Wan 3.0 提示词怎么写：结构、示例和实测成片

Wan 3.0 的提示词按阿里的顺序写：一句整体描述、引用的素材、带起止时间的分镜、引号里的台词、音效和配乐、风格，最后是一小段不能出现的东西。我们 2026 年 10 月 27 日用 720P 跑了五条：定时的切镜和那句台词都照写了，一个动作和一句「不要别的文字」没有照做。

Wan 3.0 的提示词结构

阿里的 Wan 3.0 提示词指南（2026 年 10 月 16 日更新）给的顺序是：整体描述、引用素材、每个镜头的分段、台词、音效和配乐、风格和气氛，最后是否定清单。一句话也能出片，写全这些部分只是让成片更接近你想要的画面。

• 只要一个连续镜头，就在第一行写「Generate single shot」。要多个镜头，就给每个镜头编号并写起止时间，每段 2–5 秒，首尾相接，不留空档也不重叠。[0-3s] 和 (00:00-00:03) 都行，选一种用到底，转场要写出来，比如「hard cut」。
• 台词写成「谁 + 说话动词 + 冒号 + 双引号里的词」，再补一句「Lip sync.」让嘴型跟上。不想要台词就写「No dialogue.」，不写的话模型自己决定加不加。阿里更早的通用 Wan 指南说逐字对口型不可靠，但它的例子用的是 Wan 2.2 和 2.5（之后改了什么，见 Wan 3.0 vs Wan 2.7）。3.0 的指南加了「Lip sync」这个标签，我们第 3 段的台词也一字不差。
• 音乐有三档：什么都不写，让模型自己定；点名要什么音乐；写「No background music.」完全不要。音效会跟着你写的动作、材质和天气走。
• wan3.0-video 没有 negative_prompt 参数，否定词就写在提示词里。结尾一小段只列不能出现的东西，别堆砌，也别把正面描述再重复一遍。官方给的例子有「No face distortion」「No subtitles」「No costume changes」。
• 提示词中英文都行，最长 20,000 个字符，超出会被直接截断，不报错。官方没有给推荐长度。我们这五条是 398 到 670 个字符。

阿里还提供一个提示词优化 Skill，在控制台里用 /wan3-pe 调用，这五条我们没用它。

我们怎么跑的

• 模型 wan3.0-video，2026 年 10 月 27 日（北京时间）通过 OmniaKey 的异步媒体接口跑，全部 resolution 720P。prompt_extend、audio、seed 都没传，用的是阿里默认值：自动改写提示词、开声音、随机种子。第 1、2、3、5 段走 text_to_video，第 4 段走 image_to_video。除第 5 段是 9:16，其余都是 16:9；duration 第 2 段 10 秒，其余 5 秒。
• 第 4 段的首帧是我们用 GPT Image 2 出的图，1536×1024、quality medium，裁成 16:9 后放进 input.media，type 写 first_frame。为了不超过 1 MiB，这张图转成 1024 像素宽的 JPEG 内联发送。
• 五个任务都是一次成功：MP4、H.264、30 fps、带 AAC 音轨，1280×720（第 5 段 720×1280），5.04 秒（第 2 段 10.03 秒）。生成用了 197.8、334.3、215.5、153.2、193.8 秒，大约 2.5 到 5.5 分钟。
• 检查方法：按固定时间抽帧，放大到原尺寸看；每段都跑了切镜检测；声音用两个 Gemini 音频模型加响度曲线核对。下面关于声音的说法，都是这几项一致的结论。
• OmniaKey 在卖 Wan 3.0 的接口，这些片段就是通过它跑的。下面的价格是阿里云的官方价，不是我们的价格。
• 来源：阿里的 Wan 3.0 提示词指南、Wan 3.0 视频生成指南、接口文档和模型价格页，2026 年 10 月 27 日核对。

每条提示词只跑了一次，每个结果都只是一个样本。

五条提示词和实测成片

1. 单镜头：运镜、镜头、声音和风格

第 1 段把各个部分都放在一个连续镜头里。

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.

意思是：只要一个镜头不切；黎明的雨窗边，一只手提起陶壶往小白杯里倒茶，镜头从半身慢慢推到杯子特写，85mm、浅景深；声音是雨、倒茶和瓷器轻响，安静写实，青绿配暖琥珀；不要台词、配乐和字幕。

设置： text_to_video，16:9，720P，5 秒，其余用默认值。

结果：镜头和氛围都对，结尾构图差一点。

• 一个镜头到底，没有切：陶壶、白杯和旧木桌都在，窗玻璃上的雨滴在背景里虚着。
• 一只手从右边进画，提起壶倒茶，热气升起来。
• 推近做到了，但最后是杯子和壶嘴一起占满画面，没有单停在杯子上；画面里也没有出现明显的光柱。声音：只有倒茶声，没有台词和配乐，两个音频模型都没听出雨声。

怎么改：

• 想要更紧的结尾，可以试试把最后的构图写出来：「ends on an extreme close-up of the cup」。
• 背景音可以少写几个，每个都挂在一件看得见的东西上。

2. 三个定时镜头，硬切衔接

第 2 段是多镜头测试：10 秒里三个编号镜头，转场写明。

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.

意思是：10 秒三个镜头，同一个骑手、红夹克、银色公路车；第一镜固定机位远景，第二镜在车轮高度跟拍，第三镜正面特写，两个转场都写硬切；声音是风、胎噪和海鸥，配乐是轻快的木吉他，不要台词、文字和换装。

设置： text_to_video，16:9，720P，10 秒，其余用默认值。

结果：三个镜头和切点都照做了。

• 切镜检测找到的切点是 2.97 秒和 5.97 秒，提示词写的是 3 秒和 6 秒。
• 第一镜是日出的海边公路远景，天上有一只海鸥，穿红夹克的骑手从画面中段骑到左侧出画。
• 第二镜在车轮高度跟拍银色公路车，链条、齿轮和蹬踏的腿清楚，路面和转动的车轮虚掉；第三镜是正面特写，红夹克、白头盔，先张嘴呼气，再笑，阳光在她身后右侧。
• 声音：一段轻快的拨弦旋律、风声和海鸥，没有台词；两个音频模型对乐器说法不一。

怎么改：

• 乐器的音色重要的话，可以试试把弹法也写上：「solo acoustic guitar, slow strumming」。

3. 引号里的一句台词，对口型

第 3 段把一句台词放进双引号，再加上「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.

意思是：一个固定机位的近景，三十多岁、短卷发、系绿围裙的咖啡师站在柜台后，手里拿着一只外带杯，看着镜头笑着说那句台词，嘴型要对上；声音只要咖啡馆的低语和奶泡机的蒸汽声，不要配乐，也不要字幕和画面文字。

设置： text_to_video，16:9，720P，5 秒，其余用默认值。

结果：台词、口型和「不要字幕」都做到了。

• 一个固定机位的镜头：短卷发、白衬衫、深绿围裙的女人站在柜台后，双手拿着外带杯。
• 她看着镜头笑，说话时嘴唇跟着动；两个音频模型都把台词逐字转写了出来，分两段，大约在 1.0–2.5 秒和 3.3–4.0 秒。
• 画面上没有字幕，也没有别的文字。声音：没有配乐，有咖啡馆的人声；两个模型都没听出奶泡机。

怎么改：

• 两个人对话时，可以试试一句一行，每句都写清是谁在说，这也是官方的写法。
• 一定要有奶泡机的声音，可以试试把它写进画面：「the steam wand hisses beside her」。

4. 图生视频：让首帧定画面

第 4 段从一张图开始，提示词只管动作、镜头和声音。首帧是我们用 GPT Image 2 出的图，裁成 16:9；当时要的是日出时分的草甸上，一只红白条纹的热气球充好气系在地面，篮子里站着两位穿厚外套的乘客，低雾，远处一排树，写实广角。静态图怎么写出这种效果，见GPT Image 2 提示词指南。

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.

意思是：第一帧就是那张图；绳子松开，热气球慢慢离地，燃烧器喷两次橙色的火，两位乘客朝地面挥手；镜头跟着升起的球往上摇；声音是燃烧器的轰鸣、鸟叫和风，不要台词和配乐；球的颜色和乘客的衣服保持不变，不要新的人，也不要文字。

设置： image_to_video，16:9，720P，5 秒，图片作为首帧。

结果：画面和镜头对，动作漏了一步。

• 开头就是那张图的构图，气球颜色、两位乘客和衣服都没变，也没有多出人来。
• 气球离地上升，镜头跟着往上摇，最后画面里只剩天空；两位乘客举起手臂挥手。
• 火焰在 0.7 秒左右亮起，一直亮到结尾，画面里只看到一次火；两根绳子始终连着地面，系绳一直没松开。
• 声音：没有台词，没有配乐，一段低沉的轰鸣在 0.5–1.5 秒和 3.5–4.8 秒最响，所以「两次」是出现在声音里；没听到鸟叫。

怎么改：

• 想看到松开绳子，可以试试写成看得见的动作：「a crew member unties the ropes and the ropes fall away」。
• 想让火喷两次，可以试试把间隔写出来：「the flame flares, dies down, then flares again」。

5. 竖屏视频和引号里的招牌字

第 5 段测竖屏，也测引号里的招牌文字。

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.

意思是：竖屏 9:16，一个镜头；雨后的夜晚窄巷，小面馆上方一块粉色霓虹灯牌写着「OPEN LATE」，倒映在湿地面，门口飘出热气；镜头从灯牌慢慢往下摇到门口；声音是细雨、霓虹的嗡鸣和远处的车流，不要台词和配乐；电影感的夜景、35mm 胶片质感、洋红配青绿；不要别的文字、字幕、水印和 logo。

设置： text_to_video，9:16，720P，5 秒，其余用默认值。

结果：灯牌和摇镜对，多出一处文字。

• 竖屏片段，砖墙上方的粉色霓虹灯牌写着「OPEN LATE」，我们看过的每一帧都拼对了。
• 摇镜也做到了：开头灯牌在上半部分，结尾被切在画面顶部，门口和被映成粉色的湿地占满画面。
• 两处失误都跟文字有关：橱窗里多了一块更小的「OPEN LATE」，门框上还有几笔像字的痕迹，虽然写了「No other text」。声音：没有台词和配乐，两个音频模型说法不一，一个听到水声，另一个听到风声。

怎么改：

• 想要的地方也正面写出来，可以试试「plain dark glass in the window」，否定的部分只留给不能出现的东西。

常见失败和修法

官方按失败类型分了否定清单：人脸、文字、风格、声音、动作、镜头、空间和一致性。

一条片子多少钱

wan3.0-video 按输出秒数计费，单价看你要的分辨率。

这是阿里云国际站的官方价，2026 年 10 月 27 日核对；价格页上三档都标着限时 7 折。

wan3.0-video-prime 是阿里的高速版，能力和标准版一致，端到端速度明显更快。480P、720P、1080P 分别是每秒 $0.068、$0.14、$0.28。

resolution 默认是 1080P，请求里不写就按 1080P 计费：5 秒一条是 $1.00，写 720P 只要 $0.50。音频开不开价格一样，默认是开。

我们这五条一共 30 秒 720P，按官方价是 $3.00，打七折是 $2.10。想横向比模型，可以看可灵 3.0 对比 Wan 3.0。OmniaKey 现在的价格，以 Wan 3.0 模型页 为准。

国内怎么用

OmniaKey 支持人民币直充（支付宝、微信支付），一个 key 就能调用 Wan 3.0 和其他多家模型，不用单独去开阿里云的账号。开通入口在 Wan 3.0 模型页。

用接口跑这些提示词

下面这条请求发的是第 2 段的骑行提示词，分镜的换行写成 JSON 字符串里的 \n，幂等键固定：

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. 返回 202 和一个任务 id。
2. 用同一个 id 查 https://api.omniakey.com/v1/media/tasks/{id}，循环看 status，别看 progress.percent，它可能一直是 0。我们这五段用了 2.5 到 5.5 分钟，慢的时候继续查，别重新提交。幂等键和请求体一样时，返回的是同一个任务，也不会重复计费。
3. 从 assets[0].url 下载成片。这个签名链接大约一小时就过期，过期了再查一次拿新的。

图生视频把 operation 设成 image_to_video，图片放进 input.media，type 写 first_frame，用公开的 HTTPS 链接或 data URI。整个请求不超过 1 MiB，提示词开头写「Image 1 is the first frame.」。要更快就发 wan3.0-video-prime，三种操作都支持。在 OmniaKey 上取消的 Wan 3.0 任务还会继续跑，成功了一样计费，因为 Wan 3.0 没有服务端的取消接口。从 Wan 3.0 模型页 开始，参数细节看视频接口文档。

常见问题

Wan 3.0 的提示词能写多长？

最长 20,000 个字符，一个汉字或一个字母都算一个，超出会被直接截断，不报错。官方没有给推荐长度。我们这五条是 398 到 670 个字符。

Wan 3.0 支持负面提示词吗？

wan3.0-video 没有 negative_prompt 字段，否定词写在提示词结尾的一小段里。我们第 5 段写了「No other text」，橱窗里还是多了一块小灯牌，所以想要的玻璃也正面写一句。

要把 prompt_extend 关掉吗？

prompt_extend 默认打开，生成前会用大模型改写一遍提示词，短提示词因此更稳，代价是多等一会儿。官方没说结构化长提示词该不该关，我们没关，第 2 段的切点还是落在 2.97 秒和 5.97 秒。

一条提示词能生成 30 秒的视频吗？

duration 接受 2 到 30 秒，一条提示词可以填满 30 秒。官方那些长例子都是拿 2–5 秒的镜头拼起来的，我们第 2 段就是这样做到 10 秒。

能用中文写 Wan 3.0 的提示词吗？

能。接口接受中文和英文，20,000 个字符的上限里一个汉字算一个。我们这五条用的是英文。

更新记录

• 2026 年 10 月 28 日：第一版，五条提示词在 10 月 27 日跑完。