Guia de prompts do Wan 3.0: estrutura, exemplos e clipes reais

Um prompt do Wan 3.0 segue a ordem da Alibaba: uma linha de visão geral, as referências, planos numerados com hora de início e fim, o diálogo entre aspas, som e música, estilo e, no fim, uma lista curta do que não pode aparecer. Rodamos cinco prompts em 720P em 27 de outubro de 2026: os cortes cronometrados e a fala saíram como escritos; uma ação e uma linha de "no other text" não.

A estrutura do prompt do Wan 3.0

O guia de prompts do Wan 3.0 da Alibaba (atualizado em 16 de outubro de 2026) ordena as partes assim: descrição geral, citação da referência, um bloco por plano, diálogo, som e BGM, estilo e, por último, a lista negativa. Uma frase só já produz um vídeo; a estrutura é o que faz o resultado parecer com o que você imaginou.

• Para uma tomada só, coloque "Generate single shot" na primeira linha. Para vários planos, numere cada um com hora de início e fim, 2–5 segundos cada, emendados sem vãos nem sobreposições. [0-3s] e (00:00-00:03) funcionam igual, então escolha um e mantenha, e nomeie a transição, como "hard cut".
• Escreva o diálogo como falante, verbo de fala, dois-pontos e a frase entre aspas duplas, e acrescente "Lip sync." para o movimento da boca. Escreva "No dialogue." quando não quiser nenhum; sem isso, o modelo decide. O guia geral mais antigo da Alibaba diz que lip sync com as palavras exatas não é confiável, mas os exemplos dele são do Wan 2.2 e do 2.5 (o que mudou depois está em Wan 3.0 vs Wan 2.7). O guia do 3.0 acrescenta a etiqueta "Lip sync", e o clipe 3 entregou a fala palavra por palavra.
• A música tem três níveis: não escrever nada e deixar o modelo escolher, nomear a música ou escrever "No background music." Os efeitos sonoros acompanham a ação, o material e o tempo que você descreve.
• O wan3.0-video não tem parâmetro negative_prompt, então os negativos vão no texto do prompt: uma lista curta só do que não pode aparecer, sem enchimento nem repetir o prompt positivo. Exemplos da Alibaba: "No face distortion", "No subtitles", "No costume changes".
• O prompt pode ser em chinês ou inglês, até 20,000 caracteres; o que passa disso é cortado sem erro. A Alibaba não publica um tamanho recomendado, e nossos cinco prompts tinham de 398 a 670 caracteres.

A Alibaba também oferece um Skill de ajuste de prompts para o console, o /wan3-pe, que não usamos.

Como fizemos os clipes

• Modelo wan3.0-video pela API assíncrona de mídia da OmniaKey em 27 de outubro de 2026 (horário de Pequim), com resolution 720P e prompt_extend, audio e seed nos padrões da Alibaba: reescrita do prompt ligada, áudio ligado, semente aleatória. Os clipes 1, 2, 3 e 5 foram text_to_video e o clipe 4 image_to_video; ratio foi 16:9, menos o clipe 5 em 9:16, e duration 10 no clipe 2 e 5 nos demais.
• O clipe 4 parte de um still que fizemos no GPT Image 2 em 1536×1024, qualidade medium, recortado em 16:9 e enviado em input.media com type first_frame, como JPEG embutido de 1024 px de largura para ficar abaixo do limite de 1 MiB.
• As cinco tarefas deram certo na primeira tentativa: MP4, H.264, 30 fps com faixa AAC, 1280×720 (clipe 5: 720×1280), 5.04 s (clipe 2: 10.03 s). A geração levou 197.8 s, 334.3 s, 215.5 s, 153.2 s e 193.8 s por clipe, ou seja, cerca de 2.5 a 5.5 minutos.
• Vimos quadros em horários fixos, em tamanho real, passamos um detector de troca de cena em cada clipe e conferimos cada trilha com dois modelos de áudio do Gemini e uma curva de volume; as afirmações sobre som abaixo são as em que essas checagens concordaram.
• A OmniaKey vende acesso à API do Wan 3.0, então os clipes rodaram por ela. Os preços abaixo são os de tabela da Alibaba Cloud, não os nossos.
• Fontes: o guia de prompts do Wan 3.0 da Alibaba, o guia de geração de vídeo do Wan 3.0, a referência da API e a página de preços do Model Studio, conferidas em 27 de outubro de 2026.

Rodamos um clipe por prompt, então trate cada resultado como uma única amostra.

Cinco prompts com clipes reais

1. Um único plano: câmera, lente, som e estilo

O clipe 1 reúne as partes dentro de um plano contínuo.

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.

Em português: um único plano sem cortes. Ao amanhecer, junto a uma janela com chuva, a mão de uma mulher levanta um bule de cerâmica feito à mão sobre uma mesa de carvalho gasta e serve chá numa xícara branca pequena. A câmera avança devagar de um plano médio para o close da xícara, com 85 mm e pouca profundidade de campo. O som é a chuva no vidro, o chá caindo na xícara e um tilintar leve de porcelana; o clima é calmo e fotorrealista, em verde-azulado discreto e âmbar quente. Sem diálogo nem música, e sem texto, legendas ou marca d'água.

Configurações: text_to_video, 16:9, 720P, 5 s, padrões ligados.

Resultado: um plano sem cortes no clima certo; o avanço para antes da xícara sozinha.

• Um plano contínuo sem cortes: o bule, a xícara branca e a mesa gasta estão lá, com as gotas de chuva desfocadas no vidro.
• Uma mão entra pela direita, levanta o bule e serve o chá âmbar enquanto o vapor sobe.
• O avanço acontece, mas termina com a xícara e o bico juntos em vez da xícara sozinha, e os quadros não mostram um feixe de luz definido. Som: só o servir; nenhum dos dois modelos de áudio ouviu a chuva.

O que mudar:

• Para um fim mais fechado, tente nomear o último enquadramento: "ends on an extreme close-up of the cup".
• Tente nomear menos sons de fundo e ligar cada um a algo visível.

2. Três planos cronometrados com cortes secos

O clipe 2 é o teste de vários planos: três planos numerados em 10 segundos, com transições nomeadas.

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.

Em português: dez segundos e três planos de uma ciclista ao nascer do sol numa estrada costeira, com a mesma ciclista, a jaqueta vermelha e a bicicleta prateada em todos. O plano 1 é um plano aberto com câmera fixa, o 2 é um travelling baixo na altura da roda, o 3 é um close frontal, e as duas transições são cortes secos. O som é vento, pneus zumbindo no asfalto e gaivotas ao longe, a música é um violão leve e esperançoso, e não há diálogo, texto nem troca de figurino.

Configurações: text_to_video, 16:9, 720P, 10 s, padrões ligados.

Resultado: os três planos e os dois cortes entraram como escritos.

• O detector de cortes os encontrou em 2.97 s e 5.97 s, contra as marcas de 3 s e 6 s.
• O plano 1 é uma vista aberta e fixa de uma estrada costeira ao nascer do sol, com o sol baixo sobre o mar e uma gaivota no céu, e a ciclista de vermelho vem do plano médio até sair pela esquerda.
• O plano 2 acompanha baixo ao lado de uma bicicleta de estrada prateada, com corrente, marchas e pernas pedalando nítidas e estrada e rodas desfocadas; o plano 3 é um close frontal de uma mulher de jaqueta vermelha e capacete branco, boca aberta ao expirar, depois um sorriso quando o sol brilha atrás dela.
• Som: uma melodia suave de cordas dedilhadas, vento e gaivotas, sem fala, e os modelos de áudio discordaram sobre o instrumento.

O que mudar:

• Se o instrumento importa, tente descrever também o toque: "solo acoustic guitar, slow strumming".

3. Uma fala entre aspas, com lip sync

O clipe 3 põe uma fala entre aspas duplas e acrescenta a 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.

Em português: um plano único, plano médio-fechado, câmera fixa na altura dos olhos. Uma barista de uns trinta anos, cabelo curto e cacheado e avental verde, está atrás do balcão de um café com um copo para viagem na mão. Ela olha para a câmera, sorri e diz a fala com os lábios se movendo. O som é o burburinho baixo do café e o chiado de um vaporizador de leite, sem música, e sem legendas, texto na tela ou distorção no rosto.

Configurações: text_to_video, 16:9, 720P, 5 s, padrões ligados.

Resultado: a fala, o movimento dos lábios e a ausência de legendas se mantiveram.

• Um plano com câmera fixa: uma mulher de cabelo cacheado, camisa branca e avental verde-escuro está atrás de um balcão, segurando um copo para viagem com as duas mãos.
• Ela olha para a câmera, sorri e fala mexendo os lábios, e os dois modelos de áudio transcreveram a fala palavra por palavra, em dois trechos por volta de 1.0–2.5 s e 3.3–4.0 s.
• O quadro ficou livre de legendas e de texto na tela. Som: só o burburinho do café, e nenhum modelo ouviu o vaporizador de leite.

O que mudar:

• Para duas pessoas, tente dar a cada fala a sua própria frase e nomear quem fala, que é o formato da Alibaba.
• Se precisa do vaporizador, tente mostrá-lo: "the steam wand hisses beside her".

4. Imagem para vídeo: o still define o visual

O clipe 4 parte de um still, então o prompt só carrega movimento, câmera e som. Fizemos o still no GPT Image 2 e recortamos em 16:9; o prompt dele pedia uma imagem fotorrealista ao nascer do sol de um balão de ar quente antigo em vermelho e creme amarrado num campo com orvalho, dois passageiros no cesto, névoa baixa e uma linha de árvores ao longe. O guia de prompts do GPT Image 2 cobre o still.

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.

Em português: a primeira imagem é o primeiro quadro. A amarra é solta e o balão sobe devagar do campo, o queimador solta uma chama laranja duas vezes e os dois passageiros acenam para o campo. A câmera inclina devagar para cima, acompanhando a subida. O som é o rugido do queimador, o canto dos pássaros e o vento, sem diálogo nem música. As cores do balão e as roupas dos passageiros não mudam, e não entram pessoas novas nem texto.

Configurações: image_to_video, 16:9, 720P, 5 s, still enviado como primeiro quadro.

Resultado: o visual e o movimento de câmera batem; uma ação ficou de fora.

• O clipe abre no enquadramento do still, com as cores do balão, os passageiros e as roupas sem mudança e ninguém novo. O balão decola e sobe, e a câmera inclina para cima até sobrar só o céu; os dois passageiros levantam os braços e acenam.
• A chama acende por volta de 0.7 s e fica acesa até o fim, então os quadros mostram uma única chama; duas cordas continuam presas ao chão, então a soltura ficou de fora.
• Som: um rugido grave sem fala nem música, mais alto em dois jatos por volta de 0.5–1.5 s e 3.5–4.8 s, então o "duas vezes" apareceu no som; nenhum modelo ouviu o canto dos pássaros.

O que mudar:

• Mostre a soltura como uma ação visível: "a crew member unties the ropes and the ropes fall away".
• Para uma chama que acende duas vezes, tente "the flame flares, dies down, then flares again".

5. Vídeo vertical e texto da placa entre aspas

O clipe 5 testa o formato vertical e põe as palavras na tela entre aspas.

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.

Em português: vertical 9:16 e um plano só. Uma viela estreita à noite depois da chuva; sobre uma pequena loja de macarrão, uma placa de neon rosa diz "OPEN LATE" em maiúsculas grossas e se reflete no chão molhado, e vapor sai da porta. A câmera desce devagar da placa até a porta. O som é chuva fina, o zumbido do neon e trânsito ao longe, sem diálogo nem música. Fotografia noturna cinematográfica, visual de filme 35 mm, magenta e verde-azulado. Sem outro texto, legendas, marca d'água ou logotipos.

Configurações: text_to_video, 9:16, 720P, 5 s, padrões ligados.

Resultado: a placa e a inclinação batem; apareceu texto a mais.

• Um clipe vertical com uma placa de neon rosa dizendo "OPEN LATE" numa parede de tijolos acima da porta de uma loja, com a grafia certa em todos os quadros que conferimos.
• A inclinação funciona: a placa começa em cima e termina cortada pela borda superior, com a porta e o chão molhado tingido de rosa preenchendo o quadro.
• Dois deslizes, ambos de texto: uma segunda placa "OPEN LATE" menor na vitrine e marcas no batente, apesar de "No other text". Som: sem fala e sem música; os modelos de áudio discordaram, um ouviu água e o outro vento.

O que mudar:

• Descreva também o que você quer: tente "plain dark glass in the window", porque a lista negativa serve só para o que não pode aparecer.

Falhas comuns e correções

A Alibaba agrupa as listas negativas pela falha que elas evitam: rostos, texto, estilo, som, ação, câmera, espaço e consistência.

Quanto custa um clipe

A Alibaba cobra o wan3.0-video por segundo de saída, numa tarifa definida pela resolução pedida.

São os preços de tabela internacionais da Alibaba Cloud, conferidos em 27 de outubro de 2026; a página de preços marca os três com 30% de desconto por tempo limitado.

O wan3.0-video-prime, a versão rápida da Alibaba com as mesmas capacidades, está na tabela a $0.068, $0.14 e $0.28 por segundo para 480P, 720P e 1080P.

A resolution padrão é 1080P, então uma requisição sem ela é cobrada em 1080P: $1.00 por 5 segundos e $0.50 em 720P. O áudio custa o mesmo ligado ou desligado, e vem ligado.

Nossos cinco clipes somaram 30 segundos em 720P, $3.00 na tabela e $2.10 com o desconto. Para comparar modelos, veja Kling 3.0 vs Wan 3.0; para as tarifas atuais da OmniaKey, veja a página do modelo Wan 3.0.

Executar estes prompts pela API

Esta requisição envia o prompt da ciclista do clipe 2, com as linhas de plano como \n dentro da string JSON e uma Idempotency-Key fixa:

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. A resposta é 202 com um id de tarefa.
2. Consulte https://api.omniakey.com/v1/media/tasks/{id} com o mesmo id e repita sobre status, não sobre progress.percent, que pode ficar em 0 enquanto o clipe é renderizado. Nossos clipes levaram de 2.5 a 5.5 minutos: continue consultando e não reenvie, porque a mesma Idempotency-Key e o mesmo corpo devolvem a mesma tarefa e não são cobrados duas vezes.
3. Baixe o clipe de assets[0].url, um link assinado que dura cerca de uma hora, e consulte de novo para obter um novo se ele expirar.

Para imagem para vídeo, defina operation como image_to_video e envie o still em input.media com type first_frame, como URL HTTPS ou data URI, com a requisição inteira em no máximo 1 MiB, e comece o prompt com "Image 1 is the first frame." Para a faixa mais rápida, envie wan3.0-video-prime. Um job do Wan 3.0 cancelado na OmniaKey continua renderizando e é cobrado se der certo, porque o Wan 3.0 não tem cancelamento do lado do provedor. Comece pela página do modelo Wan 3.0 e veja a documentação da API de vídeo.

Perguntas frequentes

Qual é o tamanho máximo de um prompt do Wan 3.0?

A API aceita até 20,000 caracteres, contando cada caractere chinês ou letra como um, e corta o que passar sem erro. A Alibaba não publica um tamanho recomendado; nossos cinco prompts tinham de 398 a 670 caracteres.

O Wan 3.0 aceita prompts negativos?

Não existe campo negative_prompt para o wan3.0-video; os negativos são uma lista curta no fim do texto do prompt. O clipe 5 acrescentou uma segunda placa "OPEN LATE" menor na vitrine apesar de "No other text", então descreva também o vidro que você quer.

Devo desligar o prompt_extend?

O prompt_extend vem em true, e um LLM reescreve o prompt antes da geração, o que ajuda prompts curtos e acrescenta latência. A Alibaba não orienta desligá-lo em prompts longos e estruturados, então deixamos ligado, e o clipe 2 ainda cortou em 2.97 s e 5.97 s.

O Wan 3.0 faz um vídeo de 30 segundos com um prompt?

O duration aceita de 2 a 30 segundos, então um prompt pode preencher 30 segundos. Os exemplos longos da Alibaba são montados com planos de 2–5 segundos, e foi assim que o clipe 2 chegou a 10 segundos.

Posso escrever prompts do Wan 3.0 em chinês?

Pode. A API aceita prompts em chinês e inglês, e o limite conta cada caractere chinês como um. Escrevemos os nossos em inglês.

Registro de atualizações

• 28 de outubro de 2026: primeira versão, com cinco prompts rodados em 27 de outubro de 2026.