfaden: Struktur, Kamera, Referenzen

Die Prompt-Formel: Motiv → Ort → Bewegung → Kamera → Stil → Ton

Ein Wan-3.0-Prompt liest sich eher wie ein kurzes Dreh-Briefing als eine Liste von Schlagwörtern. Mehrere unabhängige Leitfäden stimmen in derselben Reihenfolge überein: Motiv und dessen Handlung beschreiben, den Ort benennen, sagen, wie sich das Motiv bewegt, dann Kamerabewegung, visuellen Stil und zuletzt Ton hinzufügen. Nicht jede Aufnahme braucht jede Ebene — ein einzeiliger Prompt mit nur Motiv und Ort ist ein gültiger Ausgangspunkt —, aber bei einem konkreten Look hält das Einhalten dieser Reihenfolge von oben nach unten den Prompt lesbar und erspart dem Modell das Raten, welches Detail am wichtigsten ist.

Eine minimale Version könnte einfach "ein Fuchs trabt bei Sonnenaufgang über ein verschneites Feld" sein. Eine vollständigere Version fügt alle sechs Ebenen hinzu, in derselben Reihenfolge, die das Modell erwartet:

A red fox trots across an open snowy field just after sunrise. It stops, sniffs the air, then continues toward the treeline.
Camera performs one slow push-in from a wide shot to a medium shot, locked-off otherwise.
Soft golden backlight, shallow depth of field, realistic fur detail, cinematic nature photography.
Quiet wind, distant birdsong, no music.

Zwei Details sind wichtig: Das Modell füllt automatisch alles auf, was Sie weglassen (es wählt seine eigene Länge, Kamerabewegung, sogar Hintergrundmusik), und ein Wan-3.0-Prompt kann bis zu etwa 20.000 Zeichen lang sein — weit mehr, als Sie tatsächlich brauchen. Ein knapper, gut geordneter Absatz funktioniert besser als ein langer; sobald ein Prompt einige hundert gut gewählte Wörter überschreitet, hat das Modell mehr abzuwägen und beginnt, manche Details gegenüber anderen zu bevorzugen.

Bei aipixel.fun ist das Modelllimit nicht das einzige, das zu beachten ist: Das Generierungsformular (/generuj) und seine API erzwingen kein eigenes Längenlimit, aber ein in der öffentlichen Bibliothek gespeicherter Prompt hat ein hartes Limit von 5.000 Zeichen (die Datenbank lehnt längere Prompts ab) — wer plant, einen Prompt zu veröffentlichen, sollte diese Grenze von vornherein einhalten.

Länge und Ausgabeformat sollte man früh festlegen statt den Standardwerten zu überlassen: Wan 3.0 akzeptiert jede ganze Sekundenzahl von 2 bis 30 und rendert in 480p, 720p oder 1080p, in mehreren Seitenverhältnissen (in der Dokumentation tauchen 16:9, 9:16, 1:1, 4:3 und 3:4 auf). Das vor dem Rest des Prompts festzulegen, hält die Beschreibung der Aufnahme konsistent mit dem Bildausschnitt, den Sie tatsächlich bekommen.

Kamerabewegung: die Bewegung benennen, eine pro Aufnahme

Wan 3.0 reagiert gut auf Kamerasprache vom Filmset, nicht auf vage Wörter wie "filmisch". Die Bewegungen, die in Prompting-Leitfäden immer wieder auftauchen, sind: static / locked-off (keine Bewegung), dolly oder push-in (Kamera nähert sich dem Motiv), pull-back oder dolly out (Kamera entfernt sich), pan und tilt (Kamera schwenkt horizontal oder vertikal von einem festen Punkt aus), orbit (Kamera umkreist das Motiv) sowie handheld / tracking (Kamera folgt seitlich, mit natürlicher Bewegung). Objektivwahlen wie 35mm, 50mm oder ein anamorphotischer Look werden ebenfalls erkannt und prägen den Bildausschnitt.

Der am häufigsten wiederholte Rat aus allen Quellen: Beschreiben Sie EINE dominante Kamerabewegung pro Aufnahme, nicht drei gleichzeitig. "Langsamer Zoom, während gleichzeitig umkreist und nach oben geneigt wird" gibt dem Modell widersprüchliche Anweisungen zum Abwägen; "ein langsamer Zoom, ansonsten fest" gibt ihm eine klare Aufgabe. Wenn ein 30-Sekunden-Video dynamischer wirken soll, reihen Sie separate Bewegungen über separate, zeitlich getaktete Aufnahmen aneinander (siehe nächster Abschnitt), statt sie in einer einzigen Anweisung zu stapeln.

Camera performs one slow, smooth push-in from a medium-full shot to a medium shot. No other camera movement.

Referenzen: @Image1, @Video1, @Audio1 und die Rollenzuweisung

Wenn Sie ein Referenzbild, -video oder -audioclip anhängen, nummeriert Wan 3.0 es nach der Reihenfolge, in der es angehängt wurde, und erwartet, dass Sie sich im Prompt-Text mit dieser Nummer darauf beziehen — zum Beispiel @Image1 für das erste Referenzbild, @Video1 für das erste Referenzvideo, @Audio1 für den ersten Referenz-Audioclip. Ein zweites Bild wird zu @Image2, und so weiter. Manche Leitfäden schreiben das Label ohne "@" ("Image 1"); beide Formen meinen dasselbe — das Label sagt dem Modell, welche Referenz für welchen Teil der Aufnahme zuständig ist.

Die Beschriftung ist genauso wichtig wie das Anhängen der Datei: Eine nackte Referenz ohne explizite Anweisung lässt das Modell raten, wofür sie da ist. Benennen Sie die Rolle direkt — "@Image1 ist die Hauptfigur, Gesicht und Frisur exakt beibehalten" — statt anzunehmen, dass das Modell es von selbst ableitet. Genau dieses Muster verwenden unsere veröffentlichten Prompts immer dann, wenn eine Aufnahme ein durchgehend konsistentes Gesicht braucht.

@Image1 is the main character. Preserve the face, hair, skin tone and facial features from @Image1 exactly, without alteration..

One continuous unbroken take, no cuts. The same location throughout: a narrow street in Tokyo at night, light rain, glowing neon signs reflecting on the wet pavement.

The person from @Image1 walks slowly toward the camera holding a transparent umbrella...

Zur Anzahl der Referenzen: Die Quellen stimmen auf bis zu 20 Referenz-Assets insgesamt über Bild, Video und Audio in einer einzigen Generierung überein — es gibt also echten Spielraum, um eine Gesichtsreferenz, eine Ortsreferenz und eine Stimmreferenz in einem Prompt zu kombinieren. Ein Referenzvideoclip sollte kurz bleiben — etwa 15 Sekunden oder weniger —, da die kombinierte Länge von Referenzen und angeforderter Ausgabe in die eigene Längenobergrenze des Modells passen muss.

Mehrere Aufnahmen und Timing: [0-6s]-Notation vs. eine durchgehende Einstellung

Für ein Video, das auf halber Strecke das Setup wechseln muss, nummeriert ein dokumentierter Ansatz jede Aufnahme und gibt ihr einen expliziten Zeitbereich: "Shot 1 [0-5s]: ...", "Shot 2 [5-10s]: ..." und so weiter, mit einer klaren Handlung pro Bereich. Genau dieses Muster sehen Sie unten bei mehreren unserer veröffentlichten Prompts — es verhindert, dass ein 10-, 15- oder 30-Sekunden-Video zu einer einzigen, verwirrten Anweisung wird, die versucht, alles auf einmal abzudecken.

Shot 1 [0-5s]: Close-up, the cat carefully presses dough with its paws, flour dusting into the air.
Shot 2 [5-10s]: Top-down shot, the cat folds a pierogi and pinches the edges with its paws.

Der gegenteilige Ansatz — in der Praxis genauso verbreitet — ist die Bitte um eine einzige, durchgehende Einstellung ganz ohne Schnitte: "One continuous unbroken take, no cuts. The same location throughout." Das hält Motiv, Ort und Licht tendenziell zuverlässiger konsistent als ein Prompt mit mehreren Aufnahmen, auf Kosten der Möglichkeit, zwischen verschiedenen Setups zu springen. Wählen Sie zeitlich getaktete Aufnahmen, wenn die Idee wirklich separate Momente braucht; wählen Sie eine durchgehende Einstellung, wenn nicht.

Ton: Sprechzeilen, Effekte und die Musik abschalten

Wan 3.0 erzeugt Ton zusammen mit dem Bild in einem Durchgang, nicht als separaten Schritt — es lohnt sich also, ihn bewusst zu schreiben, statt ihn dem Zufall zu überlassen. Leitfäden gliedern Audio-Prompting in drei Ebenen: Sprechzeilen (die genaue Zeile zitieren und beschreiben, wer wie spricht), Soundeffekte, die an das Geschehen auf dem Bildschirm gebunden sind, und Hintergrundmusik, die das Modell von sich aus hinzufügt, sofern Sie nichts anderes sagen.

• Hintergrundmusik abschalten — fügen Sie dem Prompt "no background music" (oder "no music") hinzu.
• Gesprochenen Dialog abschalten — fügen Sie "no voice lines" (oder "no dialogue") hinzu.
• Einen Soundeffekt hinzufügen — benennen Sie ihn schlicht und an die Handlung gebunden — "soft footsteps on wet pavement", "quiet camera shutter clicks" — statt eine Stimmung zu beschreiben.

Distant traffic and city ambience. No dialogue. No music.

Text-zu-Video ohne Referenz: wann es reicht

Nicht jede Aufnahme braucht ein Referenzbild. Wenn das Motiv nicht zu einer bestimmten, realen Person, einem Produkt oder Ort passen muss — eine stilisierte Figur, ein abstraktes Konzept, ein generischer Schauplatz — reicht ein vollständig ausformulierter Text-Prompt, der derselben Reihenfolge Motiv → Ort → Bewegung → Kamera → Stil → Ton folgt, allein aus. Mehrere unserer veröffentlichten Prompts verzichten komplett auf Referenzen und stützen sich nur auf eine detaillierte Textbeschreibung.

Extreme close-up of a perfectly ripe strawberry resting on a white ceramic plate. A tiny incision appears on its surface and hundreds of miniature translucent red glass cubes slowly pour out from inside. Camera performs an extremely slow lateral macro slide from left to right, 100mm macro lens, razor-thin depth of field.

Greifen Sie gezielt dann zu einem Referenzbild, wenn ein wiedererkennbares Gesicht, Produkt oder ein exakter Ort unverändert im Ergebnis erscheinen muss — das ist das Einzige, was ein reiner Text-Prompt wirklich nicht garantieren kann.

Häufige Fehler

• Mehrere Kamerabewegungen in einer Aufnahme stapeln — eine dominante Bewegung benennen; den Rest über separate, zeitlich getaktete Aufnahmen verteilen.
• Referenz anhängen, ohne ihre Rolle zu benennen — explizit sagen, wofür @Image1/@Video1 steht — Gesicht, Produkt, Ort —, nicht dem Erraten überlassen.
• Eine Wand aus Adjektiven statt einer Handlung schreiben — beschreiben, was passiert und wie sich die Kamera bewegt; Stilwörter unterstützen die Handlung, ersetzen sie nicht.
• Stille standardmäßig annehmen — Audio wird automatisch erzeugt, sofern Sie nicht "no background music" / "no voice lines" hinzufügen — Stille muss angefordert werden.
• Eine einzige riesige Anweisung für 30 Sekunden — in zeitlich getaktete Aufnahmen aufteilen ([0-6s], [6-12s]...), statt einen Satz die gesamte Laufzeit abdecken zu lassen.
• Ein Referenzvideo oder -audio länger als nötig — Referenzclips kurz halten (etwa 15s oder weniger) — die kombinierte Länge von Referenz und Ausgabe teilt sich dieselbe Obergrenze.

Beispiele aus der Bibliothek

@Image1 is the main character. Preserve the face, hair, skin tone and facial features from @Image1 exactly, without alteration..

One continuous unbroken take, no cuts. The same location throughout: a narrow street in To…

A fluffy orange tabby cat wearing a tiny white chef's hat stands on a stool at a rustic wooden kitchen counter, cozy Polish grandmother's kitchen, warm afternoon window light, shallow depth of field.

Shot 1 [0-5s]: Clos…

@Image1 is the main character. Preserve the face, hair, skin tone and facial features from @Image1 exactly, without alteration.

Dark apartment kitchen at night, only the fridge light glows. Realistic handheld smartphone…

Generate a single continuous 7-second shot. A pristine transparent glass perfume bottle stands centered on a polished black stone pedestal in a dark luxury studio. At first the bottle is completely still. Tiny golden par…

7-second luxury automotive commercial, one continuous shot. A matte-black futuristic sports car is parked alone on a mirror-like salt flat at sunrise. The camera starts extremely close to the rear wheel and glides smooth…

Quellen

• OpenArt — Wan 3.0 Prompt-Leitfaden
• Runware — Wan 3.0 Prompting-Dokumentation
• Morphic — Ressource zum Wan-3.0-Modell
• Venice — Wan 3.0 Prompt-Tipps
• Alibaba Cloud — Wan3.0: 30-sekündige KI-Videogenerierung aus beliebigem Input