Промпты для Wan 3.0: структура, примеры и реальные ролики

Промпт для Wan 3.0 пишется в порядке Alibaba: строка общего описания, ссылки на материалы, пронумерованные кадры с началом и концом, реплика в кавычках, звук и музыка, стиль, а в конце короткий список того, чего быть не должно. Мы запустили пять промптов в 720P 27 октября 2026 года: склейки по времени и произнесённая реплика вышли как написано, одно действие и одна строка "No other text" — нет.

Структура промпта Wan 3.0

Руководство Alibaba по промптам Wan 3.0 (обновлено 16 октября 2026 года) задаёт такой порядок: общее описание, указание материала, блок для каждого кадра, диалог, звук и BGM, стиль, затем список запретов. Видео получается и из одного предложения; структура нужна, чтобы результат совпал с задуманной картинкой.

• Для одного непрерывного кадра поставьте "Generate single shot" в первую строку. Для нескольких кадров пронумеруйте их с началом и концом, по 2–5 секунды каждый, стык в стык без пропусков и наложений. [0-3s] и (00:00-00:03) работают одинаково, выберите один вариант и держитесь его, а переход назовите, например "hard cut".
• Диалог пишите как говорящий, глагол речи, двоеточие и реплику в двойных кавычках, затем добавьте "Lip sync." для движения губ. Пишите "No dialogue.", если реплик не нужно; иначе модель решает сама. Старое общее руководство Alibaba по Wan называет липсинк под точные слова ненадёжным, но его примеры из Wan 2.2 и 2.5 (что изменилось с тех пор, есть в Wan 3.0 vs Wan 2.7). Руководство 3.0 добавляет тег "Lip sync", и ролик 3 выдал реплику слово в слово.
• У музыки три уровня: ничего не писать и оставить выбор модели, назвать музыку или написать "No background music." Звуковые эффекты следуют за действием, материалом и погодой, которые вы описали.
• У wan3.0-video нет параметра negative_prompt, поэтому запреты живут в тексте промпта: короткий список только того, чего быть не должно, без воды и без повтора положительного описания. Примеры Alibaba: "No face distortion", "No subtitles", "No costume changes".
• Промпт может быть на китайском или английском, до 20,000 символов; лишнее обрезается без ошибки. Alibaba не публикует рекомендуемую длину, а наши пять промптов заняли от 398 до 670 символов.

Ещё Alibaba поставляет для консоли Skill для настройки промптов, /wan3-pe; мы им не пользовались.

Как мы делали ролики

• Модель wan3.0-video через асинхронный медиа-API OmniaKey 27 октября 2026 года (по пекинскому времени), с resolution 720P, а prompt_extend, audio и seed оставлены по умолчанию у Alibaba: переписывание промпта включено, звук включён, сид случайный. Ролики 1, 2, 3 и 5 шли через text_to_video, ролик 4 — через image_to_video; ratio был 16:9, кроме ролика 5 с 9:16, duration 10 у ролика 2 и 5 у остальных.
• Ролик 4 начинается с кадра, который мы сделали в GPT Image 2 размером 1536×1024, качество medium, обрезали до 16:9 и отправили в input.media с type first_frame как встроенный JPEG шириной 1024 px, чтобы уложиться в лимит 1 MiB.
• Все пять задач прошли с первой попытки: MP4, H.264, 30 fps с дорожкой AAC, 1280×720 (ролик 5: 720×1280), 5.04 с (ролик 2: 10.03 с). Генерация заняла 197.8 с, 334.3 с, 215.5 с, 153.2 с и 193.8 с на ролик, то есть примерно от 2.5 до 5.5 минут.
• Мы смотрели кадры в заданные моменты в полном размере, прогоняли детектор смены сцены по каждому ролику и проверяли каждую звуковую дорожку двумя аудиомоделями Gemini и кривой громкости; утверждения о звуке ниже — те, в которых эти проверки совпали.
• OmniaKey продаёт доступ к API Wan 3.0, поэтому ролики шли через него. Цены ниже — прайс-лист Alibaba Cloud, не наши.
• Источники: руководство Alibaba по промптам Wan 3.0, руководство по генерации видео Wan 3.0, справочник API и страница цен Model Studio, проверены 27 октября 2026 года.

На каждый промпт мы запускали один ролик, так что считайте каждый результат одной пробой.

Пять промптов и реальные ролики

1. Один кадр: камера, оптика, звук и стиль

Ролик 1 собирает все части внутри одного непрерывного кадра.

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.

Перевод: один кадр без склеек. На рассвете у окна с дождём женская рука поднимает гончарный керамический чайник с потёртого дубового стола и наливает чай в маленькую белую чашку. Камера медленно наезжает со среднего плана на крупный план чашки, 85 мм, малая глубина резкости. Звук — дождь по стеклу, чай в чашке и тихий звон фарфора; тихо и фотореалистично, приглушённая бирюза и тёплый янтарь. Без диалога и музыки, без текста, субтитров и водяного знака.

Настройки: text_to_video, 16:9, 720P, 5 с, по умолчанию.

Результат: непрерывный кадр и нужное настроение; наезд останавливается раньше, чем осталась бы одна чашка.

• Один непрерывный кадр без склеек: чайник, белая чашка и потёртый стол на месте, капли дождя на стекле размыты.
• Справа входит рука, поднимает чайник и наливает янтарный чай, поднимается пар.
• Наезд получился, но заканчивается на чашке и носике вместе, а не на одной чашке, и заметного луча света в кадрах нет. Звук: слышно только наливание; дождь не услышала ни одна из двух аудиомоделей.

Что менять:

• Для более плотной концовки назовите последний кадр: "ends on an extreme close-up of the cup".
• Назовите меньше фоновых звуков и привяжите каждый к чему-то видимому.

2. Три кадра по времени и жёсткие склейки

Ролик 2 — проверка на несколько кадров: три пронумерованных кадра за 10 секунд, с названными переходами.

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.

Перевод: десять секунд и три кадра с велосипедисткой на рассвете на прибрежной дороге, одна и та же гонщица, красная куртка и серебристый велосипед во всех кадрах. Кадр 1 — общий план с неподвижной камерой, кадр 2 — съёмка сбоку на высоте колеса, кадр 3 — крупный план спереди, оба перехода — жёсткие склейки. Звук — ветер, шины гудят по асфальту, далёкие чайки, музыка — лёгкая оптимистичная акустическая гитара; без диалога, текста и смены костюма.

Настройки: text_to_video, 16:9, 720P, 10 с, по умолчанию.

Результат: все три кадра и обе склейки пришли как написано.

• Детектор склеек нашёл их на 2.97 с и 5.97 с при заданных 3 с и 6 с.
• Кадр 1 — общий неподвижный вид прибрежной дороги на рассвете, солнце низко над морем, в небе чайка; гонщица в красном едет из среднего плана и уходит влево.
• Кадр 2 низко идёт рядом с серебристым шоссейным велосипедом, цепь, звёзды и педалирующие ноги резкие, дорога и колёса размыты; кадр 3 — крупный план спереди: женщина в красной куртке и белом шлеме, рот открыт на выдохе, затем улыбка, когда солнце вспыхивает позади.
• Звук: мягкая мелодия щипковых струн, ветер и чайки, речи нет; насчёт инструмента две аудиомодели разошлись.

Что менять:

• Если инструмент важен, опишите и игру: "solo acoustic guitar, slow strumming".

3. Реплика в кавычках и липсинк

Ролик 3 ставит одну реплику в двойные кавычки и добавляет тег "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.

Перевод: один кадр, средний крупный план, неподвижная камера на уровне глаз. Бариста лет тридцати с короткими кудрявыми волосами и зелёным фартуком стоит за стойкой кафе со стаканом на вынос. Она смотрит в камеру, улыбается и произносит реплику с движением губ. Звук — негромкий гул кафе и шипение парового кувшина для молока, музыки нет; без субтитров, текста в кадре и искажений лица.

Настройки: text_to_video, 16:9, 720P, 5 с, по умолчанию.

Результат: реплика, движение губ и отсутствие субтитров удержались.

• Один кадр с неподвижной камерой: женщина с кудрявыми волосами, белой рубашкой и тёмно-зелёным фартуком стоит за стойкой и держит стакан на вынос двумя руками.
• Она смотрит в камеру, улыбается и говорит, двигая губами, и обе аудиомодели расшифровали реплику слово в слово, двумя кусками примерно на 1.0–2.5 с и 3.3–4.0 с.
• Кадр остался чистым от субтитров и текста на экране. Звук: только гул кафе, паровой кувшин не услышала ни одна модель.

Что менять:

• Для двух говорящих дайте каждой реплике своё предложение и назовите говорящего, это формат Alibaba.
• Если нужен паровой кувшин, покажите его: "the steam wand hisses beside her".

4. Изображение в видео: кадр задаёт картинку

Ролик 4 начинается с неподвижного кадра, поэтому промпт несёт только движение, камеру и звук. Кадр мы сделали в GPT Image 2 и обрезали до 16:9; его промпт просил фотореалистичный снимок на рассвете старинного красно-кремового воздушного шара, привязанного на лугу с росой, двух пассажиров в корзине, низкий туман и дальнюю линию деревьев. Про сам кадр есть руководство по промптам 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.

Перевод: первое изображение — первый кадр. Верёвка отпущена, шар медленно поднимается с луга, горелка дважды вспыхивает оранжевым, два пассажира машут вниз, к лугу. Камера медленно наклоняется вверх, следуя за подъёмом. Звук — рёв горелки, пение птиц, ветер, без диалога и музыки. Цвета шара и одежда пассажиров не меняются, новых людей и текста нет.

Настройки: image_to_video, 16:9, 720P, 5 с, кадр отправлен как первый.

Результат: картинка и движение камеры совпали; одно действие пропущено.

• Ролик открывается кадрированием исходника: цвета шара, пассажиры и их одежда не изменились, новых людей нет. Шар отрывается и поднимается, камера наклоняется вверх, пока не остаётся только небо; оба пассажира поднимают руки и машут.
• Пламя зажигается примерно на 0.7 с и горит до конца, поэтому в кадрах одна вспышка; две верёвки так и остаются привязанными к земле, значит освобождение пропущено.
• Звук: низкий рёв без речи и музыки, громче всего двумя всплесками примерно на 0.5–1.5 с и 3.5–4.8 с, так что «дважды» проявилось в звуке; пение птиц не услышала ни одна модель.

Что менять:

• Покажите освобождение как видимое действие: "a crew member unties the ropes and the ropes fall away".
• Для пламени, которое вспыхивает дважды: "the flame flares, dies down, then flares again".

5. Вертикальное видео и текст вывески в кавычках

Ролик 5 проверяет вертикальный формат и слова в кадре, взятые в кавычки.

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.

Перевод: вертикаль 9:16 и один кадр. Узкий переулок ночью после дождя; над маленькой лапшичной розовая неоновая вывеска горит "OPEN LATE" жирными заглавными буквами и отражается в мокром асфальте, из двери тянется пар. Камера медленно опускается от вывески к двери. Звук — мелкий дождь, гул неона, дальний транспорт, без диалога и музыки. Кинематографичная ночная съёмка, вид плёнки 35 мм, маджента и бирюза. Без другого текста, субтитров, водяного знака и логотипов.

Настройки: text_to_video, 9:16, 720P, 5 с, по умолчанию.

Результат: вывеска и наклон совпали; появился лишний текст.

• Вертикальный ролик: розовая неоновая вывеска "OPEN LATE" на кирпичной стене над дверью магазина, во всех проверенных кадрах написано верно.
• Наклон работает: вывеска начинается сверху и к концу обрезается верхним краем, а дверь и мокрый асфальт в розовом свете заполняют кадр.
• Две ошибки, обе по тексту: вторая вывеска "OPEN LATE" поменьше в витрине и штрихи на дверной раме, несмотря на "No other text". Звук: речи и музыки нет; аудиомодели разошлись, одна услышала воду, другая ветер.

Что менять:

• Описывайте и то, что хотите: попробуйте "plain dark glass in the window", потому что список запретов только для того, чего быть не должно.

Частые ошибки и как их исправить

Alibaba группирует списки запретов по ошибке, которую они предотвращают: лица, текст, стиль, звук, действие, камера, пространство и постоянство.

Сколько стоит ролик

Alibaba берёт плату за wan3.0-video по секундам выходного видео, а ставку задаёт запрошенное разрешение.

Это международные цены Alibaba Cloud по прайс-листу, проверены 27 октября 2026 года; на странице цен все три отмечены скидкой 30% на ограниченное время.

wan3.0-video-prime, быстрая версия Alibaba с теми же возможностями, стоит по прайс-листу $0.068, $0.14 и $0.28 за секунду для 480P, 720P и 1080P.

resolution по умолчанию — 1080P, поэтому запрос без него считается по 1080P: $1.00 за 5 секунд и $0.50 при 720P. Звук стоит одинаково включённым и выключенным, и по умолчанию он включён.

Наши пять роликов дали 30 секунд в 720P, $3.00 по прайс-листу и $2.10 со скидкой. Для сравнения моделей смотрите Kling 3.0 vs Wan 3.0; текущие тарифы OmniaKey — на странице модели Wan 3.0.

Запуск этих промптов через API

Этот запрос отправляет промпт с велосипедисткой из ролика 2, строки кадров записаны как \n внутри строки JSON, а Idempotency-Key зафиксирован:

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. Ответ — 202 и id задачи.
2. Запрашивайте https://api.omniakey.com/v1/media/tasks/{id} с тем же id и повторяйте по status, а не по progress.percent, который может оставаться на 0, пока ролик рендерится. Наши ролики заняли от 2.5 до 5.5 минут: опрашивайте дальше и не отправляйте заново, потому что тот же Idempotency-Key и то же тело возвращают ту же задачу и не списываются дважды.
3. Скачивайте ролик по assets[0].url, подписанной ссылке примерно на час, и опросите снова за новой, если она истечёт.

Для изображения в видео поставьте operation в image_to_video и отправьте кадр в input.media с type first_frame, как HTTPS-ссылку или data URI, весь запрос не больше 1 MiB, а промпт начинайте с "Image 1 is the first frame." Для более быстрого уровня отправляйте wan3.0-video-prime. Отменённая в OmniaKey задача Wan 3.0 продолжает рендериться и списывается при успехе, потому что у Wan 3.0 нет отмены на стороне провайдера. Начните со страницы модели Wan 3.0 и посмотрите документацию видео-API.

Частые вопросы

Какой длины может быть промпт для Wan 3.0?

API принимает до 20,000 символов, считая каждый китайский иероглиф или букву за один, и обрезает лишнее без ошибки. Alibaba не публикует рекомендуемую длину; наши пять промптов заняли от 398 до 670 символов.

Wan 3.0 поддерживает негативные промпты?

У wan3.0-video нет поля negative_prompt; запреты — это короткий список в конце текста промпта. Ролик 5 добавил вторую вывеску "OPEN LATE" поменьше в витрине, несмотря на "No other text", поэтому описывайте и то стекло, которое хотите.

Стоит ли отключать prompt_extend?

prompt_extend по умолчанию true, и LLM переписывает промпт перед генерацией: коротким промптам это помогает и добавляет задержку. Alibaba не даёт указаний отключать его для длинных структурированных промптов, поэтому мы оставили его включённым, и ролик 2 всё равно склеился на 2.97 с и 5.97 с.

Может ли Wan 3.0 сделать 30-секундное видео по одному промпту?

duration принимает от 2 до 30 секунд, так что один промпт может заполнить 30 секунд. Длинные примеры Alibaba собраны из кадров по 2–5 секунд, именно так ролик 2 дошёл до 10 секунд.

Можно ли писать промпты для Wan 3.0 по-китайски?

Да. API принимает промпты на китайском и английском, и в лимите 20,000 символов каждый китайский иероглиф считается за один. Мы писали свои на английском.

Журнал обновлений

• 28 октября 2026 года: первая версия, пять промптов запущены 27 октября 2026 года.