Wan 3.0 Prompt-Guide: Aufbau, Beispiele und echte Clips

Ein Wan-3.0-Prompt folgt Alibabas Reihenfolge: eine Überblickszeile, die Referenzen, nummerierte Einstellungen mit Start- und Endzeit, der Dialog in Anführungszeichen, Ton und Musik, der Stil und zum Schluss eine kurze Liste dessen, was nicht vorkommen darf. Wir haben am 27. Oktober 2026 fünf Prompts in 720P ausgeführt: Die getakteten Schnitte und der gesprochene Satz kamen genau wie geschrieben heraus, eine Aktion und eine Zeile "No other text" nicht.

Der Aufbau eines Wan-3.0-Prompts

Alibabas Wan-3.0-Prompt-Guide (aktualisiert am 16. Oktober 2026) ordnet die Teile so: Gesamtbeschreibung, Referenzangabe, ein Block je Einstellung, Dialog, Ton und BGM, Stil, dann die Negativliste. Ein einzelner Satz erzeugt bereits ein Video; der Aufbau sorgt dafür, dass das Ergebnis zu Ihrem Bild passt.

• Für eine einzige Aufnahme steht "Generate single shot" in der ersten Zeile. Für mehrere Einstellungen nummerieren Sie sie mit Start- und Endzeit, je 2–5 Sekunden, lückenlos und ohne Überlappung hintereinander. [0-3s] und (00:00-00:03) funktionieren beide, wählen Sie eines und bleiben Sie dabei, und benennen Sie den Übergang, etwa "hard cut".
• Schreiben Sie den Dialog als Sprecher, Sprechverb, Doppelpunkt und den Satz in doppelten Anführungszeichen, dann "Lip sync." für die Mundbewegung. Schreiben Sie "No dialogue.", wenn Sie keinen wollen; sonst entscheidet das Modell. Alibabas älterer allgemeiner Wan-Guide nennt Lip-Sync auf exakte Wörter unzuverlässig, seine Beispiele stammen aber aus Wan 2.2 und 2.5 (was sich seither geändert hat, steht in Wan 3.0 vs Wan 2.7). Der 3.0-Guide ergänzt das Tag "Lip sync", und Clip 3 brachte seinen Satz Wort für Wort.
• Musik hat drei Stufen: nichts schreiben und das Modell wählen lassen, die Musik benennen oder "No background music." schreiben. Geräusche folgen der Aktion, dem Material und dem Wetter, das Sie beschreiben.
• Für wan3.0-video gibt es keinen Parameter negative_prompt, Negative stehen also im Prompt-Text: eine kurze Liste nur dessen, was nicht vorkommen darf, ohne Füllmaterial und ohne den positiven Prompt zu wiederholen. Beispiele von Alibaba: "No face distortion", "No subtitles", "No costume changes".
• Ein Prompt darf auf Chinesisch oder Englisch stehen, bis 20,000 Zeichen; längere Texte werden ohne Fehlermeldung abgeschnitten. Alibaba nennt keine empfohlene Länge, und unsere fünf Prompts lagen bei 398 bis 670 Zeichen.

Alibaba liefert für die Konsole außerdem einen Skill zum Feintuning von Prompts mit, /wan3-pe, den wir nicht verwendet haben.

So sind die Clips entstanden

• Modell wan3.0-video über OmniaKeys asynchrone Medien-API am 27. Oktober 2026 (Pekinger Zeit), mit resolution 720P und prompt_extend, audio und seed auf Alibabas Standardwerten: Prompt-Umschreibung an, Ton an, zufälliger Seed. Clips 1, 2, 3 und 5 liefen als text_to_video, Clip 4 als image_to_video; ratio war 16:9 außer bei Clip 5 mit 9:16, duration 10 bei Clip 2 und 5 bei den übrigen.
• Clip 4 beginnt mit einem Standbild, das wir mit GPT Image 2 in 1536×1024, Qualität medium, erzeugt und auf 16:9 beschnitten haben. Es ging als Inline-JPEG mit 1024 px Breite in input.media mit type first_frame, um unter dem Limit von 1 MiB zu bleiben.
• Jede Aufgabe war beim ersten Versuch erfolgreich: MP4, H.264, 30 fps mit AAC-Spur, 1280×720 (Clip 5: 720×1280), 5.04 s (Clip 2: 10.03 s). Die Erzeugung dauerte 197.8 s, 334.3 s, 215.5 s, 153.2 s und 193.8 s pro Clip, also etwa 2.5 bis 5.5 Minuten.
• Wir haben Einzelbilder zu festen Zeitpunkten in voller Größe angesehen, über jeden Clip eine Szenenwechsel-Erkennung laufen lassen und jede Tonspur mit zwei Gemini-Audiomodellen und einem Lautheitsverlauf geprüft; die Aussagen zum Ton unten sind die, in denen diese Prüfungen übereinstimmten.
• OmniaKey verkauft API-Zugang zu Wan 3.0, deshalb liefen die Clips darüber. Die Preise unten sind Alibaba Clouds Listenpreise, nicht unsere.
• Quellen: Alibabas Wan-3.0-Prompt-Guide, der Wan-3.0-Leitfaden zur Videoerzeugung, die API-Referenz und die Preisseite von Model Studio, geprüft am 27. Oktober 2026.

Wir haben pro Prompt einen Clip ausgeführt, behandeln Sie jedes Ergebnis also als eine Stichprobe.

Fünf Prompts mit echten Clips

1. Eine Einstellung: Kamera, Objektiv, Ton, Stil

Clip 1 zeigt die Teile innerhalb einer durchlaufenden Einstellung.

Generate single shot. One continuous shot, no cuts.
A hand-thrown ceramic teapot sits on a worn oak table beside a rain-streaked window at dawn. A woman's hand lifts it and pours tea into a small white cup; steam curls up through a beam of cold blue window light.
Camera: slow push-in from a medium shot to a close-up of the cup, 85mm telephoto, shallow depth of field, soft background bokeh.
Sound: rain tapping on the glass, tea splashing into the cup, a faint clink of porcelain.
Style: quiet and photoreal, muted teal and warm amber tones, calm morning mood.
No dialogue. No background music.
No text, no subtitles, no watermark.

Auf Deutsch: eine einzige Einstellung ohne Schnitt. Im Morgengrauen steht eine handgedrehte Keramikkanne auf einem abgenutzten Eichentisch an einem regennassen Fenster; die Hand einer Frau hebt sie an und gießt Tee in eine kleine weiße Tasse. Die Kamera fährt langsam von einer halbnahen Einstellung auf die Tasse zu, 85 mm, geringe Schärfentiefe. Der Ton ist Regen am Glas, Tee in der Tasse und ein leises Klirren von Porzellan; ruhig und fotorealistisch, gedämpftes Blaugrün und warmes Bernstein. Kein Dialog, keine Musik, kein Text, keine Untertitel, kein Wasserzeichen.

Einstellungen: text_to_video, 16:9, 720P, 5 s, Standardwerte an.

Ergebnis: ein ununterbrochener Clip in der richtigen Stimmung; die Kamerafahrt endet vor der Tasse allein.

• Eine durchlaufende Einstellung ohne Schnitt: Kanne, weiße Tasse und abgenutzter Tisch sind da, die Regentropfen am Fenster liegen unscharf.
• Eine Hand kommt von rechts, hebt die Kanne und gießt bernsteinfarbenen Tee, während Dampf aufsteigt.
• Die Kamerafahrt sitzt, endet aber mit Tasse und Tülle zusammen statt mit der Tasse allein, und in den Bildern ist kein deutlicher Lichtstrahl zu sehen. Ton: nur das Gießen; keines der beiden Audiomodelle hörte den Regen.

Was ändern:

• Für einen engeren Schluss benennen Sie die letzte Bildkomposition: "ends on an extreme close-up of the cup".
• Benennen Sie weniger Hintergrundgeräusche und binden Sie jedes an etwas Sichtbares.

2. Drei getaktete Einstellungen mit harten Schnitten

Clip 2 ist der Test mit mehreren Einstellungen: drei nummerierte Einstellungen in 10 Sekunden, mit benannten Übergängen.

A 10-second, three-shot sequence of a cyclist at sunrise on a coastal road. Keep the same rider, red jacket and silver bike in every shot.
Shot 1 [0-3s]: wide shot, fixed camera. The cyclist rides along a cliff road above a calm sea, small in the frame, low golden sun.
Shot 2 [3-6s]: hard cut. Tracking shot beside the rider at wheel height, the chain and spinning spokes in sharp focus, the road blurred.
Shot 3 [6-10s]: hard cut. Close-up from the front: the rider exhales and smiles, sunlight flaring behind the helmet.
Sound: wind, tyres humming on asphalt, distant gulls.
BGM: light, hopeful acoustic guitar.
No dialogue.
No text, no subtitles, no costume changes.

Auf Deutsch: zehn Sekunden und drei Einstellungen einer Radfahrerin bei Sonnenaufgang auf einer Küstenstraße, mit derselben Fahrerin, der roten Jacke und dem silbernen Rad in jeder Einstellung. Einstellung 1 ist eine weite Totale mit fester Kamera, Einstellung 2 eine Mitfahrt auf Radhöhe, Einstellung 3 eine Frontaufnahme, und beide Übergänge sind harte Schnitte. Der Ton ist Wind, auf Asphalt summende Reifen und ferne Möwen, die Musik eine leichte, hoffnungsvolle Akustikgitarre; kein Dialog, kein Text, keine Kostümwechsel.

Einstellungen: text_to_video, 16:9, 720P, 10 s, Standardwerte an.

Ergebnis: alle drei Einstellungen und beide Schnitte kamen wie geschrieben.

• Die Szenenwechsel-Erkennung fand sie bei 2.97 s und 5.97 s, gegenüber den Marken bei 3 s und 6 s.
• Einstellung 1 ist eine weite, feste Sicht auf eine Küstenstraße bei Sonnenaufgang, die Sonne tief über dem Meer und eine Möwe am Himmel; die Fahrerin in Rot kommt aus dem Mittelgrund und verlässt das Bild nach links.
• Einstellung 2 fährt tief neben einem silbernen Rennrad mit scharfer Kette, Schaltung und tretenden Beinen, während Straße und Räder verschwimmen; Einstellung 3 ist eine Frontaufnahme einer Frau in roter Jacke und weißem Helm, der Mund offen beim Ausatmen, dann ein Lächeln, als die Sonne dahinter aufblitzt.
• Ton: eine weiche Melodie aus gezupften Saiten, Wind und Möwen, keine Sprache, und bei der Instrumentierung waren sich die Audiomodelle uneinig.

Was ändern:

• Wenn das Instrument zählt, beschreiben Sie auch das Spiel: "solo acoustic guitar, slow strumming".

3. Ein gesprochener Satz in Anführungszeichen, mit Lip-Sync

Clip 3 setzt einen Satz in doppelte Anführungszeichen und ergänzt das Tag "Lip sync".

Generate single shot. Medium close-up, fixed camera, eye level.
A barista in her thirties with short curly hair and a green apron stands behind a café counter, holding a takeaway cup. She looks into the camera, smiles and says: "Your oat latte is ready. Have a good day!" Lip sync.
Sound: soft café chatter in the background, the hiss of a milk steamer.
No background music.
Style: natural daylight, warm and friendly, photoreal.
No subtitles, no on-screen text, no face distortion.

Auf Deutsch: eine einzige Einstellung, halbnah, feste Kamera auf Augenhöhe. Eine Barista um die dreißig mit kurzen lockigen Haaren und grüner Schürze steht hinter einem Cafétresen und hält einen Becher zum Mitnehmen. Sie schaut in die Kamera, lächelt und sagt ihren Satz mit passender Mundbewegung. Der Ton ist leises Café-Gemurmel und das Zischen eines Milchaufschäumers, ohne Musik, und ohne Untertitel, Text im Bild oder verzerrte Gesichter.

Einstellungen: text_to_video, 16:9, 720P, 5 s, Standardwerte an.

Ergebnis: Satz, Mundbewegung und die Abwesenheit von Untertiteln hielten.

• Eine Einstellung mit fester Kamera: eine Frau mit lockigen Haaren, weißem Hemd und dunkelgrüner Schürze steht hinter einem Tresen und hält einen Becher mit beiden Händen.
• Sie schaut in die Kamera, lächelt und spricht mit bewegten Lippen, und beide Audiomodelle transkribierten den Satz Wort für Wort, in zwei Teilen bei etwa 1.0–2.5 s und 3.3–4.0 s.
• Das Bild blieb frei von Untertiteln und Text. Ton: nur Café-Gemurmel, und keines der Modelle hörte den Milchaufschäumer.

Was ändern:

• Bei zwei Sprechenden geben Sie jedem Satz einen eigenen Absatz und nennen den Sprecher, das ist Alibabas Format.
• Wenn Sie den Aufschäumer brauchen, zeigen Sie ihn: "the steam wand hisses beside her".

4. Bild zu Video: Das Standbild gibt den Look vor

Clip 4 startet von einem Standbild, der Prompt trägt also nur Bewegung, Kamera und Ton. Das Standbild haben wir mit GPT Image 2 erzeugt und auf 16:9 beschnitten; sein Prompt verlangte eine fotorealistische Sonnenaufnahme eines alten Heißluftballons in Rot und Creme, festgemacht auf einer taufrischen Wiese, zwei Fahrgäste im Korb, tiefer Nebel und eine ferne Baumreihe. Der GPT-Image-2-Prompt-Guide behandelt das Standbild.

Image 1 is the first frame.
The tether is released and the balloon lifts slowly off the meadow. The burner flares orange twice. The two passengers wave down at the field.
Camera: slow tilt up, following the balloon as it rises.
Sound: the roar of the burner, birdsong, wind.
No dialogue. No background music.
Keep the balloon's colours and the passengers' clothes unchanged. No new people, no text.

Auf Deutsch: Das erste Bild ist das erste Einzelbild. Das Halteseil wird gelöst, der Ballon hebt langsam von der Wiese ab, der Brenner schlägt zweimal orange Flammen, und die zwei Fahrgäste winken hinunter zum Feld. Die Kamera schwenkt langsam nach oben und folgt dem Aufstieg. Der Ton ist das Brüllen des Brenners, Vogelgesang und Wind, ohne Dialog und ohne Musik. Die Farben des Ballons und die Kleidung der Fahrgäste bleiben unverändert, keine neuen Personen, kein Text.

Einstellungen: image_to_video, 16:9, 720P, 5 s, Standbild als erstes Einzelbild gesendet.

Ergebnis: Look und Kamerabewegung passen; eine Aktion fiel weg.

• Der Clip beginnt mit dem Bildausschnitt des Standbilds, mit unveränderten Farben des Ballons, unveränderten Fahrgästen und Kleidern und niemandem Neuen. Der Ballon hebt ab und steigt, die Kamera schwenkt nach oben, bis nur noch Himmel bleibt; beide Fahrgäste heben die Arme und winken.
• Die Flamme zündet bei etwa 0.7 s und bleibt bis zum Ende an, in den Bildern ist also nur ein Flackern zu sehen; zwei Seile bleiben am Boden befestigt, das Lösen fiel also weg.
• Ton: ein tiefes Brüllen ohne Sprache oder Musik, am lautesten in zwei Schüben bei etwa 0.5–1.5 s und 3.5–4.8 s, das "zweimal" zeigte sich also im Ton; keines der Modelle hörte Vogelgesang.

Was ändern:

• Zeigen Sie das Lösen als sichtbare Aktion: "a crew member unties the ropes and the ropes fall away".
• Für eine Flamme, die zweimal aufflammt: "the flame flares, dies down, then flares again".

5. Hochformat und Schildtext in Anführungszeichen

Clip 5 testet das Hochformat und setzt die Wörter im Bild in Anführungszeichen.

Vertical 9:16. Generate single shot.
A narrow back street at night after rain. Above a small noodle shop, a pink neon sign reads "OPEN LATE" in bold capital letters, reflected in the wet pavement. Steam drifts out of the doorway.
Camera: slow tilt down from the neon sign to the shop's doorway.
Sound: light rain, the hum of the neon, distant traffic.
No dialogue. No background music.
Style: cinematic night photography, 35mm film look, magenta and teal.
No other text, no subtitles, no watermark, no logos.

Auf Deutsch: Hochformat 9:16 und eine einzige Einstellung. Eine schmale Gasse bei Nacht nach dem Regen; über einem kleinen Nudelladen leuchtet ein pinkes Neonschild mit "OPEN LATE" in fetten Großbuchstaben, das sich im nassen Pflaster spiegelt, und aus der Tür zieht Dampf. Die Kamera schwenkt langsam vom Schild zur Tür. Der Ton ist leichter Regen, das Brummen des Neons und ferner Verkehr, ohne Dialog und ohne Musik. Filmische Nachtfotografie, 35-mm-Filmlook, Magenta und Blaugrün. Kein anderer Text, keine Untertitel, kein Wasserzeichen, keine Logos.

Einstellungen: text_to_video, 9:16, 720P, 5 s, Standardwerte an.

Ergebnis: Schild und Schwenk passen; es erschien zusätzlicher Text.

• Ein Hochformat-Clip mit einem pinken Neonschild, das "OPEN LATE" an einer Backsteinwand über einer Ladentür zeigt, in jedem geprüften Bild richtig geschrieben.
• Der Schwenk sitzt: Das Schild beginnt oben und ist am Ende oben abgeschnitten, während Tür und pink beleuchtetes nasses Pflaster das Bild füllen.
• Zwei Fehler, beide beim Text: ein zweites, kleineres Schild "OPEN LATE" im Schaufenster und Zeichen am Türrahmen, trotz "No other text". Ton: keine Sprache, keine Musik; die Audiomodelle waren uneinig, eines hörte Wasser, das andere Wind.

Was ändern:

• Beschreiben Sie auch, was Sie wollen: "plain dark glass in the window", denn die Negativliste gilt nur für das, was nicht vorkommen darf.

Häufige Fehler und Korrekturen

Alibaba gruppiert seine Negativlisten nach dem Fehler, den sie verhindern: Gesichter, Text, Stil, Ton, Aktion, Kamera, Raum und Konsistenz.

Was ein Clip kostet

Alibaba rechnet wan3.0-video nach Sekunde Ausgabe ab, zum Satz der gewählten Auflösung.

Das sind Alibaba Clouds internationale Listenpreise, geprüft am 27. Oktober 2026; die Preisseite markiert alle drei als zeitlich begrenzt um 30% reduziert.

wan3.0-video-prime, Alibabas schnelle Version mit denselben Fähigkeiten, steht mit $0.068, $0.14 und $0.28 pro Sekunde für 480P, 720P und 1080P in der Liste.

Die Standardauflösung resolution ist 1080P, eine Anfrage ohne Angabe wird also in 1080P abgerechnet: $1.00 für 5 Sekunden, $0.50 bei 720P. Der Ton kostet gleich viel, ob an oder aus, und ist standardmäßig an.

Unsere fünf Clips ergaben 30 Sekunden in 720P, $3.00 zum Listenpreis und $2.10 mit dem Rabatt. Für den Modellvergleich sehen Sie Kling 3.0 vs Wan 3.0; für OmniaKeys aktuelle Tarife die Modellseite von Wan 3.0.

Diese Prompts über die API ausführen

Diese Anfrage sendet den Radfahrer-Prompt aus Clip 2, mit den Einstellungszeilen als \n im JSON-String und einem festen Idempotency-Key:

curl https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer $OMNIAKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: cyclist-shots-001" \
  --data-binary @- <<'JSON'
{
  "model": "wan3.0-video",
  "type": "video",
  "operation": "text_to_video",
  "input": {"prompt": "A 10-second, three-shot sequence of a cyclist at sunrise on a coastal road. Keep the same rider, red jacket and silver bike in every shot.\nShot 1 [0-3s]: wide shot, fixed camera. The cyclist rides along a cliff road above a calm sea, small in the frame, low golden sun.\nShot 2 [3-6s]: hard cut. Tracking shot beside the rider at wheel height, the chain and spinning spokes in sharp focus, the road blurred.\nShot 3 [6-10s]: hard cut. Close-up from the front: the rider exhales and smiles, sunlight flaring behind the helmet.\nSound: wind, tyres humming on asphalt, distant gulls.\nBGM: light, hopeful acoustic guitar.\nNo dialogue.\nNo text, no subtitles, no costume changes."},
  "parameters": {"duration": 10, "resolution": "720P", "ratio": "16:9"}
}
JSON

1. Die Antwort ist 202 mit einer Task-ID.
2. Rufen Sie https://api.omniakey.com/v1/media/tasks/{id} mit derselben ID ab und prüfen Sie status, nicht progress.percent, das während des Renderns bei 0 bleiben kann. Unsere Clips brauchten 2.5 bis 5.5 Minuten: Fragen Sie weiter ab und senden Sie nicht neu, denn gleicher Idempotency-Key und gleicher Body liefern dieselbe Aufgabe und werden nicht doppelt berechnet.
3. Laden Sie den Clip von assets[0].url herunter, einem signierten Link mit etwa einer Stunde Gültigkeit, und fragen Sie erneut ab, wenn er abläuft.

Für Bild zu Video setzen Sie operation auf image_to_video und senden das Standbild in input.media mit type first_frame, als HTTPS-URL oder Data-URI, die ganze Anfrage höchstens 1 MiB, und beginnen den Prompt mit "Image 1 is the first frame." Für die schnellere Stufe senden Sie wan3.0-video-prime. Ein in OmniaKey abgebrochener Wan-3.0-Job rendert weiter und wird bei Erfolg berechnet, weil Wan 3.0 keine serverseitige Abbruchfunktion hat. Starten Sie auf der Modellseite von Wan 3.0 und sehen Sie die Dokumentation der Video-API an.

Häufige Fragen

Wie lang darf ein Wan-3.0-Prompt sein?

Die API nimmt bis 20,000 Zeichen, wobei jedes chinesische Zeichen und jeder Buchstabe als eins zählt, und schneidet längere Texte ohne Fehlermeldung ab. Alibaba nennt keine empfohlene Länge; unsere fünf Prompts lagen bei 398 bis 670 Zeichen.

Unterstützt Wan 3.0 negative Prompts?

Für wan3.0-video gibt es kein Feld negative_prompt; Negative sind eine kurze Liste am Ende des Prompt-Texts. Clip 5 setzte trotz "No other text" ein zweites, kleineres Schild "OPEN LATE" ins Schaufenster, beschreiben Sie also auch das Glas, das Sie wollen.

Sollte ich prompt_extend ausschalten?

prompt_extend steht standardmäßig auf true, und ein LLM schreibt den Prompt vor der Erzeugung um, was kurzen Prompts hilft und Latenz kostet. Alibaba gibt keine Empfehlung, es bei langen, strukturierten Prompts auszuschalten, deshalb haben wir es angelassen, und Clip 2 schnitt trotzdem bei 2.97 s und 5.97 s.

Kann Wan 3.0 aus einem Prompt ein 30-Sekunden-Video machen?

duration nimmt 2 bis 30 Sekunden, ein Prompt kann also 30 Sekunden füllen. Alibabas lange Beispiele sind aus Einstellungen von 2–5 Sekunden gebaut, so kam auch Clip 2 auf 10 Sekunden.

Kann ich Wan-3.0-Prompts auf Chinesisch schreiben?

Ja. Die API nimmt Prompts auf Chinesisch und Englisch, und die Grenze zählt jedes chinesische Zeichen als eins. Wir haben unsere auf Englisch geschrieben.

Änderungsprotokoll

• 28. Oktober 2026: erste Version, fünf Prompts am 27. Oktober 2026 ausgeführt.