Wan 3 是阿里巴巴推出的新一代视频模型，它将以往独立的多项能力整合至同一接口，支持文本生成视频、首帧图生视频、参考图、参考视频以及音频同步，最高可输出30秒、原生带音频的1080p视频。阿里云Model Studio对外公布了一套标准化提示撰写公式，为验证这套框架的实际有效性，本次在固定随机种子的条件下完成多轮对照生成，下面整理官方公式、实测案例、可用模板，以及生成对应的耗时与成本参考。
官方 Wan 3 六大提示公式
这套结构来自阿里 Model Studio 官方文档，不同生成场景对应专属写法，也是创作时可以常驻打开的参考清单。
| 公式类型 | 结构组成 | 适用场景 |
|---|---|---|
| 基础公式 | 实体 + 场景 + 运动 | 快速生成文生视频草稿 |
| 高级公式 | 实体 + 场景 + 运动 + 美学控制 + 风格化 | 正式交付、追求可控性的成片（最常用） |
| 图生视频 | 运动描述 + 摄像机运动 | 首帧图像已经固定画面外观 |
| 音频公式 | 实体 + 场景 + 运动 + 声音描述 | 需要生成对话、音效、背景音乐 |
| 多镜头公式 | 整体描述 + 镜头编号 + 时间戳 + 镜头内容 | 时长超过8秒、需要多镜头连贯序列 |
| 参考视频公式 | 参考标识 + 动作 + 场景 + 台词 + 背景音乐 | 跨镜头保持人物形象统一 |
很多创作者成片效果不稳定，问题大多集中在两个模块的缺失。美学控制包含光源、光照环境、景别、拍摄角度、镜头运动；风格化定义画面视觉质感，例如写实摄影、赛博朋克、线稿、废土风格。只描述发生什么，不定义怎么拍，模型就会自主决定镜头、光影，结果难以复现。
音频部分同样有标准化描述方式：人声拆分为台词、情绪、语调、语速、音色、口音；音效由声源、动作、环境声构成；音乐单独描述曲风与配乐氛围。
三组对照：固定种子，变量只有提示词
所有测试统一参数：wan3.0-video、5秒时长、720P、16:9、固定种子12345、开启音频，仅调整提示文本与prompt_extend开关。
测试1：单一主体三组提示对照，看清提示质量差距
尝试1：极简提示，prompt_extend 关闭
- 提示词：
A chef making ramen. - 参数：resolution:720P｜duration:5｜aspect_ratio:16:9｜seed:12345｜prompt_extend:false｜audio:true
画面没有明显硬伤，面条、倒汤动作完整，光照均匀，但整体更像通用素材短片。模型自行做出两处自主创作：选用商业美食广告的视觉风格；5秒内容自动切出5段独立镜头，依次为面条入碗、倒汤、配菜、成品碗、双手摆盘。
厨师面部全程没有出现在画面。当提示没有明确锁定主体，模型会优先把食物视作画面核心，将人物裁切出画面。
尝试2：完全相同短句，开启 prompt_extend
- 提示词依旧：
A chef making ramen. - 参数仅修改：
prompt_extend:true
同一随机种子、完全一致短句，成片观感明显改变。prompt_extend相当于内置提示词扩写器，渲染前自动把简短文本扩充为完整场景描述。本次自动生成出现代化拉面后厨、白色制服厨师、丁腈手套、口罩等大量细节，画面细节密度提升。
但核心缺陷没有解决：依旧看不到厨师脸部、依旧自动拆分多段镜头，没有生成特定形象的人物。
扩写功能只会增加通用制作细节，无法理解创作者的创作意图。适合随手快速出样片；一旦要求画面连续性，扩写反而会成为隐患，每次扩写文本存在差异，画面无法稳定复现。
尝试3：高级公式完整撰写，关闭 prompt_extend
按照高级公式完整组织描述，写明人物外貌、环境、动作幅度、光影、景别运镜、画面风格、环境音效。
一位六十多岁饱经风霜的日本厨师，灰色短发，白色T恤外系着深蓝色靛蓝围裙，金属丝眼镜边缘起雾。深夜一家狭窄的六座拉面柜台，金色桧木，冷凝水沿窗户流下，外面红灯笼的光。他猛地将金属漏勺从沸水中提起，快速而熟练地向下甩三次，然后一气呵成地将面条倒入碗中。低矮顶灯发出暖钨丝光，窗外冷蓝色街灯透进来，中近景，略低角度，浅景深，缓慢推近。照片写实，电影感，35mm胶片颗粒。沸腾的环境声，金属篮撞击锅沿的咔嗒声，外面微弱的街道噪音。无音乐。
参数：resolution:720P｜duration:5｜aspect_ratio:16:9｜seed:12345｜prompt_extend:false｜audio:true
模型输出的画面档次出现明显差距，所有变化和提示新增要素一一对应：
- 完整单一连续镜头：不再自动剪辑成多段素材。明确写明景别、机位、镜头运动，是阻止Wan3自动切镜头最有效的手段，也是本次测试收益最大的要点。
- 人物形象稳定落地：年龄、发型、服饰全部生效。主体外貌描述不只是装饰文字，等同于视频的“选角指令”。
- 人物面部持续可见，景别描述直接约束画面构图。
- 场景氛围完全匹配文案：夜晚狭小柜台、玻璃窗凝水、冷暖对比光源。明确两种光源色温，对画面质感提升远高于堆砌“高清、高质量”形容词。
- 动作精准还原：漏勺提起、甩动、倒面完整执行。运动描述一定要补充幅度、速度。
模型、成本、渲染时长全部保持不变，唯一变量，就是人完成导演层面的画面定义工作。
测试2：音频公式实测，对话内容与音频节奏参考
Wan3支持画面和音频一次性同步生成，音效、人声不能后期追加，需要直接写进提示。按照官方人声结构撰写文案，镜头锁定静态机位，测试5秒片段能承载多少台词。
提示词：
一位六十多岁饱经风霜的日本厨师的中近景，深蓝色靛蓝围裙，夜晚站在狭窄的拉面柜台后面，低矮暖灯下。他将碗放在木头上，直视顾客并用带日本口音的英语说话，温暖而沙哑，不慌不忙：“现在就吃。面条不会等。”他短促地点点头，在围裙上擦了擦手。静态锁定摄像机，浅景深。照片写实，电影感。他身后沸腾的环境声和微弱的街道噪音。无音乐。
参数：resolution:720P｜duration:5｜aspect_ratio:16:9｜seed:12345｜prompt_extend:false｜audio:true
两处关键结论：镜头全程锁定没有擅自切换，即便加入对话，运镜指令依旧能够遵守。音频波形实测得出时间规划标准：
5秒视频内，模型会预留大约1秒时间搭建画面，结尾同样留出停顿空间，有效语音时长建议控制在2.5秒以内，适合两句短句。长段独白容易出现语速过快、台词截断。
额外混音提醒：原生生成音频音量偏高，峰值容易接近0dB。如果要把生成视频剪辑进成片项目，导出前建议统一降低音频增益。
本次测试没有做语音转文字核对精准度，从画面反馈看，人物嘴部运动跟随音频节奏，句子整体结构可以保留。
测试3：多镜头公式实测，时间戳指令有效性验证
多镜头公式是本次测试最受怀疑的模块，很多AI视频模型会直接忽略时间标记。本次设定10秒时长，三段镜头明确划分时间区间，用统一整体描述保障人物连贯。
提示词：
整体：深夜拉面柜台，照片写实，电影感，暖钨丝光和冷蓝色街灯，35mm胶片颗粒，始终一致的厨师：一位六十多岁饱经风霜的日本男子，灰色短发，深蓝色靛蓝围裙。
镜头 1 [0-3s]：极特写，面条落入翻滚沸水，蒸汽向镜头绽放。
镜头 2 [3-6s]：中近景，厨师提起金属篮并快速熟练地向下甩两次。
镜头 3 [6-10s]：缓慢推近放在柜台上的成品碗，叉烧和溏心蛋对焦，蒸汽升起。
沸腾的环境声，篮子的咔嗒声，微弱的街道噪音。无音乐。
参数：resolution:720P｜duration:10｜aspect_ratio:16:9｜seed:12345｜prompt_extend:false｜audio:true
逐帧核对视频，时间戳指令真实生效：
0–3秒：汤锅特写，面条入水蒸汽升腾；
3秒左右完成镜头切换，展示厨师操作漏勺；
6秒切换第三个镜头，成品拉面碗缓慢推镜，叉烧、溏心蛋完整呈现。
写在最前面的整体统一描述，作为全片段连续性锚点，三段镜头光影、人物服饰保持统一。
同时需要留意一条规律：模型只会生成你明确写出的内容。
本次三段镜头都没有要求露出厨师面部，视频里也就没有出现人脸。Wan3只会执行明确指令，空白部分交由模型自由发挥。
读懂 prompt_extend：什么时候开，什么时候必须关闭
prompt_extend默认开启，也是很多创作者画面失控、无法复现效果的元凶。开启状态下，你的原始文本会先经过扩写模型重写，最终送入视频模型的，是扩写之后的文字。
✅ 适合开启
简短、随意的创意草稿，只想快速得到一份完整画面，不纠结细节、人物一致性。提示词篇幅大约20词以内，扩写可以补齐基础场景信息。
❌ 必须关闭（prompt_extend:false）
已经按照公式完整撰写提示、精确控制镜头、人物形象、光影、台词、多镜头序列。扩写器会改写精心调试的运镜、风格描述，角色外貌每次生成存在偏差，连续性直接破坏；同时开启扩写后，相同随机种子也无法得到一致画面。
实用经验阈值：提示词小于20词，可以开启扩写；提示词超过60词、精细化创作，强制关闭。
5套可直接复制的 Wan3 提示模板（全部适配 prompt_extend:false）
模板1｜电影感人物镜头（文生视频·高级公式）
[年龄、外形特征] [主体]，具备[2–3项外貌细节]，
身着[服装描述]。地点位于[场景]，[时间段]，附带[2–3项环境细节]。
[主体执行带速度、幅度的动作]，接着完成[第二个动作]。
主光源与色调：[]，辅光/轮廓光：[]，
[景别]，[拍摄角度]，浅景深，[镜头运动方式]。
照片写实，电影质感，35mm胶片颗粒。
环境音效：[]。无音乐。
模板2｜产品主视觉短片（商业营销）
[产品名称]放置于[承载表面]，处在[环境氛围]，材质细节：[]。
产品动态：缓慢旋转 / 开盖 / 液体倾倒，运动节奏：[]。
[方向]柔和主光，轮廓背光，微距特写，
锁定机位，浅景深，纯色背景：[]。
写实商业产品摄影。
细微拟音环境声，无背景音乐。
模板3｜对话镜头（音频公式）
[景别][完整人物描述]，身处[场景]，光照条件[]。
人物[肢体小动作]，看向[目标]开口说话，
情绪：[]，语调：[]，语速：[]，口音：[]："[一至两句短句]"
收尾肢体动作：[]。
固定锁定机位，浅景深。写实电影风格。
背景环境音：[]。无音乐。
小贴士：5秒视频台词控制两组短句，每增加5秒，最多新增约2.5秒语音内容。
模板4｜三段连续镜头（多镜头公式）
整体：[故事环境]，[视觉风格]，统一光照，固定主体：[完整人物描述]。
镜头1 [0-3s]：[景别]，镜头内容描述。
镜头2 [3-6s]：[景别]，镜头内容描述。
镜头3 [6-10s]：[景别]，内容，镜头运动。
环境音效：[]。无音乐。
技巧：人物、服饰统一描述放在最前方整体段落，不用在每个镜头重复书写，保障跨镜头形象稳定。
模板5｜图生视频（传入首帧图片专用）
[主体]执行动作，标注运动幅度与速度。
环境次要动态：蒸汽飘动 / 织物摆动 / 雨水下落。
摄像机动作：缓慢推近 / 横向跟拍 / 上下摇镜，速度：[]。
环境音效：[]。
重要提醒：传入首帧之后，不要再重复大量描述主体长相、光影。首帧已经锁定画面基础，重复描述容易和参考图冲突，只写动态、运镜即可。
高频问题总结
Q：优先使用哪一条公式上手？
优先掌握高级公式：实体+场景+运动+美学控制+风格化。美学控制里明确光源、景别、镜头运动，是提升成片可控性最关键的一环。
Q：怎么阻止模型自动不停切镜头？
主动写明景别、机位、持续镜头运动。完全不提供镜头指令的时候，Wan3会自动剪辑素材。本次极简提示5秒生成5段镜头，完整运镜描述则生成单一持续画面。
Q：多镜头的时间戳写法真的有效吗？
实测有效。镜头切换基本落在标注时间点前后一帧，开篇加上统一“整体描述”，能够很好维持人物、光影跨镜头统一。（来源）
© 版权声明
文章版权归作者所有，未经允许请勿转载。
