Wan 3.0 リップシンク動画

プロンプト 1 本、台詞 1 つ

Medium A-roll. The woman stands behind the kitchen counter
holding the pink portable blender, speaking naturally to camera.
She says: "I get asked how I make smoothies so quickly."
No subtitles, no text overlays, no UI, no watermark.

• ショット、カメラ、そして誰が話しているか
• 引用された台詞と、印字してほしくないもの

2484 / 20,000

1 パスで出てくるもの

9:16 · 720P · 30S

映像のみ台詞つき

wan3.0-video · 16:9 · 720P · 14 秒 · 発話と口の動きが同じパスで

上の 4 行はアリババ自身の 30 秒デモから抜いたもので、そのプロンプトは 20,000 文字の上限に対して 2,484 文字です。余白は話し手と商品と除外事項を固定するためにあり、長く書くためではありません。 ポートレートをアップロードするか文章で描写するかで、台詞そのものの書き方は何も変わりません。

プロンプトジェネレーターは、言わせたい台詞を受け取って、その周りに完成した Wan 3.0 のプロンプトを返します — 話し手を固定し、カメラの動きを 1 つ名指しし、音のレイヤーに順位をつけ、台詞をナレーションではなく演技として読ませるために区切ってあります。結果はこのモデルが実際に強制する規則と照合されるので、人が忘れがちな一文は、クレジットを使ったあとではなく使う前に足されます。

1. 01

   言わせたい台詞を打つ

   始めるには 1 文で十分です。誰がどこで言うかは断片でかまいません。

2. 02

   その周りにプロンプトを組んでもらう

   話し手、カメラ、音のレイヤー、区切った台詞を、Wan 3.0 が読む順番で。

3. 03

   ここへ送って顔を足す

   プロンプトはこのページ上部の入力欄に、尺と比率をすでに設定した状態で届きます。

プロンプトジェネレーターを開く

言い回しが気に入ったクリップがすでにありますか？ 動画からプロンプトが話された台詞を書き起こし、波かっこに入れて返します — このモデルがナレーションではなく演技として扱う形です。

• 
  01

  台本 → プロンプト

  台詞を渡すと、その周りに組み立てたショット記述が返ってきます。話し手は固定され、台詞はすでにその人物に紐づいています。

  無料 · クレジット不要
• 
  02

  企画書やページ → 台本

  PDF や公開 URL が、スライドをアバターに読ませたものではなく、ショットを組み立てる物語そのものになります。

  50 ページ · 100 MB
• 
  03

  ポートレート + 台詞 → しゃべるテイク

  顔が 1 フレーム目として入り、台詞が引用符付きで紐づけられて入り、口がそれについていきます。

  2〜30 秒 · 1080P まで
• 
  04

  同じテイクで、新しい台詞

  既存のクリップが何を言うかを、撮り直さずに変えます。話し手も、間も、画角もそのままで、口の動きだけが生成し直されます。

  すでに手元にある映像

上のすべては同じ場所に着きます — マイ作品が、どの生成についても MP4・プロンプト・タスク ID を保管するので、気に入ったテイクは組み立て直すのではなく開き直せます。

1. 1

   顔を放り込む

   チェックはブラウザ内で即座に走ります。良いファイルは緑の行、悪いファイルは何も使う前に直し方を教えてくれます。

   チェックは無料
2. 2

   台詞を引用し、誰が言うかを書く

   そのままの言葉を引用符で、画面の人物に紐づけて。言い換え —「彼女が何か安心させることを言う」— では、モデルが作った台詞が返ってきます。

   そのままの言葉だけ
3. 3

   「字幕なし」で締める

   ネガティブプロンプトの欄はないので、台詞を印字するなという指示もほかと同じ 1 文です。一節で済み、生成 1 回ぶんを救います。

   一節
4. 4

   尺と解像度を決めて、生成

   台詞に必要な秒数を先に買ってください。発話・部屋鳴り・口の動きがすでに入った MP4 が 1 本返ってきます。

   1080P まで

短いクリップで 90 秒ほど。走っているあいだタブを閉じてかまいません。アップロードした写真が変更されることはありません — 出力は新しいファイルです。

フレーム 001 · あなたの顔

002003004005

ここから先は、しゃべって、同期して

Wan 3.0 のリップシンクは、あなたの写真を文字どおりの先頭フレームとして入れ、そこから 30 fps・480P / 720P / 1080P で 2〜30 秒を前へ生成します。引用した言葉は、そのクリップ自身の音声トラックに発話として返り、口はそれに合わせて動きます。絵と音が 2 回に分けて縫い合わされるのではなく、同じパスで生成されるからです。

あなたの写真が 1 フレーム目

001

あなたの写真が 1 フレーム目

用意すべき音声ファイルの数

0

用意すべき音声ファイルの数

任意の整数秒

2〜30 秒

任意の整数秒

返ってくる MP4。音はすでに中に

1

返ってくる MP4。音はすでに中に

• 生成前のテキスト読み上げ工程なし
• 生成後の吹き替えパスなし
• 口のために別のモデルをライセンスする必要なし

10 往復 · 720P · 30 秒

口が決まるために要るもの

3

• 要約ではなく引用された、そのままの言葉
• 固定できるだけ具体的に書かれた話し手
• 話しているあいだ、その顔に向いたカメラ

人が見落とす規則

ネガティブプロンプトの欄はないので、「これを印字するな」もほかと同じくプロンプトの中の 1 文です。落とせばモデルは、あなたの台詞を**しゃべるものであると同時に画面に描くもの**として扱ってよいことになります。上に全文を載せたアリババ自身の 30 秒デモが、まさにその指示で終わっているのはそのためです。

• no subtitles, no text overlays正
• Negative prompt: subtitles誤

ネガティブプロンプトの形をしたものは**描くべき言葉が増えた**と読まれ、しかもリクエストは成功します — なので失敗は、画面のどこかに「ネガティブプロンプト」という文字が入った完成クリップとして届きます。

波かっこでも働きます — {like this} はこのサイトのプロンプトツールが出す形で、上の壁にある洗面所のクリップもそれで生成されています。モデルが実際に探しているのは話し手が見える形で紐づいた、区切られた台詞で、アリババの公開プロンプトは引用符を使っています。テキストから動画が、4 つの音のレイヤーと名指しする順番を扱っています。

台詞そのものに専用の欄も専用の上限もありません。ほかのすべてと一緒にプロンプトの中に住み、プロンプトは 20,000 文字を抱えます。話される台詞を縛るのは文字数ではなく時計です — 短い 1 文につき画面上でおよそ 2〜3 秒なので、15 語の台詞を 4 秒のクリップに入れれば、早口になるか途中で切れるかです。解像度を買う前に、台詞に必要な秒数を買ってください。