Wan-3.0-Prompt-Anleitung

Die Formel stammt aus Alibabas Prompt-Leitfaden zu Wan 3.0. Zum Modell siehe die Seite zu Wan 3.0.

Laut Alibaba reicht für Wan 3.0 ein Satz, und je genauer die Beschreibung, desto näher das Ergebnis. Die vollständige Formel hat sieben Teile, in einem Absatz; lass weg, was du nicht brauchst.

1. 1Beginne mit einer Zeile zu Thema, Perspektive, Länge und Tempo.
2. 2Wenn du Bilder hochlädst, sag, wofür jedes da ist: „das Mädchen aus Image 1 steht im Raum aus Image 2“.
3. 3Schreib jede Einstellung mit ihren Sekunden: Motiv, Szene, Bewegung und Kamera.
4. 4Füge den Dialog als Name sagt: „…“ hinzu, dann die Soundeffekte und die Musik oder „Keine Hintergrundmusik“.
5. 5Schließ mit Kunststil, Farbton und Stimmung ab, dann mit einer kurzen Negativliste.

Wan 3.0 kann innerhalb eines Clips eine Geschichte in mehreren Einstellungen erzählen. Alibabas Format ist eine Nummer, die Sekunden und der Inhalt: „Shot 1 [0-3s] …“. Die Einstellungen schließen direkt aneinander an, ohne Lücken oder Überlappungen, mit je 2 bis 5 Sekunden; Alibabas API-Leitfaden empfiehlt 4 bis 6.

Auf DreamBench wechselt ein Clip mit Wan 3.0 nicht mittendrin zu einem neuen Schauplatz: Jeder Clip wird als eine durchgehende Einstellung geschrieben, und ein Ortswechsel kommt mit dem nächsten Clip.

Alibaba verlangt Kamerabewegungen in einfachen Worten und erlaubt Objektiv und Schärfentiefe. Setze die Bewegung in die Einstellung, zu der sie gehört.

Alibaba warnt vor Handlungen, die schneller sind, als das Modell steuern kann, etwa „3-mal pro Sekunde den Kopf schütteln“. Gib einer Bewegung ein Tempo, das ein Mensch spielen könnte.

Wan 3.0 erzeugt Sprache, Effekte und Musik im selben Durchgang wie das Bild. Siehe Natives Audio.

• Dialog: die Figur, ein Verb des Sprechens, ein Doppelpunkt und der Satz in Anführungszeichen: Sie flüstert: „Noch nicht.“
• Mehrere Sprechende: je ein Satz, der Reihe nach, jeder mit seiner sprechenden Person.
• Erzählstimme: Voiceover: „Jeder Morgen beginnt hier.“
• Stille: Schreib „Kein Dialog“, sonst entscheidet das Modell selbst, ob jemand spricht.
• Effekte: Beschreib, was das Geräusch macht, etwa Regen auf einem Blechdach oder Stiefel in einer Pfütze, und Wan fügt es hinzu; oder gib einem Effekt einen eigenen Satz und eine Zeit: „Ab der 8. Sekunde eine Kirchenglocke.“

Alibabas Seiten zu Wan 3.0 nennen keine Dialogsprachen; in den Beispielen wird Englisch und Chinesisch gesprochen. Nenne die Sprache vor einem Satz und prüfe jeden Take. Siehe Lip Sync.

Alibaba fasst den Look in drei Teile, Kunststil, Farbton und Stimmung, genannt am Anfang oder am Ende: „Knetanimation, stark gesättigtes warmes Gelb, leicht und heilsam“.

• Liste nur auf, was du nicht willst, und lass die Liste leer, wenn es nichts gibt.
• Bläh sie nicht auf und wiederhole nicht, was der Prompt schon sagt.
• Typische Einträge: keine Untertitel, kein Wasserzeichen, keine zusätzlichen Finger, keine Gesichtsverzerrung, keine häufigen Schnitte.
• Schließ bei einem Animationsstil den anderen Look aus: „kein fotorealistischer Realfilm“.

Alibabas Plattform nimmt 2 bis 30 Sekunden an oder eine automatische Länge, die das Modell wählt. Schreib so viel, wie die Sekunden fassen:

In einem DreamBench-Film dauert jeder Clip mit Wan 3.0 3 bis 12 Sekunden, so lange, wie seine Handlung braucht, und DreamBench schreibt seinen Prompt passend dazu.

Wan 3.0 kann mit einem Startbild beginnen oder zwischen einem Start- und einem Endbild laufen. Laut Alibaba legt das Bild Motiv, Szene und Stil bereits fest, also beschreibt der Prompt Bewegung, Handlung, Dialog und Kamera. Siehe Start- und Endbild.

1. 1Gib das Bild als Startbild an, oder das Start- und das Endbild.
2. 2Beschreib, was als Nächstes passiert, bei mehreren Einstellungen Einstellung für Einstellung mit Zeiten, ohne zu wiederholen, was das Bild zeigt.
3. 3Füge die Sätze und den Ton hinzu; beschreib bei einem Endbild die Veränderung, die dorthin führt.

Auf Alibabas Plattform lassen sich Start- und Endbilder in einer Anfrage nicht mit Referenzbildern mischen. Auf DreamBench beginnt jeder Clip mit Wan 3.0 mit einem Startbild, das aus deinen Referenzen erstellt wird. Siehe Bild-zu-Video.

Auf Alibabas Plattform werden Uploads der Reihe nach nummeriert, wobei Bilder, Videos und Audio getrennt gezählt werden: Image 1, Video 1 und Audio 1 können alle gleichzeitig existieren. Alibaba rät, jedem einen Zweck zu geben, damit Merkmale nicht zwischen Personen verschwimmen.

• Verknüpfe jedes Motiv mit einem Upload: „das kleine Mädchen ist Image 2, der Laden ist Image 1“.
• Beschreib jede Figur in jeder Einstellung und jedem Clip mit denselben Worten.
• Behalte Kleidung, Requisiten und Licht von Einstellung zu Einstellung bei.

Auf DreamBench wird jede Figur, jeder Ort und jede Requisite einmal als Blatt gezeichnet, und das Startbild jedes Clips entsteht aus den Blättern, die er braucht. Siehe Figurenkonsistenz und Referenz-zu-Video.

Auf Alibabas Plattform kann ein Clip mit Wan 3.0 acht getimte Einstellungen fassen. Auf DreamBench besteht ein Film aus mehreren Clips, jeder eine durchgehende Einstellung ab seinem eigenen Startbild, verbunden durch harte Schnitte, sodass sich jeder einzeln neu generieren lässt.

Beschreib den Film auf DreamBench, und es schreibt den Prompt jedes Clips, zeichnet die Besetzung und lässt Wan 3.0 jeden Clip animieren. Siehe Multi-Shot-Video.

Jedes folgt Alibabas Reihenfolge. Füge eines auf Alibabas Plattform ein oder nutze es als DreamBench-Briefing; ändere das Motiv, behalte die Form.

Eine durchgehende Einstellung: der Hafen im Morgengrauen

Eine durchgehende Einstellung. Ein Fischerhafen im Morgengrauen, ruhig und still, 10 Sekunden. Die Kamera gleitet tief über das Wasser auf ein rotes Boot zu, während ein Fischer in orangefarbenem Ölzeug ein Seil aufschießt und zum Himmel blickt. Möwen, Wasser plätschert gegen den Rumpf, ein entfernter Motor. Kein Dialog. Keine Hintergrundmusik. Dokumentarischer Realismus, kühle Blautöne, die golden werden, friedlich.

Ein Drama in drei Einstellungen

Ein kurzes Drama über Vergebung, 12 Sekunden, das Tempo von angespannt zu warm. Shot 1 (00:00-00:04): halbnahe Einstellung, feste Kamera; ein junger Mann steht mit einer Kuchenschachtel an der Tür eines Bauernhauses. Shot 2 (00:04-00:08): harter Schnitt, Nahaufnahme, 85-mm-Teleobjektiv; sein Vater öffnet die Tür, ohne zu lächeln. Shot 3 (00:08-00:12): Der Vater tritt zur Seite und sagt: „Deine Mutter hat deinen Platz freigehalten.“ Wind, ein Hund bellt in der Ferne. 35-mm-Film-Look, gedämpfte Grüntöne, zärtlich. Keine Untertitel.

Zwei Sprechende im Aufzug

Eine durchgehende Einstellung, 8 Sekunden, leichte Bürokomödie. In einem verspiegelten Aufzug eine Frau in marineblauem Anzug und ein Kurier mit einem hohen Stapel Kartons. Feste Einstellung, Kamera statisch. Der Kurier sagt: „Welches Stockwerk?“ Sie wirft einen Blick auf die Kartons und antwortet: „Alle, wie es aussieht.“ Der Aufzug summt und macht pling. Keine Hintergrundmusik. Helles, klares Licht, natürliche Farben.

Ein Produkt mit Sprecherstimme

Ein Produktfilm für eine Trinkflasche aus Edelstahl, 10 Sekunden, ruhig und selbstbewusst. Shot 1 (00:00-00:05): die Flasche auf nassem Fels an einem Wasserfall, ziehender Nebel, die Kamera kreist langsam. Shot 2 (00:05-00:10): Eine Hand füllt sie am Bach und schließt den Deckel mit einem Klick. Voiceover: „Einen Tag lang kalt. Gebaut für ein Leben lang.“ Rauschendes Wasser, das Klicken des Deckels. Sanfte Akustikgitarre unter der Stimme. Klarer Werbe-Look, kühle Grüntöne.

Sport ohne Dialog

Eine durchgehende Einstellung, 8 Sekunden. Eine Sprinterin in weißem Trikot schießt auf einer nassen Bahn unter Flutlicht aus dem Startblock und rennt auf die Kamera zu. Die Handkamera folgt im Lauftempo, Untersicht. Spikes auf der Bahn, ihr Atem, Regen. Kein Dialog. Keine Hintergrundmusik. Realistischer Look einer Sportübertragung. Keine Zeitlupe.

Ein Musik-Cue: Geigerin auf dem Dach

Eine durchgehende Einstellung, 15 Sekunden, verträumt und romantisch. Eine Geigerin in langem grauem Mantel spielt in der Abenddämmerung auf einem Pariser Dach, hinter ihr Schornsteine und die Stadt. Die Kamera fährt langsam zurück und steigt auf. Eine langsame Sologeigenmelodie, die anschwillt, während die Lichter der Stadt angehen. Wind in ihrem Haar. Kein Dialog. Warme rosa und blaue Dämmerungstöne.

Knetanimation

Knetanimation, stark gesättigtes warmes Gelb, leicht und heilsam, 10 Sekunden. Shot 1 (00:00-00:05): Ein kleiner Knetbär mit gestreiftem Schal gießt eine einzelne Sonnenblume auf einem Fensterbrett. Shot 2 (00:05-00:10): Die Blume erblüht in drei weichen Hüpfern, und der Bär klatscht. Matschige Knetschritte, ein fröhliches Glockenspiel. Kein Dialog. Kein fotorealistischer Realfilm, keine zusätzlichen Gliedmaßen.

Von einem Startbild aus

Setze die Marktszene ab dem Startbild fort, 8 Sekunden, eine durchgehende Einstellung. Der Gewürzhändler hebt eine Schaufel Safran, lässt ihn zurück in den Sack rieseln und lächelt eine Kundin an, die sagt: „Zweihundert Gramm, bitte.“ Die Kamera fährt langsam heran. Stimmengewirr auf dem Markt, eine klickende Waage. Keine Untertitel.

Start- und Endbild: eine Skizze erwacht zum Leben

Eine durchgehende Einstellung, 10 Sekunden, von einer Bleistiftskizze eines Pferdes (Startbild) zu einem echten Pferd, das über ein Feld galoppiert (Endbild). Die Bleistiftlinien werden dicker, Farbe strömt von den Rändern herein, und das Pferd fällt in Galopp, während das Papier zu Gras wird. Die Kamera fährt langsam zurück. Kratzender Bleistift, dann Hufe und Wind. Keine Hintergrundmusik.

Zwei Referenzen

Ein warmer Morgen in der Bäckerei, 10 Sekunden. Das Aussehen der Bäckerin folgt Image 1; die Bäckerei folgt Image 2. Shot 1 (00:00-00:05): feste Einstellung, sie zieht ein Blech Croissants aus dem Ofen. Shot 2 (00:05-00:10): Nahaufnahme, sie bricht eines auf, und Dampf steigt auf; sie sagt: „Perfekt.“ Knisterndes Gebäck, die Ofentür. Keine Hintergrundmusik. Goldenes Morgenlicht. Keine zusätzlichen Personen, kein Kostümwechsel.

Eine 30-Sekunden-Geschichte

Ein komischer Kurzfilm über einen verlorenen Regenschirm, 30 Sekunden, zügiger Aufbau und ein warmes Ende. Shot 1 (00:00-00:05): Totale, Regen auf einem Stadtplatz; der Schirm eines Mannes wird weggeweht. Shot 2 (00:05-00:10): Die Handkamera folgt ihm, als er ihm an einem Café vorbei nachjagt. Shot 3 (00:10-00:15): Der Schirm landet vor den Füßen eines Mädchens in gelbem Regenmantel. Shot 4 (00:15-00:20): Sie hält ihn hoch und sagt: „Ist das deiner?“ Shot 5 (00:20-00:25): Er nickt, völlig durchnässt. Shot 6 (00:25-00:30): Sie teilen ihn sich; die Kamera fährt zurück und steigt auf. Regen, Wind, leichtes Jazzpiano. Helle, satte Farben. Keine Untertitel, kein Wasserzeichen.

Die meisten schwachen Wan-Prompts überlassen einen Teil dem Zufall: die Sekunden, die sprechende Person oder den Ton.

• Ein Prompt, zweimal ausgeführt, ergibt zwei Clips.
• Laut Alibaba werden die Klangtextur von Wan 3.0 und die Genauigkeit von Text im Bild noch verbessert.
• Eine Generierung endet nach 30 Sekunden.
• Eine echte Person oder ein echtes Produkt lässt sich nicht aus Worten erkennen; dafür braucht es ein Bild, das du verwenden darfst.
• Auf DreamBench erzeugt Wan 3.0 immer Ton, und seine Clips wechseln nicht mitten im Clip zu einem neuen Schauplatz.

• Ein Film: Beschreib ihn, füge bis zu 8 Referenzbilder hinzu und wähle Wan 3.0. DreamBench schreibt den Prompt jedes Clips, erstellt sein Startbild, lässt Wan 3.0 ihn mit Ton animieren und fügt die Clips zusammen; dreh jeden mit einer Notiz neu.
• Optionen: 1:1, 16:9, 9:16 oder 4:3, 720p oder 1080p, in jedem Tarif.
• Nicht angeboten: die Seite „Video“, die Modelle anbietet, die nur von Worten ausgehen; Alibabas nummerierte Referenzen, Dokumente, Bearbeitung und Verlängerung; ein Clip ohne Ton.

Der KI-Video-Prompt-Generator schreibt für jedes Modell einen Prompt in dieser Reihenfolge. Der Preis in Credits wird angezeigt, bevor du generierst; beim ersten Mal erstellst du ein kostenloses Konto und wählst einen Tarif. Für einen Prompt, der so gesendet wird, wie du ihn tippst, siehe die Anleitungen zu Seedance 2.5 oder Kling 4.0; für Prompts nur aus Worten Text-zu-Video.