Guía de prompts de Wan 3.0: estructura, ejemplos y clips reales

Un prompt de Wan 3.0 se escribe en el orden de Alibaba: una línea de visión general, las referencias, los planos numerados con hora de inicio y fin, el diálogo entre comillas, el sonido y la música, el estilo y, al final, una lista corta de lo que no debe aparecer. Ejecutamos cinco prompts en 720P el 27 de octubre de 2026: los cortes cronometrados y la frase hablada salieron como estaban escritos; una acción y una línea de "no other text" no.

La estructura del prompt de Wan 3.0

La guía de prompts de Wan 3.0 de Alibaba (actualizada el 16 de octubre de 2026) ordena las partes así: descripción general, cita de la referencia, un bloque por plano, diálogo, sonido y BGM, estilo y, al final, la lista negativa. Una sola frase ya produce un vídeo; la estructura es lo que hace que el resultado se parezca a lo que imaginaste.

• Para una sola toma, pon "Generate single shot" en la primera línea. Para varios planos, numéralos con hora de inicio y fin, de 2–5 segundos cada uno, encadenados sin huecos ni solapes. [0-3s] y (00:00-00:03) funcionan igual, así que elige uno y mantenlo, y nombra la transición, por ejemplo "hard cut".
• Escribe el diálogo como hablante, verbo de habla, dos puntos y la frase entre comillas dobles, y añade "Lip sync." para el movimiento de la boca. Escribe "No dialogue." cuando no quieras ninguno; si no, el modelo decide. La guía general de Wan más antigua de Alibaba dice que el lip sync palabra por palabra no es fiable, pero sus ejemplos son de Wan 2.2 y 2.5 (lo que cambió después está en Wan 3.0 vs Wan 2.7). La guía de 3.0 añade la etiqueta "Lip sync", y el clip 3 dio su frase palabra por palabra.
• La música tiene tres niveles: no decir nada y dejar que el modelo elija, nombrar la música o escribir "No background music." Los efectos de sonido siguen la acción, el material y el tiempo que describes.
• wan3.0-video no tiene parámetro negative_prompt, así que los negativos van en el texto del prompt: una lista corta solo de lo que no debe aparecer, sin relleno ni repetir el prompt positivo. Ejemplos de Alibaba: "No face distortion", "No subtitles", "No costume changes".
• El prompt puede ser en chino o en inglés, hasta 20,000 caracteres; lo que sobra se corta sin dar error. Alibaba no publica una longitud recomendada, y nuestros cinco prompts tenían de 398 a 670 caracteres.

Alibaba también ofrece un Skill de ajuste de prompts para la consola, /wan3-pe, que no tocamos.

Cómo hicimos los clips

• Modelo wan3.0-video a través de la API asíncrona de medios de OmniaKey el 27 de octubre de 2026 (hora de Pekín), con resolution en 720P y prompt_extend, audio y seed en los valores por defecto de Alibaba: reescritura del prompt activada, audio activado y semilla aleatoria. Los clips 1, 2, 3 y 5 fueron text_to_video y el clip 4 image_to_video; ratio fue 16:9 salvo el clip 5, en 9:16, y duration 10 en el clip 2 y 5 en el resto.
• El clip 4 parte de un fotograma fijo que hicimos con GPT Image 2 a 1536×1024, calidad medium, recortado a 16:9 y enviado en input.media con type first_frame, como JPEG en línea de 1024 px de ancho para no pasar del límite de 1 MiB.
• Las cinco tareas salieron a la primera: MP4, H.264, 30 fps con pista AAC, 1280×720 (clip 5: 720×1280), 5.04 s (clip 2: 10.03 s). La generación tardó 197.8 s, 334.3 s, 215.5 s, 153.2 s y 193.8 s por clip, es decir, unos 2.5 a 5.5 minutos.
• Vimos fotogramas en momentos fijos y a tamaño completo, pasamos un detector de cambios de escena por cada clip y comprobamos cada banda sonora con dos modelos de audio de Gemini y una traza de sonoridad; las afirmaciones sobre el sonido que vienen abajo son las que esas comprobaciones compartieron.
• OmniaKey vende acceso a la API de Wan 3.0, así que ejecutamos los clips a través de ella. Los precios de abajo son los de lista de Alibaba Cloud, no los nuestros.
• Fuentes: la guía de prompts de Wan 3.0 de Alibaba, la guía de generación de vídeo de Wan 3.0, la referencia de la API y la página de precios de Model Studio, consultadas el 27 de octubre de 2026.

Ejecutamos un clip por prompt, así que toma cada resultado como una sola muestra.

Cinco prompts con clips reales

1. Un solo plano: cámara, óptica, sonido y estilo

El clip 1 reúne todas las partes dentro de un plano continuo.

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.

En español: un solo plano sin cortes. Al amanecer, junto a una ventana con lluvia, la mano de una mujer levanta una tetera de cerámica hecha a mano sobre una mesa de roble gastada y sirve té en una taza blanca pequeña. La cámara avanza despacio de un plano medio al primer plano de la taza, con 85 mm y poca profundidad de campo. El sonido es la lluvia en el cristal, el té cayendo en la taza y un tintineo de porcelana; el tono es tranquilo y fotorrealista, en verde azulado apagado y ámbar cálido. Sin diálogo ni música, y sin texto, subtítulos ni marca de agua.

Ajustes: text_to_video, 16:9, 720P, 5 s, valores por defecto.

Resultado: un plano sin cortes y el tono correcto; el avance se queda antes de la taza sola.

• Un plano continuo sin cortes: la tetera, la taza blanca y la mesa gastada están ahí, con las gotas de lluvia desenfocadas en el cristal.
• Una mano entra por la derecha, levanta la tetera y sirve té ámbar mientras sube el vapor.
• El avance llega, aunque termina con la taza y el pico juntos en vez de la taza sola, y los fotogramas no muestran un haz de luz definido. Sonido: solo el servicio; ninguno de los dos modelos de audio oyó la lluvia.

Qué cambiar:

• Para un final más cerrado, prueba a nombrar el último encuadre: "ends on an extreme close-up of the cup".
• Prueba a nombrar menos sonidos de fondo y a atar cada uno a algo visible.

2. Tres planos cronometrados con cortes secos

El clip 2 es la prueba de varios planos: tres planos numerados en 10 segundos, con transiciones nombradas.

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.

En español: diez segundos y tres planos de una ciclista al amanecer en una carretera de la costa, con la misma ciclista, la chaqueta roja y la bici plateada en todos. El plano 1 es un plano general con cámara fija; el 2 es un travelling bajo, a la altura de la rueda; el 3 es un primer plano frontal, y los dos cortes son secos. El sonido es viento, neumáticos zumbando sobre el asfalto y gaviotas lejanas, la música es una guitarra acústica ligera y optimista, y no hay diálogo, texto ni cambios de vestuario.

Ajustes: text_to_video, 16:9, 720P, 10 s, valores por defecto.

Resultado: los tres planos y los dos cortes entraron como estaban escritos.

• El detector de cortes los encontró en 2.97 s y 5.97 s, frente a las marcas de 3 s y 6 s.
• El plano 1 es una vista general fija de una carretera de la costa al amanecer, con el sol bajo sobre el mar y una gaviota en el cielo, y la ciclista de rojo va desde la distancia media hasta salir por la izquierda.
• El plano 2 sigue bajo junto a una bici de carretera plateada, con la cadena, los piñones y las piernas pedaleando nítidos y la carretera y las ruedas borrosas; el plano 3 es un primer plano frontal de una mujer con chaqueta roja y casco blanco, con la boca abierta al exhalar y luego una sonrisa mientras el sol flamea detrás.
• Sonido: una melodía suave de cuerdas pulsadas, viento y gaviotas, sin habla, y los modelos de audio no coincidieron en el instrumento.

Qué cambiar:

• Si el instrumento importa, prueba a describir también cómo se toca: "solo acoustic guitar, slow strumming".

3. Una frase entre comillas con lip sync

El clip 3 pone una frase entre comillas dobles y añade la etiqueta "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.

En español: un plano medio corto con cámara fija a la altura de los ojos. Una barista de unos treinta años, con el pelo corto y rizado y un delantal verde, está detrás del mostrador de una cafetería con un vaso para llevar. Mira a la cámara, sonríe y dice la frase con los labios en movimiento. El sonido es el murmullo suave del café y el vapor de la lanzadera de leche, sin música, y sin subtítulos, texto en pantalla ni deformación de la cara.

Ajustes: text_to_video, 16:9, 720P, 5 s, valores por defecto.

Resultado: la frase, el movimiento de labios y la ausencia de subtítulos se mantuvieron.

• Un plano con cámara fija: una mujer de pelo rizado, camisa blanca y delantal verde oscuro está detrás de un mostrador con un vaso para llevar entre las dos manos.
• Mira a la cámara, sonríe y habla moviendo los labios, y los dos modelos de audio transcribieron la frase palabra por palabra, en dos tramos de unos 1.0–2.5 s y 3.3–4.0 s.
• El encuadre se mantuvo libre de subtítulos y de texto en pantalla. Sonido: solo el murmullo del café, y ningún modelo oyó la lanzadera de leche.

Qué cambiar:

• Para dos personas, prueba a dar a cada frase su propia oración y a nombrar a quien habla, que es el formato de Alibaba.
• Si necesitas la lanzadera, prueba a mostrarla: "the steam wand hisses beside her".

4. Imagen a vídeo: el fotograma fija el aspecto

El clip 4 parte de un fotograma fijo, así que el prompt solo lleva movimiento, cámara y sonido. El fotograma lo hicimos con GPT Image 2 y lo recortamos a 16:9; su prompt pedía una imagen fotorrealista al amanecer de un globo aerostático vintage rojo y crema atado en una pradera con rocío, dos pasajeros en la cesta, niebla baja y una línea de árboles al fondo. La guía de prompts de GPT Image 2 cubre el fotograma.

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.

En español: la primera imagen es el primer fotograma. Se suelta el amarre y el globo se eleva despacio de la pradera; el quemador lanza una llama naranja dos veces y los dos pasajeros saludan hacia el campo. La cámara sube despacio siguiendo el ascenso. El sonido es el rugido del quemador, el canto de los pájaros y el viento, sin diálogo ni música. Los colores del globo y la ropa de los pasajeros no cambian, y no aparecen personas nuevas ni texto.

Ajustes: image_to_video, 16:9, 720P, 5 s, fotograma enviado como primer frame.

Resultado: el aspecto y el movimiento de cámara coinciden; una acción se saltó.

• El clip abre con el encuadre del fotograma, con los colores del globo, los pasajeros y su ropa sin cambios y nadie nuevo. El globo despega y sube, y la cámara se inclina hacia arriba hasta que solo queda cielo; los dos pasajeros levantan los brazos y saludan.
• La llama se enciende hacia 0.7 s y sigue encendida hasta el final, así que los fotogramas muestran un solo destello; dos cuerdas siguen atadas al suelo, así que la suelta se saltó.
• Sonido: un rugido grave sin habla ni música, más fuerte en dos ráfagas hacia 0.5–1.5 s y 3.5–4.8 s, así que el "dos veces" apareció en el sonido; ningún modelo oyó el canto de los pájaros.

Qué cambiar:

• Muestra la suelta como una acción visible: prueba "a crew member unties the ropes and the ropes fall away".
• Para una llama que prenda dos veces, prueba "the flame flares, dies down, then flares again".

5. Vídeo vertical y texto del rótulo entre comillas

El clip 5 prueba el formato vertical y pone las palabras en pantalla entre comillas.

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.

En español: vertical 9:16 y un solo plano. Una callejuela estrecha de noche después de la lluvia; sobre una pequeña tienda de fideos, un rótulo de neón rosa dice "OPEN LATE" en mayúsculas gruesas y se refleja en el pavimento mojado, y del portal sale vapor. La cámara baja despacio del rótulo a la puerta. El sonido es lluvia fina, el zumbido del neón y tráfico lejano, sin diálogo ni música. Estilo de fotografía nocturna cinematográfica, aspecto de película de 35 mm, magenta y verde azulado. Sin otro texto, subtítulos, marca de agua ni logotipos.

Ajustes: text_to_video, 9:16, 720P, 5 s, valores por defecto.

Resultado: el rótulo y la inclinación coinciden; apareció texto de más.

• Un clip vertical con un rótulo de neón rosa que dice "OPEN LATE" sobre una pared de ladrillo encima de la puerta de una tienda, bien escrito en todos los fotogramas que revisamos.
• La inclinación funciona: el rótulo empieza arriba y acaba cortado por el borde superior, con el portal y el pavimento mojado teñido de rosa llenando el encuadre.
• Dos fallos, ambos de texto: un segundo rótulo "OPEN LATE" más pequeño en el escaparate y unas marcas en el marco de la puerta, a pesar de "No other text". Sonido: sin habla ni música; los modelos de audio no coincidieron, uno oyó agua y el otro viento.

Qué cambiar:

• Describe también lo que sí quieres: prueba "plain dark glass in the window", porque la lista negativa es solo para lo que no debe aparecer.

Fallos habituales y cómo corregirlos

Alibaba agrupa sus listas negativas por el fallo que evitan: caras, texto, estilo, sonido, acción, cámara, espacio y coherencia.

Cuánto cuesta un clip

Alibaba cobra wan3.0-video por segundo de salida, a una tarifa que fija la resolución que pides.

Son los precios de lista internacionales de Alibaba Cloud, consultados el 27 de octubre de 2026; la página de precios marca los tres con un 30% de descuento por tiempo limitado.

wan3.0-video-prime, la versión rápida de Alibaba con las mismas capacidades, tiene un precio de lista de $0.068, $0.14 y $0.28 por segundo para 480P, 720P y 1080P.

La resolution por defecto es 1080P, así que una petición sin ella se cobra a 1080P: $1.00 por 5 segundos y $0.50 en 720P. El audio cuesta lo mismo activado o no, y viene activado.

Nuestros cinco clips sumaron 30 segundos en 720P, $3.00 a precio de lista y $2.10 con el descuento. Para comparar modelos, mira Kling 3.0 vs Wan 3.0; para las tarifas actuales de OmniaKey, mira la página del modelo Wan 3.0.

Ejecutar estos prompts desde la API

Esta petición envía el prompt de la ciclista del clip 2, con las líneas de plano como \n dentro de la cadena JSON y una Idempotency-Key fija:

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. La respuesta es 202 con un id de tarea.
2. Consulta https://api.omniakey.com/v1/media/tasks/{id} con el mismo id y repite sobre status, no sobre progress.percent, que puede quedarse en 0 mientras se renderiza el clip. Nuestros clips tardaron de 2.5 a 5.5 minutos: sigue consultando y no reenvíes, porque la misma Idempotency-Key y el mismo cuerpo devuelven la misma tarea y no se cobran dos veces.
3. Descarga el clip desde assets[0].url, un enlace firmado que dura alrededor de una hora, y vuelve a consultar para obtener uno nuevo si caduca.

Para imagen a vídeo, pon operation en image_to_video y envía el fotograma en input.media con type first_frame, como URL HTTPS o data URI, con la petición completa en 1 MiB como máximo, y empieza el prompt con "Image 1 is the first frame." Para el nivel más rápido envía wan3.0-video-prime. Un trabajo de Wan 3.0 cancelado en OmniaKey sigue renderizando y se cobra si tiene éxito, porque Wan 3.0 no tiene cancelación del lado del proveedor. Empieza en la página del modelo Wan 3.0 y mira la documentación de la API de vídeo.

Preguntas frecuentes

¿Cuánto puede medir un prompt de Wan 3.0?

La API acepta hasta 20,000 caracteres, cuenta cada carácter chino o cada letra como uno y corta lo que sobra sin dar error. Alibaba no publica una longitud recomendada; nuestros cinco prompts tenían de 398 a 670 caracteres.

¿Wan 3.0 admite prompts negativos?

No hay campo negative_prompt para wan3.0-video; los negativos son una lista corta al final del texto del prompt. El clip 5 añadió un segundo rótulo "OPEN LATE" más pequeño en el escaparate a pesar de "No other text", así que describe también el cristal que quieres.

¿Conviene desactivar prompt_extend?

prompt_extend viene en true y un LLM reescribe el prompt antes de generar, lo que ayuda con prompts cortos y añade latencia. Alibaba no da indicaciones sobre desactivarlo con prompts largos y estructurados, así que lo dejamos activado, y el clip 2 aun así cortó en 2.97 s y 5.97 s.

¿Puede Wan 3.0 hacer un vídeo de 30 segundos con un solo prompt?

duration acepta de 2 a 30 segundos, así que un prompt puede llenar 30 segundos. Los ejemplos largos de Alibaba se construyen con planos de 2–5 segundos, y así llegó el clip 2 a 10 segundos.

¿Puedo escribir prompts de Wan 3.0 en chino?

Sí. La API acepta prompts en chino y en inglés, y el límite cuenta cada carácter chino como uno. Nosotros escribimos los nuestros en inglés.

Registro de cambios

• 28 de octubre de 2026: primera versión, con cinco prompts ejecutados el 27 de octubre de 2026.