Guide des prompts Wan 3.0 : structure, exemples et vrais clips

Un prompt Wan 3.0 suit l'ordre d'Alibaba : une ligne de vue d'ensemble, les références, des plans numérotés avec heure de début et de fin, le dialogue entre guillemets, le son et la musique, le style, puis une courte liste de ce qui ne doit pas apparaître. Nous avons lancé cinq prompts en 720P le 27 octobre 2026 : les coupes minutées et la réplique parlée sont sorties telles qu'écrites, une action et une ligne "no other text" non.

La structure d'un prompt Wan 3.0

Le guide des prompts Wan 3.0 d'Alibaba (mis à jour le 16 octobre 2026) ordonne les parties ainsi : description générale, citation de la référence, un bloc par plan, dialogue, son et BGM, style, puis la liste négative. Une seule phrase produit déjà une vidéo ; la structure fait que le résultat ressemble à ce que vous imaginez.

• Pour une seule prise, mettez "Generate single shot" sur la première ligne. Pour plusieurs plans, numérotez-les avec heure de début et de fin, 2–5 secondes chacun, bout à bout sans trou ni chevauchement. [0-3s] et (00:00-00:03) fonctionnent tous les deux, choisissez-en un et gardez-le, et nommez la transition, par exemple "hard cut".
• Écrivez le dialogue comme locuteur, verbe de parole, deux-points et la réplique entre guillemets doubles, puis ajoutez "Lip sync." pour le mouvement des lèvres. Écrivez "No dialogue." quand vous n'en voulez pas ; sinon le modèle décide. L'ancien guide Wan général d'Alibaba juge le lip sync mot pour mot peu fiable, mais ses exemples datent de Wan 2.2 et 2.5 (ce qui a changé depuis est dans Wan 3.0 vs Wan 2.7). Le guide 3.0 ajoute le tag "Lip sync", et le clip 3 a donné sa réplique mot pour mot.
• La musique a trois niveaux : ne rien écrire et laisser le modèle choisir, nommer la musique, ou écrire "No background music." Les effets sonores suivent l'action, la matière et la météo que vous décrivez.
• wan3.0-video n'a pas de paramètre negative_prompt, les négatifs vont donc dans le texte du prompt : une courte liste de ce qui ne doit pas apparaître seulement, sans remplissage ni reprise du prompt positif. Exemples d'Alibaba : "No face distortion", "No subtitles", "No costume changes".
• Un prompt peut être en chinois ou en anglais, jusqu'à 20,000 caractères ; le surplus est coupé sans erreur. Alibaba ne publie pas de longueur recommandée, et nos cinq prompts faisaient 398 à 670 caractères.

Alibaba fournit aussi un Skill de réglage de prompts pour la console, /wan3-pe, que nous n'avons pas utilisé.

Comment nous avons fait les clips

• Modèle wan3.0-video via l'API média asynchrone d'OmniaKey le 27 octobre 2026 (heure de Pékin), en resolution 720P, avec prompt_extend, audio et seed aux valeurs par défaut d'Alibaba : réécriture du prompt activée, audio activé, graine aléatoire. Les clips 1, 2, 3 et 5 étaient en text_to_video, le clip 4 en image_to_video ; ratio valait 16:9 sauf le clip 5 en 9:16, duration 10 pour le clip 2 et 5 pour les autres.
• Le clip 4 part d'une image fixe créée avec GPT Image 2 en 1536×1024, qualité medium, recadrée en 16:9 et envoyée dans input.media avec type first_frame, en JPEG intégré de 1024 px de large pour rester sous la limite de 1 MiB.
• Les cinq tâches ont réussi du premier coup : MP4, H.264, 30 fps avec piste AAC, 1280×720 (clip 5 : 720×1280), 5.04 s (clip 2 : 10.03 s). La génération a pris 197.8 s, 334.3 s, 215.5 s, 153.2 s et 193.8 s par clip, soit environ 2.5 à 5.5 minutes.
• Nous avons regardé des images à des instants fixes en pleine taille, passé un détecteur de changements de plan sur chaque clip et vérifié chaque bande son avec deux modèles audio Gemini et une courbe de sonie ; les affirmations sur le son ci-dessous sont celles où ces vérifications concordaient.
• OmniaKey commercialise l'accès API à Wan 3.0, les clips sont donc passés par là. Les prix ci-dessous sont ceux d'Alibaba Cloud, pas les nôtres.
• Sources : le guide des prompts Wan 3.0 d'Alibaba, le guide de génération vidéo Wan 3.0, la référence de l'API et la page tarifs de Model Studio, vérifiées le 27 octobre 2026.

Nous avons lancé un clip par prompt, considérez donc chaque résultat comme un seul échantillon.

Cinq prompts avec de vrais clips

1. Un seul plan : caméra, optique, son et style

Le clip 1 réunit les parties dans un seul plan continu.

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 français : un seul plan sans coupe. À l'aube, près d'une fenêtre sous la pluie, la main d'une femme soulève une théière en céramique tournée à la main posée sur une table en chêne usée et verse du thé dans une petite tasse blanche. La caméra avance lentement d'un plan moyen au gros plan de la tasse, en 85 mm et faible profondeur de champ. Le son, ce sont la pluie sur la vitre, le thé dans la tasse et un léger tintement de porcelaine ; l'ambiance est calme et photoréaliste, en bleu-vert sourd et ambre chaud. Pas de dialogue ni de musique, et pas de texte, de sous-titres ou de filigrane.

Réglages : text_to_video, 16:9, 720P, 5 s, valeurs par défaut.

Résultat : un plan sans coupe et la bonne ambiance ; l'avancée s'arrête avant la tasse seule.

• Un plan continu sans coupe : la théière, la tasse blanche et la table usée sont là, avec les gouttes de pluie floues sur la vitre.
• Une main entre par la droite, soulève la théière et verse le thé ambré pendant que la vapeur monte.
• L'avancée arrive, mais elle finit sur la tasse et le bec ensemble plutôt que sur la tasse seule, et les images ne montrent pas de faisceau de lumière net. Son : seulement le versement ; aucun des deux modèles audio n'a entendu la pluie.

À changer :

• Pour une fin plus serrée, nommez le dernier cadrage : "ends on an extreme close-up of the cup".
• Nommez moins de sons de fond et rattachez chacun à quelque chose de visible.

2. Trois plans minutés avec des coupes franches

Le clip 2 est le test multi-plans : trois plans numérotés en 10 secondes, avec des transitions nommées.

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 français : dix secondes et trois plans d'une cycliste au lever du soleil sur une voie côtière, avec la même cycliste, la veste rouge et le vélo argenté à chaque plan. Le plan 1 est un plan large à caméra fixe, le plan 2 un travelling bas à hauteur de roue, le plan 3 un gros plan de face, et les deux transitions sont des coupes franches. Le son, ce sont le vent, les pneus qui bourdonnent sur l'asphalte et des mouettes lointaines ; la musique est une guitare acoustique légère et pleine d'espoir, sans dialogue, sans texte et sans changement de costume.

Réglages : text_to_video, 16:9, 720P, 10 s, valeurs par défaut.

Résultat : les trois plans et les deux coupes sont arrivés comme écrit.

• Le détecteur de changements de plan les a trouvées à 2.97 s et 5.97 s, contre les repères à 3 s et 6 s.
• Le plan 1 est une vue large et fixe d'une voie côtière au lever du soleil, le soleil bas sur la mer et une mouette dans le ciel ; la cycliste en rouge part du plan moyen et sort par la gauche.
• Le plan 2 suit en bas un vélo de course argenté, chaîne, pignons et jambes qui pédalent nets, chaussée et roues floues ; le plan 3 est un gros plan de face d'une femme en veste rouge et casque blanc, bouche ouverte à l'expiration, puis un sourire quand le soleil flambe derrière elle.
• Son : une mélodie douce de cordes pincées, du vent et des mouettes, sans parole, et les modèles audio ne se sont pas accordés sur l'instrument.

À changer :

• Si l'instrument compte, décrivez aussi le jeu : "solo acoustic guitar, slow strumming".

3. Une réplique entre guillemets, avec lip sync

Le clip 3 met une réplique entre guillemets doubles et ajoute le 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.

En français : un seul plan, plan mi-rapproché, caméra fixe à hauteur des yeux. Une barista d'une trentaine d'années, cheveux courts et bouclés et tablier vert, se tient derrière le comptoir d'un café avec un gobelet à emporter. Elle regarde la caméra, sourit et dit sa réplique avec les lèvres qui bougent. Le son, ce sont le brouhaha feutré du café et le sifflement d'une buse à lait, sans musique, et sans sous-titres, texte à l'écran ni déformation du visage.

Réglages : text_to_video, 16:9, 720P, 5 s, valeurs par défaut.

Résultat : la réplique, le mouvement des lèvres et l'absence de sous-titres ont tenu.

• Un plan à caméra fixe : une femme aux cheveux bouclés, chemise blanche et tablier vert foncé, se tient derrière un comptoir avec un gobelet à emporter entre les deux mains.
• Elle regarde la caméra, sourit et parle en bougeant les lèvres, et les deux modèles audio ont transcrit la réplique mot pour mot, en deux morceaux vers 1.0–2.5 s et 3.3–4.0 s.
• Le cadre est resté sans sous-titres ni texte à l'écran. Son : seulement le brouhaha du café, et aucun modèle n'a entendu la buse à lait.

À changer :

• Pour deux personnes, donnez à chaque réplique sa propre phrase et nommez qui parle, c'est le format d'Alibaba.
• S'il vous faut la buse, montrez-la : "the steam wand hisses beside her".

4. Image vers vidéo : le photogramme fixe le rendu

Le clip 4 part d'une image fixe, le prompt ne porte donc que le mouvement, la caméra et le son. Nous avons créé l'image avec GPT Image 2 et l'avons recadrée en 16:9 ; son prompt demandait une image photoréaliste au lever du soleil d'une montgolfière vintage rouge et crème amarrée dans une prairie humide de rosée, deux passagers dans la nacelle, une brume basse et une ligne d'arbres au loin. Le guide des prompts GPT Image 2 couvre l'image fixe.

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 français : la première image est le premier photogramme. L'amarre est lâchée, le ballon décolle lentement de la prairie, le brûleur jette deux flammes orange et les deux passagers saluent vers le champ. La caméra monte lentement en suivant l'ascension. Le son, ce sont le rugissement du brûleur, le chant des oiseaux et le vent, sans dialogue ni musique. Les couleurs du ballon et les vêtements des passagers ne changent pas, aucune personne nouvelle, aucun texte.

Réglages : image_to_video, 16:9, 720P, 5 s, image envoyée comme premier photogramme.

Résultat : le rendu et le mouvement de caméra concordent ; une action a été sautée.

• Le clip s'ouvre sur le cadrage de l'image, avec les couleurs du ballon, les passagers et leurs vêtements inchangés et personne de nouveau. Le ballon décolle et monte, la caméra s'incline vers le haut jusqu'à ce qu'il ne reste que le ciel ; les deux passagers lèvent les bras et saluent.
• La flamme s'allume vers 0.7 s et reste allumée jusqu'à la fin, les images ne montrent donc qu'une seule flamme ; deux cordes restent attachées au sol, le lâcher a donc été sauté.
• Son : un rugissement grave sans parole ni musique, le plus fort en deux poussées vers 0.5–1.5 s et 3.5–4.8 s, le "deux fois" est donc apparu dans le son ; aucun modèle n'a entendu le chant des oiseaux.

À changer :

• Montrez le lâcher comme une action visible : "a crew member unties the ropes and the ropes fall away".
• Pour une flamme qui repart deux fois : "the flame flares, dies down, then flares again".

5. Vidéo verticale et texte de l'enseigne entre guillemets

Le clip 5 teste le format vertical et met les mots à l'écran entre guillemets.

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 français : vertical 9:16 et un seul plan. Une ruelle étroite la nuit après la pluie ; au-dessus d'un petit restaurant de nouilles, une enseigne néon rose affiche "OPEN LATE" en grosses capitales et se reflète dans le trottoir mouillé, de la vapeur sort de la porte. La caméra descend lentement de l'enseigne vers la porte. Le son, ce sont une pluie fine, le bourdonnement du néon et la circulation lointaine, sans dialogue ni musique. Photo de nuit cinématographique, rendu pellicule 35 mm, magenta et bleu-vert. Pas d'autre texte, de sous-titres, de filigrane ni de logos.

Réglages : text_to_video, 9:16, 720P, 5 s, valeurs par défaut.

Résultat : l'enseigne et l'inclinaison concordent ; du texte en plus est apparu.

• Un clip vertical avec une enseigne néon rose qui affiche "OPEN LATE" sur un mur de briques au-dessus de la porte d'une boutique, bien orthographié sur chaque image vérifiée.
• L'inclinaison fonctionne : l'enseigne commence en haut et finit coupée par le bord supérieur, la porte et le trottoir mouillé teinté de rose remplissant le cadre.
• Deux ratés, tous deux du texte : une seconde enseigne "OPEN LATE" plus petite dans la vitrine et des marques sur le chambranle, malgré "No other text". Son : pas de parole ni de musique ; les modèles audio ne se sont pas accordés, l'un a entendu de l'eau, l'autre du vent.

À changer :

• Décrivez aussi ce que vous voulez : essayez "plain dark glass in the window", car la liste négative ne sert qu'à ce qui ne doit pas apparaître.

Échecs courants et corrections

Alibaba regroupe ses listes négatives par l'échec qu'elles évitent : visages, texte, style, son, action, caméra, espace et cohérence.

Combien coûte un clip

Alibaba facture wan3.0-video à la seconde de sortie, à un tarif fixé par la résolution demandée.

Ce sont les prix catalogue internationaux d'Alibaba Cloud, vérifiés le 27 octobre 2026 ; la page tarifs marque les trois avec 30% de remise pour une durée limitée.

wan3.0-video-prime, la version rapide d'Alibaba aux mêmes capacités, est au catalogue à $0.068, $0.14 et $0.28 par seconde pour 480P, 720P et 1080P.

La resolution par défaut est 1080P, une requête sans ce champ est donc facturée en 1080P : $1.00 pour 5 secondes, $0.50 en 720P. L'audio coûte pareil, activé ou non, et il est activé par défaut.

Nos cinq clips font 30 secondes en 720P, $3.00 au prix catalogue et $2.10 avec la remise. Pour comparer les modèles, voyez Kling 3.0 vs Wan 3.0 ; pour les tarifs actuels d'OmniaKey, voyez la page du modèle Wan 3.0.

Exécuter ces prompts via l'API

Cette requête envoie le prompt de la cycliste du clip 2, avec les lignes de plan en \n dans la chaîne JSON et une Idempotency-Key fixe :

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 réponse est 202 avec un identifiant de tâche.
2. Interrogez https://api.omniakey.com/v1/media/tasks/{id} avec le même identifiant et bouclez sur status, pas sur progress.percent, qui peut rester à 0 pendant le rendu. Nos clips ont pris 2.5 à 5.5 minutes : continuez d'interroger sans renvoyer, car la même Idempotency-Key et le même corps renvoient la même tâche et ne sont pas facturés deux fois.
3. Téléchargez le clip depuis assets[0].url, un lien signé valable environ une heure, et interrogez de nouveau pour en obtenir un neuf s'il expire.

Pour l'image vers vidéo, mettez operation sur image_to_video et envoyez l'image dans input.media avec type first_frame, en URL HTTPS ou data URI, la requête entière faisant au plus 1 MiB, et commencez le prompt par "Image 1 is the first frame." Pour le palier plus rapide, envoyez wan3.0-video-prime. Une tâche Wan 3.0 annulée sur OmniaKey continue de se rendre et est facturée si elle réussit, car Wan 3.0 n'a pas d'annulation côté fournisseur. Partez de la page du modèle Wan 3.0 et voyez la documentation de l'API vidéo.

Questions fréquentes

Quelle longueur peut faire un prompt Wan 3.0 ?

L'API accepte jusqu'à 20,000 caractères, en comptant chaque caractère chinois ou chaque lettre pour un, et coupe le surplus sans erreur. Alibaba ne publie pas de longueur recommandée ; nos cinq prompts faisaient 398 à 670 caractères.

Wan 3.0 prend-il en charge les prompts négatifs ?

Il n'y a pas de champ negative_prompt pour wan3.0-video ; les négatifs sont une courte liste à la fin du texte du prompt. Le clip 5 a ajouté une seconde enseigne "OPEN LATE" plus petite dans la vitrine malgré "No other text", décrivez donc aussi la vitre que vous voulez.

Faut-il désactiver prompt_extend ?

prompt_extend vaut true par défaut, et un LLM réécrit le prompt avant la génération, ce qui aide les prompts courts et ajoute de la latence. Alibaba ne dit pas s'il faut le désactiver pour les prompts longs et structurés, nous l'avons donc laissé actif, et le clip 2 a quand même coupé à 2.97 s et 5.97 s.

Wan 3.0 peut-il faire une vidéo de 30 secondes avec un seul prompt ?

duration accepte de 2 à 30 secondes, un prompt peut donc remplir 30 secondes. Les longs exemples d'Alibaba sont construits en plans de 2–5 secondes, et c'est ainsi que le clip 2 atteint 10 secondes.

Peut-on écrire des prompts Wan 3.0 en chinois ?

Oui. L'API accepte les prompts en chinois et en anglais, et la limite compte chaque caractère chinois pour un. Nous avons écrit les nôtres en anglais.

Journal des mises à jour

• 28 octobre 2026 : première version, cinq prompts lancés le 27 octobre 2026.