Guia de prompts do Wan 3.0

A fórmula vem do guia de prompts do Wan 3.0 da Alibaba. Para o modelo, veja a página do Wan 3.0.

A Alibaba diz que uma frase basta para o Wan 3.0, e que quanto mais precisa a descrição, mais perto fica o resultado. A fórmula completa dela tem sete partes, num só parágrafo; deixe de fora as que não precisar.

1. 1Abra com uma linha sobre o tema, o ponto de vista, a duração e o ritmo.
2. 2Se você enviar imagens, diga para que serve cada uma: “a garota da Image 1 está de pé no cômodo da Image 2”.
3. 3Escreva cada plano com os seus segundos: o elemento principal, a cena, o movimento e a câmera.
4. 4Acrescente o diálogo como Nome diz: “…”, depois os efeitos sonoros e a música, ou “Sem música de fundo”.
5. 5Termine com o estilo artístico, o tom de cor e o clima, depois uma lista negativa curta.

O Wan 3.0 consegue contar uma história em vários planos dentro de um clipe. O formato da Alibaba é um número, os segundos e o conteúdo: “Plano 1 [0-3s] …”. Os planos se encostam um no outro, sem lacunas nem sobreposições, com 2 a 5 segundos cada; o guia da API dela sugere 4 a 6.

No DreamBench, um clipe do Wan 3.0 não corta para um cenário novo no meio: cada clipe é escrito como um plano contínuo, e uma mudança de lugar vem no clipe seguinte.

A Alibaba pede movimentos de câmera em palavras simples e permite indicar lente e profundidade de campo. Coloque o movimento dentro do plano a que ele pertence.

A Alibaba alerta contra ações mais rápidas do que o modelo consegue controlar, como “balançar a cabeça 3 vezes por segundo”. Dê a um movimento um ritmo que uma pessoa conseguiria atuar.

O Wan 3.0 faz fala, efeitos e música na mesma passada que a imagem. Veja áudio nativo.

• Diálogo: o personagem, um verbo de fala, dois-pontos e a fala entre aspas: ela sussurra: “Ainda não.”
• Várias pessoas falando: uma fala para cada, em ordem, cada uma com quem a diz.
• Narração: Voiceover: “Toda manhã começa aqui.”
• Silêncio: escreva “Sem diálogo”, senão o modelo decide sozinho se alguém fala.
• Efeitos: descreva o que faz o som, como chuva num telhado de zinco ou botas numa poça, e o Wan o acrescenta; ou dê a um efeito a sua própria frase e o seu tempo: “A partir do 8º segundo, um sino de igreja.”

As páginas da Alibaba sobre o Wan 3.0 não listam idiomas de diálogo; os exemplos dela falam inglês e chinês. Diga o idioma antes de uma fala e confira cada tomada. Veja lip sync.

A Alibaba agrupa o visual em três partes, estilo artístico, tom de cor e clima, ditas no início ou no fim: “animação em massinha, amarelo quente de alta saturação, leve e reconfortante”.

• Liste só o que você não quer, e deixe a lista vazia se não houver nada.
• Não encha a lista nem repita o que o prompt já diz.
• Linhas típicas: sem legendas, sem marca d’água, sem dedos extras, sem distorção no rosto, sem cortes frequentes de plano.
• Para um estilo animado, descarte o outro visual: “sem live action fotorrealista”.

A plataforma da Alibaba aceita de 2 a 30 segundos, ou uma duração inteligente que o modelo escolhe. Escreva o tanto que os segundos comportam:

Num filme do DreamBench, cada clipe do Wan 3.0 dura de 3 a 12 segundos, o tempo que a sua ação pede, e o DreamBench escreve o prompt para caber nele.

O Wan 3.0 pode começar de um primeiro quadro, ou ir de um primeiro a um último quadro. A Alibaba diz que a imagem já define o elemento principal, a cena e o estilo, então o prompt descreve o movimento, a trama, o diálogo e a câmera. Veja primeiro e último quadro.

1. 1Dê a imagem como primeiro quadro, ou como primeiro e último.
2. 2Descreva o que acontece em seguida, plano a plano com tempos se houver vários, sem repetir o que a imagem mostra.
3. 3Acrescente as falas e o som; para um último quadro, descreva a mudança que leva até ele.

Na plataforma da Alibaba, primeiro e último quadro não podem ser misturados com imagens de referência no mesmo pedido. No DreamBench, todo clipe do Wan 3.0 começa de um quadro inicial feito a partir das suas referências. Veja imagem para vídeo.

Na plataforma da Alibaba, os envios são numerados em ordem, com imagens, vídeos e áudios contados separadamente: Image 1, Video 1 e Audio 1 podem existir ao mesmo tempo. O conselho da Alibaba é dar um propósito a cada um, para que as características não passem de uma pessoa para outra.

• Vincule cada elemento a um envio: “a menininha é a Image 2, a loja é a Image 1”.
• Descreva cada personagem com as mesmas palavras em todos os planos e em todos os clipes.
• Mantenha as roupas, os objetos e a luz de um plano para o outro.

No DreamBench, cada personagem, lugar e objeto é desenhado uma vez como ficha, e o quadro inicial de cada clipe é feito a partir das fichas de que ele precisa. Veja consistência de personagem e referência para vídeo.

Na plataforma da Alibaba, um clipe do Wan 3.0 comporta oito planos cronometrados. No DreamBench, um filme é feito de vários clipes, cada um um plano contínuo a partir do seu próprio quadro inicial, unidos com cortes secos, para que qualquer um possa ser refeito.

Descreva o filme no DreamBench e ele escreve o prompt de cada clipe, desenha o elenco e faz o Wan 3.0 animar cada clipe. Veja vídeo multi-shot.

Cada um segue a ordem da Alibaba. Cole um na plataforma da Alibaba, ou use-o como briefing no DreamBench; mude o elemento principal, mantenha a forma.

Um plano contínuo: o porto ao amanhecer

Um plano contínuo. Um porto de pesca ao amanhecer, calmo e silencioso, 10 segundos. A câmera desliza baixo sobre a água em direção a um barco vermelho enquanto um pescador de capa impermeável laranja enrola uma corda e olha para o céu. Gaivotas, água batendo no casco, um motor ao longe. Sem diálogo. Sem música de fundo. Realismo documental, tons azuis frios que esquentam para o dourado, tranquilo.

Um drama em três planos

Um drama curto sobre perdão, 12 segundos, ritmo que vai de tenso a afetuoso. Plano 1 (00:00-00:04): plano médio, câmera fixa; um rapaz está parado à porta de uma casa de fazenda, segurando uma caixa de bolo. Plano 2 (00:04-00:08): corte seco, close, teleobjetiva de 85mm; o pai dele abre a porta, sem sorrir. Plano 3 (00:08-00:12): o pai dá um passo para o lado e diz: “Sua mãe guardou o seu lugar.” Vento, um cachorro latindo ao longe. Visual de filme 35mm, verdes suaves, delicado. Sem legendas.

Duas pessoas falando num elevador

Um plano contínuo, 8 segundos, comédia leve de escritório. Dentro de um elevador espelhado, uma mulher de terno azul-marinho e um entregador com uma pilha alta de caixas. Plano fixo, câmera estática. O entregador diz: “Qual andar?” Ela olha para as caixas e responde: “Todos, pelo jeito.” O elevador zumbe e apita. Sem música de fundo. Luz clara e limpa, cores naturais.

Um produto com narração

Um filme de produto para uma garrafa de água de aço, 10 segundos, calmo e confiante. Plano 1 (00:00-00:05): a garrafa sobre uma pedra molhada junto a uma cachoeira, névoa flutuando, a câmera orbitando devagar. Plano 2 (00:05-00:10): uma mão a enche no riacho e fecha a tampa com um clique. Voiceover: “Gelada por um dia. Feita para a vida toda.” Água correndo, o clique da tampa. Violão suave por baixo da voz. Visual comercial limpo, verdes frios.

Esporte sem diálogo

Um plano contínuo, 8 segundos. Uma velocista de regata branca dispara do bloco de partida numa pista molhada sob holofotes e corre em direção à câmera. Acompanhamento com câmera na mão no ritmo da corrida, ângulo baixo. Sapatilhas na pista, a respiração dela, chuva. Sem diálogo. Sem música de fundo. Visual realista de transmissão esportiva. Sem câmera lenta.

Uma dica de música: violinista no telhado

Um plano contínuo, 15 segundos, sonhador e romântico. Uma violinista de casaco longo cinza toca num telhado de Paris ao anoitecer, com chaminés e a cidade atrás dela. A câmera se afasta e sobe devagar. Uma melodia lenta de violino solo que cresce enquanto as luzes da cidade se acendem. Vento no cabelo dela. Sem diálogo. Tons quentes de rosa e azul do crepúsculo.

Animação em massinha

Animação em massinha, amarelo quente de alta saturação, leve e reconfortante, 10 segundos. Plano 1 (00:00-00:05): um ursinho de massinha com cachecol listrado rega um único girassol no parapeito da janela. Plano 2 (00:05-00:10): a flor desabrocha em três pulinhos suaves e o urso bate palmas. Passos molengos de massinha, um sininho alegre. Sem diálogo. Sem live action fotorrealista, sem membros extras.

A partir de um primeiro quadro

Continue a cena do mercado a partir do primeiro quadro, 8 segundos, um plano contínuo. O vendedor de especiarias ergue uma colher de açafrão, deixa cair de volta no saco e sorri para uma cliente, que diz: “Duzentos gramas, por favor.” A câmera se aproxima devagar. Burburinho do mercado, uma balança fazendo clique. Sem legendas.

Primeiro e último quadro: um esboço que ganha vida

Um plano contínuo, 10 segundos, de um esboço a lápis de um cavalo (primeiro quadro) até um cavalo de verdade galopando num campo (último quadro). Os traços de lápis engrossam, a cor invade a partir das bordas e o cavalo dispara a galope enquanto o papel vira grama. A câmera se afasta devagar. Lápis riscando, depois cascos e vento. Sem música de fundo.

Duas referências

Uma manhã aconchegante numa padaria, 10 segundos. A aparência da padeira segue a Image 1; a padaria segue a Image 2. Plano 1 (00:00-00:05): plano fixo, ela tira uma assadeira de croissants do forno. Plano 2 (00:05-00:10): close, ela abre um ao meio e o vapor sobe; ela diz: “No ponto.” Massa estalando, a porta do forno. Sem música de fundo. Luz dourada da manhã. Sem pessoas extras, sem mudança de figurino.

Uma história de 30 segundos

Um curta cômico sobre um guarda-chuva perdido, 30 segundos, construção ágil e final afetuoso. Plano 1 (00:00-00:05): plano aberto, chuva numa praça da cidade; o guarda-chuva de um homem sai voando. Plano 2 (00:05-00:10): acompanhamento com câmera na mão enquanto ele corre atrás dele passando por um café. Plano 3 (00:10-00:15): o guarda-chuva cai aos pés de uma menina de capa de chuva amarela. Plano 4 (00:15-00:20): ela o estende e diz: “É seu?” Plano 5 (00:20-00:25): ele assente, encharcado. Plano 6 (00:25-00:30): os dois o dividem; a câmera se afasta e sobe. Chuva, vento, um piano de jazz leve. Cores vivas e saturadas. Sem legendas, sem marca d’água.

A maioria dos prompts fracos para o Wan deixa uma parte ao acaso: os segundos, quem fala ou o som.

• Um mesmo prompt gerado duas vezes dá dois clipes.
• A Alibaba diz que a textura do áudio do Wan 3.0 e a precisão do texto na tela ainda estão melhorando.
• Uma geração para em 30 segundos.
• Uma pessoa ou um produto real não pode ser reconhecido só por palavras; é preciso uma imagem que você tenha o direito de usar.
• No DreamBench, o Wan 3.0 sempre faz som, e os clipes dele não cortam para um cenário novo no meio.

• Um filme: descreva-o, adicione até 8 imagens de referência e escolha o Wan 3.0. O DreamBench escreve o prompt de cada clipe, faz o quadro inicial dele, faz o Wan 3.0 animá-lo com som e junta os clipes; refaça qualquer um com uma observação.
• Configurações: 1:1, 16:9, 9:16 ou 4:3, 720p ou 1080p, em todos os planos.
• Não oferecido: a página Vídeo, que recebe modelos que partem só de palavras; as referências numeradas, os documentos, a edição e a extensão da Alibaba; um clipe sem som.

O gerador de prompts de vídeo com IA escreve um prompt nesta ordem para qualquer modelo. O preço em créditos aparece antes de você gerar; na primeira vez, crie uma conta gratuita e escolha um plano. Para um prompt enviado como foi digitado, veja os guias do Seedance 2.5 ou do Kling 4.0; para prompts só com palavras, texto para vídeo.