Wan 3.0 プロンプトガイド：構造・例文・実際に生成した動画

Wan 3.0 のプロンプトは Alibaba の順序で書きます。全体像の一行、参照する素材、開始と終了の時刻を入れた番号付きのショット、引用符で囲んだセリフ、効果音と音楽、スタイル、最後に出現してほしくないものの短いリストです。2026 年 10 月 27 日に 720P で 5 本を実行し、時間指定のカットとセリフは書いたとおりに出ました。1 つの動作と「No other text」の一行はそうなりませんでした。

Wan 3.0 のプロンプト構造

Alibaba の Wan 3.0 プロンプトガイド（2026 年 10 月 16 日更新）は、全体の説明、参照素材の指定、ショットごとのブロック、セリフ、効果音と BGM、スタイル、最後に否定リスト、という順序を示しています。1 文だけでも動画は出ますが、この構造に沿って書くと、思い描いた画面に近づきます。

• 1 テイクで撮るなら、最初の行に「Generate single shot」と書きます。複数のショットに分けるなら、それぞれに番号を振り、開始と終了の時刻を入れます。1 ショットは 2–5 秒で、隙間も重なりもなくつなげます。[0-3s] と (00:00-00:03) はどちらも効くので、片方に決めて使い続け、切り替えは「hard cut」のように名指しします。
• セリフは、話者、発話の動詞、コロン、二重引用符で囲んだセリフの順に書き、口の動きのために「Lip sync.」を足します。セリフを入れたくないときは「No dialogue.」と書きます。書かなければモデルが決めます。Alibaba の古い汎用 Wan ガイドは、指定した言葉どおりのリップシンクは不安定だとしていますが、その例は Wan 2.2 と 2.5 のものです（その後何が変わったかは Wan 3.0 vs Wan 2.7 にあります）。3.0 のガイドは「Lip sync」タグを追加していて、クリップ 3 はセリフを一言一句そのまま出しました。
• 音楽は 3 段階です。何も書かずにモデルに任せる、音楽を名指しする、「No background music.」と書いて完全に消す。効果音は、書いた動作、素材、天気に沿って出ます。
• wan3.0-video には negative_prompt パラメータがないので、否定はプロンプトのテキストで書きます。出現してはいけないものだけを短く並べ、水増しも、肯定文の繰り返しもしません。Alibaba の例は「No face distortion」「No subtitles」「No costume changes」です。
• プロンプトは中国語でも英語でも書け、長さは最大 20,000 文字です。超えた分はエラーなしで切り捨てられます。Alibaba は推奨の長さを公表しておらず、私たちの 5 本は 398 から 670 文字でした。

Alibaba はコンソール向けにプロンプト調整用の Skill も用意していて、/wan3-pe で呼び出します。私たちは使っていません。

クリップの作り方

• モデル wan3.0-video を、2026 年 10 月 27 日（北京時間）に OmniaKey の非同期メディア API で実行しました。resolution はすべて 720P で、prompt_extend、audio、seed は Alibaba のデフォルトのままです。プロンプトの書き換えはオン、音声はオン、シードはランダム。クリップ 1、2、3、5 は text_to_video、クリップ 4 は image_to_video で、ratio はクリップ 5 だけ 9:16、ほかは 16:9、duration はクリップ 2 が 10、残りが 5 です。
• クリップ 4 は、GPT Image 2 で 1536×1024、quality medium で作った静止画から始めています。16:9 に切り抜き、input.media に type first_frame として送りました。1 MiB の上限に収めるため、幅 1024 px の JPEG をインラインで送っています。
• 5 つのタスクはすべて 1 回目で成功しました。MP4、H.264、AAC トラック付きの 30 fps、1280×720（クリップ 5 は 720×1280）、長さは 5.04 秒（クリップ 2 は 10.03 秒）です。生成には 1 本あたり 197.8 秒、334.3 秒、215.5 秒、153.2 秒、193.8 秒かかり、およそ 2.5 から 5.5 分でした。
• 決まった時刻のフレームを原寸で見て、全クリップにカット検出をかけ、音声は Gemini の音声モデル 2 つとラウドネスの推移で確かめました。以下の音の記述は、これらの確認が一致した内容です。
• OmniaKey は Wan 3.0 の API を提供しているので、クリップはそれ経由で実行しました。以下の価格は Alibaba Cloud の定価で、私たちの価格ではありません。
• 出典：Alibaba の Wan 3.0 プロンプトガイド、Wan 3.0 動画生成ガイド、API リファレンス、Model Studio の価格ページ、2026 年 10 月 27 日確認。

プロンプト 1 つにつき 1 本だけ実行したので、それぞれの結果は 1 サンプルとして見てください。

5 つのプロンプトと実際のクリップ

1. 1 ショット：カメラ、レンズ、音、スタイル

クリップ 1 は、各パーツを 1 つの連続ショットに収めた例です。

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.

意味：カットなしの 1 ショットです。夜明けの雨の窓辺、使い込んだオークのテーブルに置かれた手びねりの陶器の急須を女性の手が持ち上げ、小さな白いカップに茶を注ぎます。カメラはミディアムショットからカップの寄りへゆっくり進み、85mm、浅い被写界深度。音は窓を打つ雨、カップに注がれる茶、陶器の軽い音で、静かで写実的、くすんだ青緑と暖かい琥珀色。セリフと BGM はなし、文字・字幕・ウォーターマークもなし。

設定：text_to_video、16:9、720P、5 秒、ほかはデフォルト。

結果：カットのない 1 ショットと雰囲気は狙いどおりで、寄りはカップ単体の手前で止まりました。

• カットのない 1 ショットで、急須、白いカップ、使い込んだテーブルが写り、窓ガラスの雨粒はぼけています。
• 右手前から手が入り、急須を持ち上げて琥珀色の茶を注ぎ、湯気が立ちのぼります。
• 寄りは効いていますが、最後はカップと注ぎ口が一緒に収まる形で、カップだけにはなりませんでした。はっきりした光の筋もフレームには出ていません。音：聞こえたのは注ぐ音だけで、雨はどちらの音声モデルも検出しませんでした。

変更点：

• 最後の構図を締めたいときは、最後の画を名指ししてみてください。「ends on an extreme close-up of the cup」です。
• 背景音は数を減らし、それぞれを画面に見えるものに結びつけます。

2. 3 つの時間指定ショットとハードカット

クリップ 2 はマルチショットのテストです。10 秒の中に番号付きのショットを 3 つ置き、切り替えを名指しします。

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.

意味：10 秒で 3 ショット、日の出の海沿いの道を走る同じライダー、赤いジャケット、シルバーの自転車を全ショットで保ちます。ショット 1 は固定カメラの遠景、ショット 2 は車輪の高さで横を並走するトラッキング、ショット 3 は正面の寄りで、切り替えはどちらもハードカット。音は風、路面を鳴るタイヤ、遠くのカモメ、BGM は軽いアコースティックギターで、セリフ、文字、衣装替えはなしです。

設定：text_to_video、16:9、720P、10 秒、ほかはデフォルト。

結果：3 つのショットも 2 つのカットも書いたとおりに入りました。

• カット検出は 2.97 秒と 5.97 秒で見つけました。プロンプトの指定は 3 秒と 6 秒です。
• ショット 1 は日の出の海沿いの道の固定遠景で、太陽は海の上に低く、空にはカモメが 1 羽。赤いジャケットのライダーは中景から左へ抜けていきます。
• ショット 2 はシルバーのロードバイクの横を低く並走し、チェーン、ギア、踏み込む脚はくっきり、路面と車輪はぼけています。ショット 3 は赤いジャケットと白いヘルメットの女性の正面の寄りで、口を開けて息を吐き、太陽が後ろで光ると笑います。
• 音：柔らかい撥弦の旋律、風、カモメ、セリフはなし。楽器については 2 つの音声モデルの見立てが分かれました。

変更点：

• 楽器が大事なら、弾き方も書いてみてください。「solo acoustic guitar, slow strumming」です。

3. 引用符のセリフとリップシンク

クリップ 3 は、セリフを 1 行だけ二重引用符に入れ、「Lip sync」タグを足した例です。

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.

意味：固定カメラ、目線の高さのミディアム寄りで、30 代、短い縮れ毛、緑のエプロンのバリスタがカフェのカウンター越しにテイクアウトのカップを持って立ちます。カメラを見て笑いながらセリフを言い、口の動きを合わせます。音はカフェの小声とミルクスチーマーの蒸気、BGM はなし、字幕と画面の文字、顔の崩れもなしです。

設定：text_to_video、16:9、720P、5 秒、ほかはデフォルト。

結果：セリフ、口の動き、「字幕なし」の 3 つとも守られました。

• 固定カメラの 1 ショットです。縮れ毛、白いシャツ、濃い緑のエプロンの女性がカウンターの後ろに立ち、テイクアウトのカップを両手で持っています。
• カメラを見て笑い、唇を動かして話します。2 つの音声モデルはどちらもセリフを一言一句書き起こし、およそ 1.0–2.5 秒と 3.3–4.0 秒の 2 つのまとまりに分かれました。
• 画面に字幕もほかの文字も入りませんでした。音：聞こえたのはカフェのざわめきだけで、ミルクスチーマーはどちらのモデルも検出しませんでした。

変更点：

• 2 人が話すときは、1 人につき 1 文にして話者を名指ししてみてください。Alibaba の書き方です。
• スチーマーの音が要るときは、画面に出してみてください。「the steam wand hisses beside her」です。

4. 画像から動画：静止画にルックを任せる

クリップ 4 は静止画から始めるので、プロンプトは動き、カメラ、音だけを担当します。静止画は GPT Image 2 で作り、16:9 に切り抜きました。そのプロンプトは、日の出の草原に係留された赤とクリーム色のヴィンテージ熱気球、かごに 2 人の乗客、低い霧、遠くの木立という写実的な一枚を求めています。静止画の作り方は GPT Image 2 プロンプトガイド にまとめました。

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.

意味：1 枚目が最初のフレームです。係留が外れて熱気球が草原からゆっくり浮かび、バーナーがオレンジの炎を 2 回吹き上げ、2 人の乗客が地面に向かって手を振ります。カメラは上昇を追ってゆっくり上へパンします。音はバーナーの轟音、鳥の声、風で、セリフと BGM はなし。気球の色と乗客の服は変えず、新しい人も文字も入れません。

設定：image_to_video、16:9、720P、5 秒、静止画を最初のフレームとして送信。

結果：質感とカメラの動きは合い、1 つの動作が抜けました。

• クリップは静止画の構図で始まり、気球の色、乗客、服は変わらず、新しい人もいません。気球は浮かんで上がり、カメラは空だけになるまでチルトアップします。2 人の乗客は腕を上げて手を振ります。
• 炎は 0.7 秒あたりで点き、最後まで点いたままなので、フレームでは 1 回の炎しか見えません。ロープは 2 本とも地面につながったままで、係留を外す動作は抜けました。
• 音：セリフも音楽もない低い轟音で、0.5–1.5 秒と 3.5–4.8 秒あたりの 2 回が最も大きいため、「2 回」は音のほうに出ました。鳥の声はどちらのモデルも検出しませんでした。

変更点：

• 係留を外すところは、目に見える動作として書いてみてください。「a crew member unties the ropes and the ropes fall away」です。
• 炎を 2 回吹き上げたいときは、「the flame flares, dies down, then flares again」を試してください。

5. 縦動画と引用符の看板文字

クリップ 5 は縦の画面と、引用符に入れた画面上の文字を試しています。

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.

意味：縦の 9:16 で 1 ショットです。雨上がりの夜の細い裏通り、小さな麺屋の上でピンクのネオン看板が太い大文字で「OPEN LATE」と光り、濡れた路面に映ります。戸口から湯気が流れ出し、カメラは看板から戸口へゆっくりチルトダウンします。音は細い雨、ネオンの唸り、遠くの車の音で、セリフと BGM はなし。夜のシネマティックな写真、35mm フィルムの質感、マゼンタと青緑。ほかの文字、字幕、ウォーターマーク、ロゴはなしです。

設定：text_to_video、9:16、720P、5 秒、ほかはデフォルト。

結果：看板とチルトは合い、文字が増えました。

• 縦のクリップで、店の扉の上のレンガ壁にピンクのネオン看板が「OPEN LATE」と光り、確認したどのフレームでもつづりは正しいままでした。
• チルトも効いています。看板は上から始まり、最後には画面上端で切れ、戸口とピンクに照らされた濡れた路面が画面を埋めます。
• 誤りは 2 つで、どちらも文字です。店の窓にもう 1 つ小さな「OPEN LATE」の看板が出て、扉の枠にも文字のような跡が付きました。「No other text」と書いてあったのに、です。音：セリフも音楽もなし。音声モデルの見立ては分かれ、片方は水の音、もう片方は風の音を聞きました。

変更点：

• 出てほしいものも一緒に書きます。窓は「plain dark glass in the window」と指定してみてください。否定リストは、出てはいけないものだけに使います。

よくある失敗と直し方

Alibaba は否定リストを、防ぎたい失敗の種類ごとにまとめています。顔、文字、スタイル、音、動作、カメラ、空間、一貫性です。

クリップ 1 本の料金

Alibaba は wan3.0-video を出力の秒数で課金し、単価は指定した解像度で決まります。

いずれも Alibaba Cloud の国際サイトの定価で、2026 年 10 月 27 日時点の確認です。価格ページでは 3 つとも期間限定の 30% オフと表示されています。

wan3.0-video-prime は同じ機能を持つ Alibaba の高速版で、480P、720P、1080P の 1 秒あたりの定価は $0.068、$0.14、$0.28 です。

resolution のデフォルトは 1080P なので、指定しないリクエストは 1080P で課金されます。5 秒なら $1.00、720P なら $0.50 です。音声はオンでもオフでも料金は同じで、デフォルトはオンです。

私たちの 5 本は 720P で合計 30 秒になり、定価では $3.00、割引込みで $2.10 です。モデルを比べたいときは Kling 3.0 vs Wan 3.0、OmniaKey の現在の料金は Wan 3.0 のモデルページ をご覧ください。

このプロンプトを API で実行する

以下のリクエストは、クリップ 2 の自転車のプロンプトを送るものです。ショットの行は JSON 文字列の中で \n にし、Idempotency-Key は固定しています。

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. 返ってくるのは 202 とタスク id です。
2. 同じ id で https://api.omniakey.com/v1/media/tasks/{id} を取得し、status を繰り返し見ます。progress.percent はクリップの生成中に 0 のままになることがあるので、そちらは見ません。私たちのクリップは 2.5 から 5.5 分かかったので、そのまま問い合わせを続け、再送はしません。同じ Idempotency-Key と同じ本文なら同じタスクが返り、二重に課金されません。
3. assets[0].url からクリップをダウンロードします。署名付きリンクで、有効期限はおよそ 1 時間です。切れたら問い合わせ直して新しいリンクを取ります。

画像から動画にするときは operation を image_to_video にし、静止画を input.media に type first_frame で送ります。HTTPS の URL か data URI で、リクエスト全体は 1 MiB 以下です。プロンプトは「Image 1 is the first frame.」で始めます。速いほうのティアは wan3.0-video-prime を送ります。OmniaKey でキャンセルした Wan 3.0 のジョブは描画を続け、成功すれば課金されます。Wan 3.0 には提供元側のキャンセルがないためです。Wan 3.0 のモデルページ から始めて、詳細は 動画 API のドキュメント をご覧ください。

よくある質問

Wan 3.0 のプロンプトはどれくらい長く書けますか？

API は最大 20,000 文字を受け付け、中国語の 1 文字も英字 1 文字も 1 と数えます。超えた分はエラーなしで切り捨てられます。Alibaba は推奨の長さを公表しておらず、私たちの 5 本は 398 から 670 文字でした。

Wan 3.0 はネガティブプロンプトに対応していますか？

wan3.0-video に negative_prompt フィールドはありません。否定はプロンプト本文の末尾に短く並べます。クリップ 5 は「No other text」と書いても、店の窓にもう 1 つ小さな「OPEN LATE」の看板が出たので、望むガラスも一緒に書いてください。

prompt_extend はオフにしたほうがいいですか？

prompt_extend はデフォルトで true で、生成の前に LLM がプロンプトを書き換えます。短いプロンプトには効きますが、待ち時間は増えます。長く構造化したプロンプトで切るべきかどうかを Alibaba は示していないので、私たちはオンのままにしました。それでもクリップ 2 のカットは 2.97 秒と 5.97 秒に入っています。

1 つのプロンプトで 30 秒の動画は作れますか？

duration は 2 から 30 秒を受け付けるので、1 つのプロンプトで 30 秒を埋められます。Alibaba の長い例は 2–5 秒のショットをつないだ作りで、クリップ 2 もそのやり方で 10 秒にしました。

Wan 3.0 のプロンプトは中国語でも書けますか？

書けます。API は中国語と英語のプロンプトを受け付け、上限の 20,000 文字では中国語の 1 文字を 1 と数えます。私たちは英語で書きました。

更新履歴

• 2026 年 10 月 28 日：初版。5 つのプロンプトは 2026 年 10 月 27 日に実行しました。