Poradnik promptów Wan 3.0: struktura, kamera, referencje

Formuła promptu: podmiot → miejsce → ruch → kamera → styl → dźwięk

Prompt do Wan 3.0 czyta się bardziej jak krótki brief dla operatora kamery niż lista słów kluczowych. Kilka niezależnych źródeł zgadza się co do kolejności: opisz podmiot i to, co robi, nazwij miejsce, powiedz jak podmiot się porusza, dopisz ruch kamery, styl wizualny i na końcu dźwięk. Nie każda warstwa jest potrzebna w każdym ujęciu — jednozdaniowy prompt z samym podmiotem i miejscem to sensowny punkt startu — ale przy czymś z konkretnym wyglądem trzymanie się tej kolejności utrzymuje prompt czytelnym i nie zostawia modelowi zgadywania, który szczegół jest najważniejszy.

Minimalna wersja może brzmieć po prostu "lis przebiega przez ośnieżone pole o świcie". Pełniejsza wersja dokłada wszystkie sześć warstw, w tej samej kolejności, w jakiej oczekuje ich model:

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.

Dwa szczegóły warto zapamiętać: model sam dopełnia to, czego nie podałeś (wybierze własną długość, ruch kamery, a nawet muzykę w tle), a jeden prompt do Wan 3.0 może mieć nawet około 20 000 znaków — znacznie więcej, niż realnie potrzeba. Zwięzły, dobrze uporządkowany akapit działa lepiej niż długi — gdy prompt przekracza kilkaset starannie dobranych słów, model ma więcej do wyważenia i zaczyna faworyzować część szczegółów kosztem innych.

W aipixel.fun limit modelu to nie jedyny, na jaki warto zwrócić uwagę: formularz generowania (/generuj) i jego API nie narzucają własnego limitu długości promptu, ale prompt zapisywany do publicznej biblioteki ma twardy limit 5000 znaków (baza danych odrzuci dłuższy) — jeśli planujesz udostępnić prompt publicznie, warto zmieścić się w tym limicie od razu.

Długość i format wyjścia warto ustalić na początku, zamiast zostawiać domyślnym wartościom: Wan 3.0 przyjmuje dowolną liczbę całkowitą sekund od 2 do 30, a renderuje w 480p, 720p lub 1080p, w kilku proporcjach obrazu (w dokumentacji pojawiają się 16:9, 9:16, 1:1, 4:3 i 3:4). Decyzja o tym przed napisaniem reszty promptu utrzymuje opis ujęcia spójny z kadrem, który faktycznie dostaniesz.

Ruch kamery: nazwij ruch, jeden na ujęcie

Wan 3.0 dobrze reaguje na język kamery zaczerpnięty z planu filmowego, nie na ogólniki w stylu "kinowo". Ruchy, które konsekwentnie pojawiają się w poradnikach promptowania: static / locked-off (bez ruchu), dolly albo push-in (kamera zbliża się do podmiotu), pull-back albo dolly out (kamera się oddala), pan i tilt (kamera obraca się poziomo lub pionowo z jednego punktu), orbit (kamera okrąża podmiot) oraz handheld / tracking (kamera podąża obok, z naturalnym drżeniem). Rozpoznawane są też wybory obiektywu, np. 35mm, 50mm czy anamorficzny — kształtują kadrowanie.

Najczęściej powtarzana rada we wszystkich źródłach: opisz JEDEN dominujący ruch kamery na ujęcie, nie trzy naraz. "Powolne zbliżenie, jednocześnie orbitując i unosząc kamerę" daje modelowi sprzeczne instrukcje do pogodzenia; "jedno powolne zbliżenie, poza tym nieruchoma" daje jedno jasne zadanie. Jeśli 30-sekundowe wideo ma być bardziej dynamiczne, rozłóż osobne ruchy na osobne ujęcia z czasem (patrz kolejna sekcja), zamiast piętrzyć je w jednej instrukcji.

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

Referencje: @Image1, @Video1, @Audio1 i przypisywanie ról

Gdy dołączasz zdjęcie, wideo lub klip audio jako referencję, Wan 3.0 numeruje go według kolejności dołączenia i oczekuje, że odwołasz się do niego w treści promptu tym numerem — na przykład @Image1 dla pierwszego zdjęcia referencyjnego, @Video1 dla pierwszego wideo referencyjnego, @Audio1 dla pierwszego klipu audio. Drugie zdjęcie to @Image2, i tak dalej. Część poradników zapisuje etykietę bez "@" ("Image 1") — obie formy oznaczają to samo: etykieta pozwala powiedzieć modelowi, która referencja odpowiada za którą część ujęcia.

Etykietowanie jest tak samo ważne jak samo dołączenie pliku: goła referencja bez jasnej instrukcji zostawia modelowi zgadywanie, do czego służy. Nazwij rolę wprost — "@Image1 to główna postać, zachowaj dokładnie twarz i fryzurę" — zamiast zakładać, że model się domyśli. Dokładnie ten wzorzec stosują nasze opublikowane prompty za każdym razem, gdy ujęcie potrzebuje spójnej twarzy w całym wideo.

@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...

Co do liczby referencji: źródła zgodnie mówią o maksymalnie 20 referencjach łącznie (zdjęcia, wideo, audio) w jednej generacji, więc jest realny zapas, żeby połączyć referencję twarzy, referencję lokalizacji i referencję głosu w jednym prompcie. Wideo referencyjne powinno być krótkie — mniej więcej 15 sekund lub krócej — bo łączna długość referencji i żądanego wyniku musi zmieścić się w limicie długości samego modelu.

Wiele ujęć i czas: zapis [0-6s] kontra jedno nieprzerwane ujęcie

Dla wideo, które musi zmienić układ w połowie, jedno udokumentowane podejście numeruje każde ujęcie i nadaje mu jawny zakres czasu: "Shot 1 [0-5s]: ...", "Shot 2 [5-10s]: ..." i tak dalej, z jedną jasną akcją na zakres. To dokładnie wzorzec widoczny w kilku naszych opublikowanych promptach niżej — utrzymuje 10-, 15- czy 30-sekundowe wideo od zamienienia się w jedną zdezorientowaną instrukcję próbującą objąć wszystko naraz.

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.

Przeciwne podejście — równie częste w praktyce — to prośba o jedno nieprzerwane ujęcie bez żadnych cięć: "One continuous unbroken take, no cuts. The same location throughout." Zwykle utrzymuje spójny podmiot, lokalizację i światło pewniej niż prompt wieloujęciowy, kosztem braku możliwości przeskoku między odrębnymi układami. Wybierz ujęcia z czasem, gdy pomysł faktycznie potrzebuje osobnych momentów; wybierz jedno nieprzerwane ujęcie, gdy nie potrzebuje.

Dźwięk: kwestie mówione, efekty i wyłączanie muzyki

Wan 3.0 generuje dźwięk razem z obrazem w tym samym przebiegu, nie jako osobny krok, więc warto pisać go świadomie, nie zostawiać przypadkowi. Wskazówki dzielą prompt dźwiękowy na trzy warstwy: kwestie mówione (zacytuj dokładną linijkę i opisz, kto mówi i jak), efekty dźwiękowe powiązane z tym, co dzieje się na ekranie, oraz muzykę w tle, którą model doda sam, jeśli nie powiesz inaczej.

• Wyłączenie muzyki w tle — dopisz do promptu "no background music" (albo "no music").
• Wyłączenie mówionych kwestii — dopisz "no voice lines" (albo "no dialogue").
• Dodanie efektu dźwiękowego — nazwij go wprost i powiąż z akcją — "soft footsteps on wet pavement", "quiet camera shutter clicks" — zamiast opisywać nastrój.

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

Kwestie mówione warto cytować dosłownie, w cudzysłowie, i krótko — jedno, dwa zdania na linijkę — a nie opisywać je pośrednio. Jeśli ton wypowiedzi ma znaczenie, nazwij go wprost (ciepło, sucho, szeptem) zamiast liczyć, że model sam go odgadnie z kontekstu sceny.

Tekst do wideo bez referencji: kiedy wystarcza

Nie każde ujęcie potrzebuje referencji. Gdy podmiot nie musi odpowiadać konkretnej, prawdziwej osobie, produktowi ani lokalizacji — stylizowana postać, abstrakcyjna koncepcja, ogólne miejsce — w pełni napisany prompt tekstowy, trzymający się tej samej kolejności podmiot → miejsce → ruch → kamera → styl → dźwięk, wystarcza sam w sobie. Kilka naszych opublikowanych promptów całkowicie pomija referencje i polega wyłącznie na szczegółowym, precyzyjnym opisie tekstowym, bez żadnego załączonego pliku.

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.

Sięgnij po zdjęcie referencyjne konkretnie wtedy, gdy rozpoznawalna twarz, produkt albo dokładna lokalizacja musi przenieść się do wyniku bez zmian — to jedyna rzecz, której prompt czysto tekstowy naprawdę nie zagwarantuje.

Najczęstsze błędy

Większość nieudanych generacji da się sprowadzić do garstki powtarzających się problemów — wszystkie da się naprawić samym promptem, bez zmiany referencji czy parametrów. Poniższa lista to błędy widoczne wprost w publicznie dostępnych poradnikach promptowania oraz w naszej własnej bibliotece opublikowanych promptów.

• Kilka ruchów kamery naraz w jednym ujęciu — nazwij jeden dominujący ruch; resztę rozłóż na osobne ujęcia z czasem.
• Dołączenie referencji bez nazwania jej roli — powiedz wprost, do czego służy @Image1/@Video1 — twarz, produkt, lokalizacja — nie zostawiaj tego domysłowi.
• Ściana przymiotników zamiast akcji — opisz, co się dzieje i jak porusza się kamera; słowa stylu wspierają akcję, nie zastępują jej.
• Zakładanie ciszy domyślnie — dźwięk generuje się automatycznie, jeśli nie dopiszesz "no background music" / "no voice lines" — o ciszę trzeba poprosić.
• Jedna wielka instrukcja na 30 sekund wideo — podziel na ujęcia z czasem ([0-6s], [6-12s]...) zamiast prosić jedno zdanie o objęcie całego czasu trwania.
• Zbyt długie wideo lub audio referencyjne — trzymaj klipy referencyjne krótko (około 15s lub mniej) — łączna długość referencji i wyniku dzieli ten sam limit.

Przykłady z biblioteki

@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…

Źródła

• OpenArt — Wan 3.0 prompt guide
• Runware — dokumentacja promptowania Wan 3.0
• Morphic — materiał o modelu Wan 3.0
• Venice — wskazówki do promptów Wan 3.0
• Alibaba Cloud — Wan3.0: 30-sekundowe generowanie wideo AI z dowolnego wejścia