Guia de prompts do Wan 3.0: estrutura, câmera, referências

A fórmula do prompt: sujeito → lugar → movimento → câmera → estilo → som

Um prompt do Wan 3.0 lê-se mais como um briefing curto de filmagem do que como uma lista de palavras-chave. Vários guias independentes convergem para a mesma ordem: descreva o sujeito e o que ele está fazendo, nomeie o cenário, diga como o sujeito se move, depois acrescente o movimento de câmera, o estilo visual e por fim o som. Nem toda cena precisa de todas as camadas — um prompt de uma linha só com sujeito e lugar já é um ponto de partida válido — mas para algo com um visual específico, seguir essa ordem de cima a baixo mantém o prompt legível e evita que o modelo tenha que adivinhar qual detalhe importa mais.

Uma versão mínima pode ser simplesmente "uma raposa atravessa um campo nevado ao amanhecer". Uma versão mais completa acrescenta as seis camadas, na mesma ordem esperada pelo 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.

Dois detalhes a ter em mente: o modelo preenche automaticamente o que você deixar de fora (vai escolher sua própria duração, movimento de câmera e até música de fundo), e um prompt do Wan 3.0 pode ter até cerca de 20.000 caracteres — bem mais do que você realmente precisa. Um parágrafo enxuto e bem ordenado funciona melhor que um longo; quando um prompt passa de algumas centenas de palavras bem escolhidas, o modelo tem mais para equilibrar e começa a favorecer alguns detalhes em detrimento de outros.

No aipixel.fun, o limite do modelo não é o único a considerar: o formulário de geração (/generuj) e sua API não impõem um limite próprio de comprimento, mas um prompt salvo na biblioteca pública tem um limite rígido de 5000 caracteres (o banco de dados rejeita qualquer prompt maior) — se você planeja publicar um prompt, vale a pena mantê-lo dentro desse limite desde o início.

Duração e formato de saída vale a pena definir logo no início, em vez de deixar nos valores padrão: o Wan 3.0 aceita qualquer número inteiro de segundos de 2 a 30, e renderiza em 480p, 720p ou 1080p, em várias proporções de imagem (a documentação cita 16:9, 9:16, 1:1, 4:3 e 3:4). Decidir isso antes de escrever o resto do prompt mantém a descrição da cena coerente com o enquadramento que você realmente vai obter.

Movimento de câmera: nomeie o movimento, um por cena

O Wan 3.0 responde bem a uma linguagem de câmera emprestada de um set de filmagem, não a palavras vagas como "cinematográfico". Os movimentos que aparecem de forma consistente nos guias de prompting são: static / locked-off (sem movimento), dolly ou push-in (a câmera se aproxima do sujeito), pull-back ou dolly out (a câmera se afasta), pan e tilt (a câmera gira horizontal ou verticalmente a partir de um ponto fixo), orbit (a câmera contorna o sujeito) e handheld / tracking (a câmera acompanha ao lado, com movimento natural). Escolhas de lente como 35mm, 50mm ou um visual anamórfico também são reconhecidas e moldam o enquadramento.

O conselho mais repetido em todas as fontes: descreva UM movimento de câmera dominante por cena, não três de uma vez. "Zoom lento enquanto orbita e inclina para cima" dá ao modelo instruções conflitantes para conciliar; "um zoom lento, fixa no resto do tempo" dá a ele uma tarefa clara. Se um vídeo de 30 segundos precisa parecer mais dinâmico, sequencie movimentos separados em cenas separadas (veja a próxima seção) em vez de empilhá-los numa única instrução.

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

Referências: @Image1, @Video1, @Audio1 e a atribuição de papéis

Ao anexar uma imagem, vídeo ou trecho de áudio de referência, o Wan 3.0 a numera pela ordem em que foi anexada e espera que você se refira a ela por esse número dentro do texto do prompt — por exemplo @Image1 para a primeira imagem de referência, @Video1 para o primeiro vídeo de referência, @Audio1 para o primeiro trecho de áudio de referência. Uma segunda imagem vira @Image2, e assim por diante. Alguns guias escrevem o rótulo sem o "@" ("Image 1"); as duas formas apontam para a mesma ideia — o rótulo é o que permite dizer ao modelo qual referência é responsável por qual parte da cena.

Rotular importa tanto quanto anexar o arquivo: uma referência solta, sem instrução explícita, deixa o modelo adivinhando para que ela serve. Diga o papel diretamente — "@Image1 é o personagem principal, preserve exatamente o rosto e o penteado" — em vez de supor que o modelo vai inferir isso. É exatamente esse o padrão que os nossos prompts publicados usam sempre que uma cena precisa de um rosto consistente ao longo do 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 o número de referências: as fontes convergem para até 20 itens de referência no total entre imagens, vídeo e áudio numa única geração, então há espaço real para combinar uma referência de rosto, uma de local e uma de voz num único prompt. Um trecho de vídeo de referência deve ser curto — cerca de 15 segundos ou menos — porque a duração combinada das referências e da saída solicitada precisa caber dentro do limite de duração do próprio modelo.

Várias cenas e tempo: notação [0-6s] versus uma única cena contínua

Para um vídeo que precisa mudar de cenário na metade, uma abordagem documentada numera cada cena e dá a ela um intervalo de tempo explícito: "Shot 1 [0-5s]: ...", "Shot 2 [5-10s]: ..." e assim por diante, com uma ação clara por intervalo. É o mesmo padrão que você vai ver em vários dos nossos prompts publicados abaixo, e evita que um vídeo de 10, 15 ou 30 segundos vire uma única instrução confusa tentando cobrir tudo de uma 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.

A abordagem oposta — igualmente comum na prática — é pedir uma única cena contínua, sem nenhum corte: "One continuous unbroken take, no cuts. The same location throughout." Isso costuma manter sujeito, local e iluminação de forma mais confiável do que um prompt com várias cenas, ao custo de não poder saltar entre configurações distintas. Escolha cenas com tempo quando a ideia realmente precisar de momentos separados; escolha uma cena contínua quando não precisar.

Som: falas, efeitos e como desligar a música

O Wan 3.0 gera o áudio junto com a imagem na mesma passada, não como uma etapa separada, então vale a pena escrevê-lo de propósito em vez de deixar ao acaso. Os guias agrupam o prompting de áudio em três camadas: falas (cite a linha exata e descreva quem fala e como), efeitos sonoros ligados ao que acontece na tela, e música de fundo, que o modelo vai adicionar por conta própria a menos que você diga o contrário.

• Desligar a música de fundo — adicione "no background music" (ou "no music") ao prompt.
• Desligar as falas — adicione "no voice lines" (ou "no dialogue").
• Adicionar um efeito sonoro — nomeie-o de forma direta e ligado à ação — "soft footsteps on wet pavement", "quiet camera shutter clicks" — em vez de descrever um clima.

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

Texto para vídeo sem referência: quando é suficiente

Nem toda cena precisa de uma imagem de referência. Quando o sujeito não precisa corresponder a uma pessoa, produto ou local real específico — um personagem estilizado, um conceito abstrato, um cenário genérico — um prompt de texto completo seguindo a mesma ordem sujeito → lugar → movimento → câmera → estilo → som já basta sozinho. Vários dos nossos prompts publicados dispensam referências por completo e dependem apenas de uma descrição textual detalhada.

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.

Recorra a uma imagem de referência especificamente quando um rosto, produto ou local exato reconhecível precisa se manter inalterado no resultado — essa é a única coisa que um prompt somente em texto realmente não consegue garantir.

Erros mais comuns

• Empilhar vários movimentos de câmera numa cena — nomeie um movimento dominante; sequencie o resto em cenas separadas com tempo.
• Anexar uma referência sem dizer seu papel — diga explicitamente para que serve @Image1/@Video1 — rosto, produto, local — não deixe isso para inferência.
• Escrever uma parede de adjetivos em vez de uma ação — descreva o que acontece e como a câmera se move; palavras de estilo apoiam a ação, não a substituem.
• Presumir silêncio por padrão — o áudio é gerado automaticamente a menos que você adicione "no background music" / "no voice lines" — o silêncio precisa ser pedido.
• Uma única instrução gigante para 30 segundos — divida em cenas com tempo ([0-6s], [6-12s]...) em vez de pedir a uma frase que cubra toda a duração.
• Um vídeo ou áudio de referência mais longo que o necessário — mantenha os trechos de referência curtos (cerca de 15s ou menos) — a duração combinada de referência e saída compartilha o mesmo limite.

Exemplos da 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…

Fontes

• OpenArt — Guia de prompts do Wan 3.0
• Runware — Documentação de prompting do Wan 3.0
• Morphic — Recurso sobre o modelo Wan 3.0
• Venice — Dicas de prompts para o Wan 3.0
• Alibaba Cloud — Wan3.0: geração de vídeo com IA de 30 segundos a partir de qualquer entrada