Panduan prompt Wan 3.0: struktur, contoh, dan klip nyata

Prompt Wan 3.0 mengikuti urutan Alibaba: satu baris gambaran umum, referensi, shot bernomor dengan waktu mulai dan selesai, dialog dalam tanda kutip, suara dan musik, gaya, lalu daftar singkat hal yang tidak boleh muncul. Kami menjalankan lima prompt di 720P pada 27 Oktober 2026: potongan bertimer dan dialog yang diucapkan keluar sesuai tulisan, satu aksi dan satu baris "no other text" tidak.

Struktur prompt Wan 3.0

Panduan prompt Wan 3.0 dari Alibaba (diperbarui 16 Oktober 2026) mengurutkan bagiannya begini: deskripsi umum, penyebutan referensi, satu blok per shot, dialog, suara dan BGM, gaya, lalu daftar negatif. Satu kalimat saja sudah menghasilkan video; strukturnya yang membuat hasilnya mirip dengan yang Anda bayangkan.

• Untuk satu take, taruh "Generate single shot" di baris pertama. Untuk beberapa shot, beri nomor dengan waktu mulai dan selesai, 2–5 detik masing-masing, bersambung tanpa celah dan tanpa tumpang tindih. [0-3s] dan (00:00-00:03) sama-sama berfungsi, pilih satu dan pakai terus, lalu sebut transisinya, misalnya "hard cut".
• Tulis dialog sebagai pembicara, kata kerja bicara, titik dua, dan kalimat dalam tanda kutip ganda, lalu tambahkan "Lip sync." untuk gerak bibir. Tulis "No dialogue." kalau tidak ingin ada dialog; tanpa itu model yang memutuskan. Panduan umum Wan lama dari Alibaba menilai lip sync per kata tidak andal, tapi contohnya dari Wan 2.2 dan 2.5 (apa yang berubah sejak itu ada di Wan 3.0 vs Wan 2.7). Panduan 3.0 menambahkan tag "Lip sync", dan klip 3 mengeluarkan dialognya kata per kata.
• Musik punya tiga tingkat: tidak menulis apa pun dan membiarkan model memilih, menyebut musiknya, atau menulis "No background music." Efek suara mengikuti aksi, bahan, dan cuaca yang Anda tulis.
• wan3.0-video tidak punya parameter negative_prompt, jadi negatif masuk ke teks prompt: daftar singkat hanya berisi yang tidak boleh muncul, tanpa tambahan dan tanpa mengulang prompt positif. Contoh dari Alibaba: "No face distortion", "No subtitles", "No costume changes".
• Prompt bisa dalam bahasa Mandarin atau Inggris, sampai 20,000 karakter; lebihnya dipotong tanpa error. Alibaba tidak menerbitkan panjang yang disarankan, dan lima prompt kami berkisar 398 sampai 670 karakter.

Alibaba juga menyediakan Skill penyetelan prompt untuk konsol, /wan3-pe, yang tidak kami pakai.

Cara kami membuat klipnya

• Model wan3.0-video lewat API media asinkron OmniaKey pada 27 Oktober 2026 (waktu Beijing), resolution 720P, dengan prompt_extend, audio, dan seed pada setelan bawaan Alibaba: penulisan ulang prompt aktif, audio aktif, seed acak. Klip 1, 2, 3, dan 5 lewat text_to_video, klip 4 lewat image_to_video; ratio 16:9 kecuali klip 5 yang 9:16, duration 10 di klip 2 dan 5 di sisanya.
• Klip 4 berawal dari still yang kami buat di GPT Image 2 ukuran 1536×1024, kualitas medium, dipotong 16:9, lalu dikirim di input.media dengan type first_frame sebagai JPEG tersemat selebar 1024 px agar tetap di bawah batas 1 MiB.
• Kelima tugas berhasil pada percobaan pertama: MP4, H.264, 30 fps dengan trek AAC, 1280×720 (klip 5: 720×1280), 5.04 dtk (klip 2: 10.03 dtk). Pembuatan makan 197.8 dtk, 334.3 dtk, 215.5 dtk, 153.2 dtk, dan 193.8 dtk per klip, jadi sekitar 2.5 sampai 5.5 menit.
• Kami melihat bingkai pada waktu tetap dalam ukuran penuh, menjalankan detektor pergantian adegan di tiap klip, dan memeriksa tiap trek suara dengan dua model audio Gemini serta kurva kenyaringan; pernyataan suara di bawah adalah yang disepakati pemeriksaan itu.
• OmniaKey menjual akses API ke Wan 3.0, jadi klipnya lewat sana. Harga di bawah adalah daftar harga Alibaba Cloud, bukan harga kami.
• Sumber: panduan prompt Wan 3.0 dari Alibaba, panduan pembuatan video Wan 3.0, referensi API, dan halaman harga Model Studio, diperiksa 27 Oktober 2026.

Kami menjalankan satu klip per prompt, jadi anggap tiap hasil sebagai satu sampel.

Lima prompt dengan klip nyata

1. Satu shot: kamera, lensa, suara, dan gaya

Klip 1 menyatukan semua bagian dalam satu shot tanpa potongan.

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.

Artinya: satu shot tanpa potongan. Saat fajar, di dekat jendela yang kehujanan, tangan seorang perempuan mengangkat teko keramik buatan tangan di atas meja kayu ek usang dan menuang teh ke cangkir putih kecil. Kamera mendorong pelan dari medium shot ke close-up cangkir, lensa 85 mm dengan kedalaman bidang tipis. Suaranya hujan di kaca, teh yang jatuh ke cangkir, dan gemerincing porselen samar; gayanya tenang dan fotorealistis, hijau kebiruan redup dan amber hangat. Tanpa dialog dan musik, tanpa teks, subtitel, atau tanda air.

Pengaturan: text_to_video, 16:9, 720P, 5 dtk, setelan bawaan.

Hasil: satu shot tanpa potongan dengan suasana yang tepat; dorongan kamera berhenti sebelum tinggal cangkirnya saja.

• Satu shot tanpa potongan: teko, cangkir putih, dan meja usang ada di tempatnya, dengan tetes hujan yang kabur di kaca.
• Sebuah tangan masuk dari kanan, mengangkat teko, dan menuang teh amber sementara uap naik.
• Dorongan kamera terjadi, tapi berakhir dengan cangkir dan corong teko bersama, bukan cangkirnya saja, dan bingkai tidak menunjukkan berkas cahaya yang jelas. Suara: hanya tuangan; tak satu pun dari dua model audio mendengar hujan.

Yang diubah:

• Untuk akhir yang lebih rapat, sebut bingkai terakhirnya: "ends on an extreme close-up of the cup".
• Sebut lebih sedikit suara latar dan kaitkan masing-masing dengan sesuatu yang terlihat.

2. Tiga shot bertimer dengan potongan keras

Klip 2 adalah ujian banyak shot: tiga shot bernomor dalam 10 detik, dengan transisi yang disebut.

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.

Artinya: sepuluh detik dan tiga shot dari seorang pesepeda saat matahari terbit di jalan pesisir, dengan pesepeda, jaket merah, dan sepeda perak yang sama di setiap shot. Shot 1 adalah wide shot dengan kamera diam, shot 2 tracking rendah setinggi roda, shot 3 close-up dari depan, dan kedua transisinya potongan keras. Suaranya angin, ban yang berdengung di aspal, dan camar jauh; musiknya gitar akustik ringan dan penuh harapan, tanpa dialog, teks, atau ganti kostum.

Pengaturan: text_to_video, 16:9, 720P, 10 dtk, setelan bawaan.

Hasil: ketiga shot dan dua potongannya masuk sesuai tulisan.

• Detektor pergantian adegan menemukannya di 2.97 dtk dan 5.97 dtk, terhadap penanda 3 dtk dan 6 dtk.
• Shot 1 adalah pemandangan lebar dan diam dari jalan pesisir saat matahari terbit, matahari rendah di atas laut dan seekor camar di langit, lalu pesepeda berbaju merah masuk dari medium shot dan keluar ke kiri.
• Shot 2 mengikuti dari rendah di samping sepeda jalan berwarna perak, rantai, gir, dan kaki yang mengayuh tajam, jalan dan roda kabur; shot 3 adalah close-up dari depan seorang perempuan berjaket merah dan helm putih, mulut terbuka saat mengembuskan napas, lalu senyum ketika matahari menyala di belakangnya.
• Suara: melodi senar petik yang lembut, angin, dan camar, tanpa ucapan, dan kedua model audio tidak sepakat soal instrumennya.

Yang diubah:

• Kalau instrumennya penting, jelaskan juga permainannya: "solo acoustic guitar, slow strumming".

3. Satu dialog dalam tanda kutip dengan lip sync

Klip 3 menaruh satu dialog dalam tanda kutip ganda dan menambahkan 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.

Artinya: satu shot, medium close-up, kamera diam sejajar mata. Seorang barista berusia awal tiga puluhan dengan rambut pendek keriting dan celemek hijau berdiri di balik meja kafe sambil memegang gelas bawa pulang. Dia menatap kamera, tersenyum, dan mengucapkan dialognya dengan bibir bergerak. Suaranya obrolan kafe yang pelan dan desis pemancing susu, tanpa musik, dan tanpa subtitel, teks di layar, atau wajah yang berubah bentuk.

Pengaturan: text_to_video, 16:9, 720P, 5 dtk, setelan bawaan.

Hasil: dialog, gerak bibir, dan ketiadaan subtitel bertahan.

• Satu shot dengan kamera diam: seorang perempuan berambut keriting, kemeja putih, dan celemek hijau tua berdiri di balik meja sambil memegang gelas bawa pulang dengan dua tangan.
• Dia menatap kamera, tersenyum, dan berbicara dengan bibir bergerak, dan kedua model audio menuliskan dialognya kata per kata, dalam dua bagian sekitar 1.0–2.5 dtk dan 3.3–4.0 dtk.
• Bingkainya tetap bersih dari subtitel dan teks di layar. Suara: hanya obrolan kafe, dan tak satu pun model mendengar pemancing susu.

Yang diubah:

• Untuk dua orang, beri tiap dialog kalimatnya sendiri dan sebut siapa yang bicara, itu format Alibaba.
• Kalau pemancing susu perlu, tunjukkan: "the steam wand hisses beside her".

4. Gambar ke video: still menentukan tampilan

Klip 4 berawal dari still, jadi promptnya hanya membawa gerakan, kamera, dan suara. Still-nya kami buat di GPT Image 2 lalu potong 16:9; promptnya meminta gambar fotorealistis saat matahari terbit dari balon udara antik merah-krem yang ditambatkan di padang berembun, dua penumpang di keranjang, kabut rendah, dan barisan pohon di kejauhan. Soal still-nya ada di panduan prompt GPT Image 2.

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.

Artinya: gambar pertama adalah bingkai pertama. Tambatannya dilepas dan balon naik pelan dari padang, pembakar menyala oranye dua kali, dan kedua penumpang melambai ke bawah, ke padang. Kamera menoleh pelan ke atas mengikuti balon. Suaranya raungan pembakar, kicau burung, dan angin, tanpa dialog dan musik. Warna balon dan pakaian penumpang tidak berubah, tidak ada orang baru dan tidak ada teks.

Pengaturan: image_to_video, 16:9, 720P, 5 dtk, still dikirim sebagai bingkai pertama.

Hasil: tampilan dan gerak kamera cocok; satu aksi terlewat.

• Klipnya dibuka dengan bingkai still: warna balon, penumpang, dan pakaian mereka tidak berubah dan tidak ada orang baru. Balon lepas dan naik, kamera menoleh ke atas sampai tinggal langit; kedua penumpang mengangkat tangan dan melambai.
• Nyala api muncul sekitar 0.7 dtk dan menyala sampai akhir, jadi bingkainya menunjukkan satu nyala; dua tali tetap terikat ke tanah, jadi pelepasan tambatannya terlewat.
• Suara: raungan rendah tanpa ucapan dan musik, paling keras dalam dua dorongan sekitar 0.5–1.5 dtk dan 3.5–4.8 dtk, jadi "dua kali" muncul di suara; kicau burung tidak didengar model mana pun.

Yang diubah:

• Tunjukkan pelepasannya sebagai aksi yang terlihat: "a crew member unties the ropes and the ropes fall away".
• Untuk nyala yang hidup dua kali: "the flame flares, dies down, then flares again".

5. Video vertikal dan teks papan dalam tanda kutip

Klip 5 menguji format vertikal dan menaruh kata di layar dalam tanda kutip.

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.

Artinya: vertikal 9:16 dan satu shot. Gang sempit di malam hari setelah hujan; di atas kedai mi kecil, papan neon merah muda bertuliskan "OPEN LATE" dengan huruf kapital tebal dan terpantul di trotoar basah, uap keluar dari pintu. Kamera menoleh pelan ke bawah dari papan neon ke pintu kedai. Suaranya hujan ringan, dengung neon, dan lalu lintas jauh, tanpa dialog dan musik. Fotografi malam sinematik, tampilan film 35 mm, magenta dan hijau kebiruan. Tanpa teks lain, subtitel, tanda air, atau logo.

Pengaturan: text_to_video, 9:16, 720P, 5 dtk, setelan bawaan.

Hasil: papan dan tolehan kamera cocok; muncul teks tambahan.

• Klip vertikal dengan papan neon merah muda bertuliskan "OPEN LATE" di dinding bata di atas pintu toko, ejaannya benar di setiap bingkai yang kami periksa.
• Tolehannya bekerja: papan mulai di atas dan berakhir terpotong tepi atas, lalu pintu dan trotoar basah yang berwarna merah muda memenuhi bingkai.
• Dua kesalahan, keduanya soal teks: papan kedua "OPEN LATE" yang lebih kecil di jendela dan coretan di kusen pintu, meski ada "No other text". Suara: tanpa ucapan dan musik; kedua model audio tidak sepakat, satu mendengar air dan satu angin.

Yang diubah:

• Jelaskan juga yang Anda inginkan: coba "plain dark glass in the window", karena daftar negatif hanya untuk yang tidak boleh muncul.

Kesalahan umum dan perbaikannya

Alibaba mengelompokkan daftar negatif menurut kesalahan yang dicegahnya: wajah, teks, gaya, suara, aksi, kamera, ruang, dan konsistensi.

Berapa biaya satu klip

Alibaba menagih wan3.0-video per detik keluaran, dengan tarif yang ditentukan resolusi yang diminta.

Ini daftar harga internasional Alibaba Cloud, diperiksa 27 Oktober 2026; halaman harganya menandai ketiganya diskon 30% untuk waktu terbatas.

wan3.0-video-prime, versi cepat Alibaba dengan kemampuan yang sama, ada di daftar dengan $0.068, $0.14, dan $0.28 per detik untuk 480P, 720P, dan 1080P.

resolution bawaannya 1080P, jadi permintaan tanpa kolom itu ditagih 1080P: $1.00 untuk 5 detik dan $0.50 di 720P. Audio berharga sama saja menyala atau tidak, dan bawaannya menyala.

Lima klip kami berjumlah 30 detik di 720P, $3.00 di daftar harga dan $2.10 dengan diskon. Untuk membandingkan model, lihat Kling 3.0 vs Wan 3.0; untuk tarif OmniaKey terkini, lihat halaman model Wan 3.0.

Menjalankan prompt ini lewat API

Permintaan ini mengirim prompt pesepeda dari klip 2, dengan baris shot sebagai \n di dalam string JSON dan Idempotency-Key tetap:

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. Jawabannya 202 dengan id tugas.
2. Panggil https://api.omniakey.com/v1/media/tasks/{id} dengan id yang sama dan ulangi berdasarkan status, bukan progress.percent, yang bisa tetap 0 selama klip dirender. Klip kami makan 2.5 sampai 5.5 menit: terus panggil dan jangan kirim ulang, karena Idempotency-Key dan isi yang sama mengembalikan tugas yang sama dan tidak ditagih dua kali.
3. Unduh klipnya dari assets[0].url, tautan bertanda tangan yang berlaku sekitar satu jam, dan panggil lagi untuk mendapat yang baru kalau kedaluwarsa.

Untuk gambar ke video, setel operation ke image_to_video dan kirim still di input.media dengan type first_frame, sebagai URL HTTPS atau data URI, seluruh permintaan paling banyak 1 MiB, dan buka prompt dengan "Image 1 is the first frame." Untuk tingkat yang lebih cepat, kirim wan3.0-video-prime. Tugas Wan 3.0 yang dibatalkan di OmniaKey tetap dirender dan ditagih kalau berhasil, karena Wan 3.0 tidak punya pembatalan di sisi penyedia. Mulai dari halaman model Wan 3.0 dan lihat dokumentasi API video.

Pertanyaan umum

Seberapa panjang prompt Wan 3.0?

API menerima sampai 20,000 karakter, dengan tiap karakter Mandarin atau huruf dihitung satu, dan memotong lebihnya tanpa error. Alibaba tidak menerbitkan panjang yang disarankan; lima prompt kami berkisar 398 sampai 670 karakter.

Apakah Wan 3.0 mendukung prompt negatif?

Tidak ada kolom negative_prompt untuk wan3.0-video; negatif adalah daftar singkat di akhir teks prompt. Klip 5 menambahkan papan kedua "OPEN LATE" yang lebih kecil di jendela meski ada "No other text", jadi jelaskan juga kaca yang Anda inginkan.

Haruskah prompt_extend dimatikan?

prompt_extend bawaannya true, dan LLM menulis ulang prompt sebelum pembuatan, yang membantu prompt pendek dan menambah jeda. Alibaba tidak memberi arahan untuk mematikannya pada prompt panjang dan terstruktur, jadi kami biarkan menyala, dan klip 2 tetap memotong di 2.97 dtk dan 5.97 dtk.

Bisakah Wan 3.0 membuat video 30 detik dari satu prompt?

duration menerima 2 sampai 30 detik, jadi satu prompt bisa mengisi 30 detik. Contoh panjang Alibaba disusun dari shot 2–5 detik, dan begitu klip 2 sampai 10 detik.

Bisa menulis prompt Wan 3.0 dalam bahasa Mandarin?

Bisa. API menerima prompt bahasa Mandarin dan Inggris, dan batasnya menghitung tiap karakter Mandarin sebagai satu. Kami menulis prompt kami dalam bahasa Inggris.

Catatan pembaruan

• 28 Oktober 2026: versi pertama, lima prompt dijalankan pada 27 Oktober 2026.