Guía de prompts de Wan 3.0: estructura, cámara, referencias

La fórmula del prompt: sujeto → lugar → movimiento → cámara → estilo → sonido

Un prompt para Wan 3.0 se lee más como un briefing de rodaje corto que como una lista de palabras clave. Varias guías independientes coinciden en el mismo orden: describe el sujeto y qué está haciendo, nombra el lugar, di cómo se mueve el sujeto, añade el movimiento de cámara, el estilo visual y por último el sonido. No hace falta usar todas las capas en cada toma — un prompt de una sola línea con sujeto y lugar es un punto de partida válido — pero para algo con un aspecto concreto, seguir este orden de arriba a abajo mantiene el prompt legible y evita que el modelo tenga que adivinar qué detalle importa más.

Una versión mínima podría ser simplemente "un zorro cruza un campo nevado al amanecer". Una versión más completa añade las seis capas, en el mismo orden que espera el modelo:

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.

Dos detalles a tener en cuenta: el modelo rellena automáticamente lo que no especifiques (elegirá su propia duración, movimiento de cámara, incluso música de fondo), y un prompt de Wan 3.0 puede tener hasta unos 20.000 caracteres — mucho más de lo que realmente necesitas. Un párrafo compacto y bien ordenado funciona mejor que uno largo; cuando un prompt supera unas pocas centenas de palabras bien elegidas, el modelo tiene más que equilibrar y empieza a favorecer unos detalles sobre otros.

En aipixel.fun, el límite del modelo no es el único a tener en cuenta: el formulario de generación (/generuj) y su API no imponen un límite de longitud propio, pero un prompt guardado en la biblioteca pública tiene un límite estricto de 5000 caracteres (la base de datos rechaza cualquier prompt más largo) — si planeas publicar un prompt, conviene mantenerlo dentro de ese límite desde el principio.

La duración y el formato de salida conviene fijarlos desde el principio, en lugar de dejarlos a los valores por defecto: Wan 3.0 acepta cualquier número entero de segundos entre 2 y 30, y renderiza en 480p, 720p o 1080p, en varias proporciones de imagen (la documentación menciona 16:9, 9:16, 1:1, 4:3 y 3:4). Decidir esto antes de escribir el resto del prompt mantiene la descripción de la toma coherente con el encuadre que realmente vas a obtener.

Movimiento de cámara: nombra el movimiento, uno por toma

Wan 3.0 responde bien al lenguaje de cámara tomado de un rodaje real, no a palabras vagas como "cinematográfico". Los movimientos que aparecen de forma constante en las guías de prompting son: static / locked-off (sin movimiento), dolly o push-in (la cámara se acerca al sujeto), pull-back o dolly out (la cámara se aleja), pan y tilt (la cámara gira horizontal o verticalmente desde un punto fijo), orbit (la cámara rodea al sujeto) y handheld / tracking (la cámara sigue al lado, con movimiento natural). También se reconocen elecciones de objetivo como 35mm, 50mm o un look anamórfico, que dan forma al encuadre.

El consejo más repetido en todas las fuentes: describe UN movimiento de cámara dominante por toma, no tres a la vez. "Zoom lento mientras orbita e inclina hacia arriba" da al modelo instrucciones contradictorias que conciliar; "un zoom lento, fija el resto del tiempo" le da una tarea clara. Si un vídeo de 30 segundos necesita sentirse más dinámico, secuencia movimientos distintos en tomas distintas (ver la siguiente sección) en lugar de apilarlos en una sola instrucción.

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

Referencias: @Image1, @Video1, @Audio1 y la asignación de roles

Cuando adjuntas una imagen, vídeo o clip de audio de referencia, Wan 3.0 lo numera según el orden en que se adjuntó y espera que te refieras a él por ese número dentro del texto del prompt — por ejemplo @Image1 para la primera imagen de referencia, @Video1 para el primer vídeo de referencia, @Audio1 para el primer clip de audio de referencia. Una segunda imagen se convierte en @Image2, y así sucesivamente. Algunas guías escriben la etiqueta sin el "@" ("Image 1"); ambas formas apuntan a la misma idea — la etiqueta es lo que permite decirle al modelo qué referencia corresponde a qué parte de la toma.

Etiquetar importa tanto como adjuntar el archivo: una referencia desnuda sin instrucción explícita deja al modelo adivinando para qué sirve. Indica el rol directamente — "@Image1 es el personaje principal, conserva exactamente la cara y el peinado" — en lugar de asumir que el modelo lo va a inferir. Este es exactamente el patrón que usan nuestros prompts publicados cada vez que una toma necesita una cara consistente durante todo el vídeo.

@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...

Sobre el número de referencias: las fuentes coinciden en hasta 20 activos de referencia en total entre imágenes, vídeo y audio en una sola generación, así que hay margen real para combinar una referencia de cara, una de ubicación y una de voz en un mismo prompt. Un clip de vídeo de referencia debería ser corto — unos 15 segundos o menos — porque la duración combinada de las referencias y la salida solicitada tiene que caber dentro del límite de duración del propio modelo.

Varias tomas y tiempo: notación [0-6s] frente a una toma continua

Para un vídeo que necesita cambiar de escenario a mitad de camino, un enfoque documentado numera cada toma y le da un rango de tiempo explícito: "Shot 1 [0-5s]: ...", "Shot 2 [5-10s]: ..." y así sucesivamente, con una acción clara por rango. Es el mismo patrón que verás en varios de nuestros prompts publicados más abajo, y evita que un vídeo de 10, 15 o 30 segundos se convierta en una única instrucción confusa que intenta cubrirlo todo a la vez.

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.

El enfoque contrario — igual de común en la práctica — es pedir una sola toma continua, sin cortes: "One continuous unbroken take, no cuts. The same location throughout." Esto suele mantener el sujeto, la ubicación y la iluminación de forma más fiable que un prompt de varias tomas, al precio de no poder saltar entre escenarios distintos. Elige tomas con tiempo cuando la idea realmente necesita momentos separados; elige una toma continua cuando no los necesita.

Sonido: diálogo, efectos y cómo apagar la música

Wan 3.0 genera el audio junto con la imagen en la misma pasada, no como un paso aparte, así que merece la pena escribirlo a propósito en lugar de dejarlo al azar. Las guías agrupan el prompting de audio en tres capas: diálogo (cita la línea exacta y describe quién habla y cómo), efectos de sonido ligados a lo que ocurre en pantalla, y música de fondo, que el modelo añadirá por su cuenta a menos que digas lo contrario.

• Apagar la música de fondo — añade "no background music" (o "no music") al prompt.
• Apagar el diálogo hablado — añade "no voice lines" (o "no dialogue").
• Añadir un efecto de sonido — nómbralo de forma directa y ligado a la acción — "soft footsteps on wet pavement", "quiet camera shutter clicks" — en lugar de describir un ambiente.

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

Texto a vídeo sin referencia: cuándo es suficiente

No todas las tomas necesitan una imagen de referencia. Cuando el sujeto no tiene que coincidir con una persona, producto o ubicación real concreta — un personaje estilizado, un concepto abstracto, un lugar genérico — un prompt de texto completo que siga el mismo orden sujeto → lugar → movimiento → cámara → estilo → sonido basta por sí solo. Varios de nuestros prompts publicados prescinden por completo de referencias y se apoyan únicamente en una descripción textual detallada.

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.

Recurre a una imagen de referencia específicamente cuando una cara, producto o ubicación exacta reconocible tiene que mantenerse sin cambios en el resultado — eso es lo único que un prompt solo de texto realmente no puede garantizar.

Errores más comunes

• Apilar varios movimientos de cámara en una toma — nombra un movimiento dominante; secuencia el resto en tomas separadas con tiempo.
• Adjuntar una referencia sin indicar su rol — indica explícitamente para qué sirve @Image1/@Video1 — cara, producto, ubicación — no lo dejes a inferencia.
• Escribir un muro de adjetivos en lugar de una acción — describe qué ocurre y cómo se mueve la cámara; las palabras de estilo apoyan la acción, no la sustituyen.
• Asumir silencio por defecto — el audio se genera automáticamente salvo que digas "no background music" / "no voice lines" — el silencio hay que pedirlo.
• Una sola instrucción gigante para 30 segundos — divídela en tomas con tiempo ([0-6s], [6-12s]...) en lugar de pedirle a una frase que cubra toda la duración.
• Un vídeo o audio de referencia más largo de lo necesario — mantén los clips de referencia cortos (unos 15s o menos) — la duración combinada de referencia y salida comparte el mismo límite.

Ejemplos de la biblioteca

@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…

Fuentes

• OpenArt — Guía de prompts de Wan 3.0
• Runware — Documentación de prompting de Wan 3.0
• Morphic — Recurso sobre el modelo Wan 3.0
• Venice — Consejos de prompts para Wan 3.0
• Alibaba Cloud — Wan3.0: generación de vídeo IA de 30 segundos desde cualquier entrada