Guida ai prompt di Wan 3.0: struttura, esempi e clip reali

Un prompt per Wan 3.0 segue l'ordine di Alibaba: una riga di panoramica, i riferimenti, inquadrature numerate con ora di inizio e fine, il dialogo tra virgolette, suono e musica, stile e, in fondo, un breve elenco di ciò che non deve apparire. Abbiamo lanciato cinque prompt in 720P il 27 ottobre 2026: gli stacchi temporizzati e la battuta pronunciata sono usciti come scritti, un'azione e una riga "no other text" no.

La struttura del prompt per Wan 3.0

La guida ai prompt di Wan 3.0 di Alibaba (aggiornata il 16 ottobre 2026) ordina le parti così: descrizione generale, citazione del riferimento, un blocco per inquadratura, dialogo, suono e BGM, stile e infine l'elenco negativo. Anche una sola frase produce un video; la struttura è ciò che fa somigliare il risultato a quello che avete in mente.

• Per una ripresa sola mettete "Generate single shot" sulla prima riga. Per più inquadrature numeratele con ora di inizio e fine, 2–5 secondi ciascuna, una dopo l'altra senza buchi né sovrapposizioni. [0-3s] e (00:00-00:03) funzionano allo stesso modo, sceglietene uno e tenetelo, e nominate la transizione, per esempio "hard cut".
• Scrivete il dialogo come parlante, verbo del dire, due punti e la battuta tra virgolette doppie, poi aggiungete "Lip sync." per il movimento delle labbra. Scrivete "No dialogue." quando non ne volete; senza, decide il modello. La vecchia guida generale di Alibaba su Wan giudica il lip sync parola per parola poco affidabile, ma i suoi esempi sono di Wan 2.2 e 2.5 (cosa è cambiato da allora è in Wan 3.0 vs Wan 2.7). La guida 3.0 aggiunge il tag "Lip sync", e la clip 3 ha dato la battuta parola per parola.
• La musica ha tre livelli: non scrivere nulla e lasciare scegliere al modello, nominare la musica oppure scrivere "No background music." Gli effetti sonori seguono l'azione, il materiale e il meteo che descrivete.
• wan3.0-video non ha un parametro negative_prompt, quindi i negativi stanno nel testo del prompt: un elenco breve di ciò che non deve apparire soltanto, senza riempitivi e senza ripetere il prompt positivo. Esempi di Alibaba: "No face distortion", "No subtitles", "No costume changes".
• Il prompt può essere in cinese o in inglese, fino a 20,000 caratteri; l'eccesso viene tagliato senza errore. Alibaba non pubblica una lunghezza consigliata, e i nostri cinque prompt andavano da 398 a 670 caratteri.

Alibaba fornisce anche uno Skill di messa a punto dei prompt per la console, /wan3-pe, che non abbiamo usato.

Come abbiamo fatto le clip

• Modello wan3.0-video tramite l'API media asincrona di OmniaKey il 27 ottobre 2026 (ora di Pechino), con resolution 720P e prompt_extend, audio e seed ai valori predefiniti di Alibaba: riscrittura del prompt attiva, audio attivo, seme casuale. Le clip 1, 2, 3 e 5 erano text_to_video, la clip 4 image_to_video; ratio era 16:9 tranne la clip 5 in 9:16, duration 10 nella clip 2 e 5 nelle altre.
• La clip 4 parte da un fotogramma fisso creato con GPT Image 2 a 1536×1024, qualità medium, ritagliato in 16:9 e inviato in input.media con type first_frame, come JPEG incorporato largo 1024 px per restare sotto il limite di 1 MiB.
• Le cinque attività sono riuscite al primo tentativo: MP4, H.264, 30 fps con traccia AAC, 1280×720 (clip 5: 720×1280), 5.04 s (clip 2: 10.03 s). La generazione ha richiesto 197.8 s, 334.3 s, 215.5 s, 153.2 s e 193.8 s per clip, cioè circa da 2.5 a 5.5 minuti.
• Abbiamo guardato fotogrammi in istanti fissi a piena dimensione, fatto girare un rilevatore di cambi di scena su ogni clip e controllato ogni traccia audio con due modelli audio Gemini e una curva di loudness; le affermazioni sul suono qui sotto sono quelle su cui questi controlli concordavano.
• OmniaKey vende l'accesso API a Wan 3.0, quindi le clip sono passate da lì. I prezzi qui sotto sono quelli di listino di Alibaba Cloud, non i nostri.
• Fonti: la guida ai prompt di Wan 3.0 di Alibaba, la guida alla generazione video di Wan 3.0, la referenza dell'API e la pagina prezzi di Model Studio, controllate il 27 ottobre 2026.

Abbiamo lanciato una clip per prompt, quindi considerate ogni risultato un solo campione.

Cinque prompt con clip vere

1. Un'unica inquadratura: camera, ottica, suono e stile

La clip 1 riunisce le parti in un'unica inquadratura continua.

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.

In italiano: un'unica inquadratura senza stacchi. All'alba, accanto a una finestra con la pioggia, la mano di una donna solleva una teiera in ceramica fatta a mano su un tavolo di rovere consumato e versa il tè in una piccola tazza bianca. La camera avanza lentamente da un piano medio al primo piano della tazza, con 85 mm e poca profondità di campo. Il suono è la pioggia sul vetro, il tè nella tazza e un tintinnio leggero di porcellana; l'atmosfera è calma e fotorealistica, verde-azzurro spento e ambra caldo. Niente dialogo né musica, e niente testo, sottotitoli o filigrana.

Impostazioni: text_to_video, 16:9, 720P, 5 s, valori predefiniti.

Risultato: un'inquadratura senza stacchi e l'atmosfera giusta; l'avanzata si ferma prima che resti la sola tazza.

• Un'inquadratura continua senza stacchi: la teiera, la tazza bianca e il tavolo consumato ci sono, con le gocce di pioggia sfocate sul vetro.
• Una mano entra da destra, solleva la teiera e versa il tè ambrato mentre il vapore sale.
• L'avanzata arriva, ma finisce con la tazza e il beccuccio insieme invece che sulla sola tazza, e i fotogrammi non mostrano un fascio di luce netto. Suono: solo la versata; nessuno dei due modelli audio ha sentito la pioggia.

Cosa cambiare:

• Per un finale più stretto, nominate l'inquadratura finale: "ends on an extreme close-up of the cup".
• Nominate meno suoni di fondo e legate ognuno a qualcosa di visibile.

2. Tre inquadrature temporizzate con stacchi netti

La clip 2 è il test multi-inquadratura: tre inquadrature numerate in 10 secondi, con transizioni nominate.

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.

In italiano: dieci secondi e tre inquadrature di una ciclista all'alba su una strada costiera, con la stessa ciclista, la giacca rossa e la bici argentata in ogni inquadratura. La 1 è un campo largo a camera fissa, la 2 un travelling basso all'altezza della ruota, la 3 un primo piano frontale, e le due transizioni sono stacchi netti. Il suono è vento, gomme che ronzano sull'asfalto e gabbiani lontani; la musica è una chitarra acustica leggera e piena di speranza, senza dialogo, testo o cambio di costume.

Impostazioni: text_to_video, 16:9, 720P, 10 s, valori predefiniti.

Risultato: le tre inquadrature e i due stacchi sono arrivati come scritti.

• Il rilevatore di cambi di scena li ha trovati a 2.97 s e 5.97 s, contro i riferimenti a 3 s e 6 s.
• La 1 è una vista larga e fissa di una strada costiera all'alba, con il sole basso sul mare e un gabbiano nel cielo, e la ciclista in rosso entra dal piano medio ed esce a sinistra.
• La 2 segue dal basso una bici da strada argentata, con catena, pignoni e gambe che pedalano nitidi e strada e ruote sfocate; la 3 è un primo piano frontale di una donna con giacca rossa e casco bianco, bocca aperta mentre espira, poi un sorriso quando il sole fiammeggia dietro di lei.
• Suono: una melodia morbida di corde pizzicate, vento e gabbiani, senza parlato, e i modelli audio non sono d'accordo sullo strumento.

Cosa cambiare:

• Se lo strumento conta, descrivete anche l'esecuzione: "solo acoustic guitar, slow strumming".

3. Una battuta tra virgolette, con lip sync

La clip 3 mette una battuta tra virgolette doppie e aggiunge il 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.

In italiano: un'unica inquadratura, piano medio-primo piano, camera fissa all'altezza degli occhi. Una barista sulla trentina, capelli corti e ricci e grembiule verde, sta dietro il bancone di un caffè con un bicchiere da asporto in mano. Guarda la camera, sorride e dice la sua battuta con le labbra che si muovono. Il suono è il brusio sommesso del caffè e il sibilo di un lanciavapore per il latte, senza musica, e senza sottotitoli, testo a schermo o deformazioni del volto.

Impostazioni: text_to_video, 16:9, 720P, 5 s, valori predefiniti.

Risultato: la battuta, il movimento delle labbra e l'assenza di sottotitoli hanno tenuto.

• Un'inquadratura a camera fissa: una donna con i capelli ricci, camicia bianca e grembiule verde scuro sta dietro un bancone con un bicchiere da asporto tra le due mani.
• Guarda la camera, sorride e parla muovendo le labbra, e i due modelli audio hanno trascritto la battuta parola per parola, in due pezzi intorno a 1.0–2.5 s e 3.3–4.0 s.
• L'inquadratura è rimasta pulita da sottotitoli e testo a schermo. Suono: solo il brusio del caffè, e nessun modello ha sentito il lanciavapore.

Cosa cambiare:

• Per due persone, date a ogni battuta la sua frase e nominate chi parla, è il formato di Alibaba.
• Se serve il lanciavapore, mostratelo: "the steam wand hisses beside her".

4. Immagine in video: il fotogramma fissa la resa

La clip 4 parte da un fotogramma fermo, quindi il prompt porta solo movimento, camera e suono. Il fotogramma l'abbiamo creato con GPT Image 2 e ritagliato in 16:9; il suo prompt chiedeva un'immagine fotorealistica all'alba di una mongolfiera d'epoca rossa e crema legata in un prato con la rugiada, due passeggeri nella navicella, nebbia bassa e una fila di alberi in lontananza. Il fotogramma è trattato nella guida ai prompt di 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.

In italiano: la prima immagine è il primo fotogramma. Il cavo viene rilasciato e la mongolfiera si stacca lentamente dal prato, il bruciatore manda due vampate arancioni e i due passeggeri salutano verso il campo. La camera sale lentamente seguendo l'ascesa. Il suono è il ruggito del bruciatore, il canto degli uccelli e il vento, senza dialogo né musica. I colori della mongolfiera e i vestiti dei passeggeri non cambiano, nessuna persona nuova, nessun testo.

Impostazioni: image_to_video, 16:9, 720P, 5 s, fotogramma inviato come primo.

Risultato: resa e movimento di camera tornano; un'azione è stata saltata.

• La clip si apre sull'inquadratura del fotogramma, con i colori della mongolfiera, i passeggeri e i vestiti invariati e nessuno di nuovo. La mongolfiera si stacca e sale, la camera inclina verso l'alto finché non resta che il cielo; i due passeggeri alzano le braccia e salutano.
• La fiamma si accende intorno a 0.7 s e resta accesa fino alla fine, quindi i fotogrammi mostrano una vampata sola; due corde restano legate a terra, quindi il rilascio è stato saltato.
• Suono: un ruggito basso senza parlato né musica, al massimo in due spinte intorno a 0.5–1.5 s e 3.5–4.8 s, quindi il "due volte" è comparso nel suono; nessun modello ha sentito il canto degli uccelli.

Cosa cambiare:

• Mostrate il rilascio come azione visibile: "a crew member unties the ropes and the ropes fall away".
• Per una fiamma che si riaccende due volte: "the flame flares, dies down, then flares again".

5. Video verticale e testo dell'insegna tra virgolette

La clip 5 prova il formato verticale e mette le parole a schermo tra virgolette.

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.

In italiano: verticale 9:16 e un'unica inquadratura. Un vicolo stretto di notte dopo la pioggia; sopra una piccola bottega di noodles un'insegna al neon rosa dice "OPEN LATE" in maiuscole marcate e si riflette sul marciapiede bagnato, dalla porta esce vapore. La camera scende lentamente dall'insegna alla porta. Il suono è pioggia leggera, il ronzio del neon e traffico lontano, senza dialogo né musica. Fotografia notturna cinematografica, resa pellicola 35 mm, magenta e verde-azzurro. Nessun altro testo, sottotitolo, filigrana o logo.

Impostazioni: text_to_video, 9:16, 720P, 5 s, valori predefiniti.

Risultato: insegna e inclinazione tornano; è comparso testo in più.

• Una clip verticale con un'insegna al neon rosa che dice "OPEN LATE" su un muro di mattoni sopra la porta di un negozio, scritta bene in ogni fotogramma controllato.
• L'inclinazione funziona: l'insegna parte in alto e finisce tagliata dal bordo superiore, con la porta e il marciapiede bagnato tinto di rosa che riempiono il fotogramma.
• Due errori, entrambi di testo: una seconda insegna "OPEN LATE" più piccola nella vetrina e dei segni sullo stipite, nonostante "No other text". Suono: niente parlato né musica; i modelli audio non sono d'accordo, uno ha sentito acqua e l'altro vento.

Cosa cambiare:

• Descrivete anche ciò che volete: provate "plain dark glass in the window", perché l'elenco negativo serve solo a ciò che non deve apparire.

Errori comuni e correzioni

Alibaba raggruppa gli elenchi negativi per l'errore che evitano: volti, testo, stile, suono, azione, camera, spazio e coerenza.

Quanto costa una clip

Alibaba fattura wan3.0-video al secondo di output, con una tariffa fissata dalla risoluzione richiesta.

Sono i prezzi di listino internazionali di Alibaba Cloud, controllati il 27 ottobre 2026; la pagina prezzi segna tutti e tre con il 30% di sconto per tempo limitato.

wan3.0-video-prime, la versione rapida di Alibaba con le stesse capacità, è a listino a $0.068, $0.14 e $0.28 al secondo per 480P, 720P e 1080P.

La resolution predefinita è 1080P, quindi una richiesta senza quel campo viene fatturata in 1080P: $1.00 per 5 secondi e $0.50 in 720P. L'audio costa uguale acceso o spento, ed è acceso per default.

Le nostre cinque clip fanno 30 secondi in 720P, $3.00 a listino e $2.10 con lo sconto. Per confrontare i modelli vedete Kling 3.0 vs Wan 3.0; per le tariffe OmniaKey attuali vedete la pagina del modello Wan 3.0.

Eseguire questi prompt via API

Questa richiesta invia il prompt della ciclista della clip 2, con le righe delle inquadrature come \n nella stringa JSON e una Idempotency-Key fissa:

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 risposta è 202 con un id del task.
2. Interrogate https://api.omniakey.com/v1/media/tasks/{id} con lo stesso id e ripetete su status, non su progress.percent, che può restare a 0 mentre la clip viene renderizzata. Le nostre clip hanno preso da 2.5 a 5.5 minuti: continuate a interrogare senza rinviare, perché la stessa Idempotency-Key e lo stesso corpo restituiscono lo stesso task e non vengono fatturati due volte.
3. Scaricate la clip da assets[0].url, un link firmato valido circa un'ora, e interrogate di nuovo per averne uno nuovo se scade.

Per l'immagine in video mettete operation su image_to_video e inviate il fotogramma in input.media con type first_frame, come URL HTTPS o data URI, con la richiesta intera entro 1 MiB, e aprite il prompt con "Image 1 is the first frame." Per il livello più rapido inviate wan3.0-video-prime. Un task Wan 3.0 annullato su OmniaKey continua a renderizzare e viene fatturato se riesce, perché Wan 3.0 non ha annullamento lato provider. Partite dalla pagina del modello Wan 3.0 e vedete la documentazione dell'API video.

Domande frequenti

Quanto può essere lungo un prompt per Wan 3.0?

L'API accetta fino a 20,000 caratteri, contando ogni carattere cinese o lettera come uno, e taglia l'eccesso senza errore. Alibaba non pubblica una lunghezza consigliata; i nostri cinque prompt andavano da 398 a 670 caratteri.

Wan 3.0 supporta i prompt negativi?

Non c'è un campo negative_prompt per wan3.0-video; i negativi sono un elenco breve in fondo al testo del prompt. La clip 5 ha aggiunto una seconda insegna "OPEN LATE" più piccola nella vetrina nonostante "No other text", quindi descrivete anche il vetro che volete.

Conviene disattivare prompt_extend?

prompt_extend è true per default, e un LLM riscrive il prompt prima della generazione, il che aiuta i prompt brevi e aggiunge latenza. Alibaba non dice di disattivarlo per i prompt lunghi e strutturati, quindi l'abbiamo lasciato attivo, e la clip 2 ha comunque staccato a 2.97 s e 5.97 s.

Wan 3.0 può fare un video di 30 secondi con un solo prompt?

duration accetta da 2 a 30 secondi, quindi un prompt può riempire 30 secondi. Gli esempi lunghi di Alibaba sono costruiti con inquadrature da 2–5 secondi, ed è così che la clip 2 arriva a 10 secondi.

Si possono scrivere prompt per Wan 3.0 in cinese?

Sì. L'API accetta prompt in cinese e in inglese, e il limite conta ogni carattere cinese come uno. I nostri li abbiamo scritti in inglese.

Registro aggiornamenti

• 28 ottobre 2026: prima versione, cinque prompt lanciati il 27 ottobre 2026.