Wan 3.0 プロンプトガイド

Wan 3.0 のプロンプトは、ひと続きのテイクとして、レイヤーで読まれます。そして空けたレイヤーは モデルがすべて埋めます。つまり、思った通りに返ってこなかったクリップの直し方は、ほとんどの場合 プロンプトを長くすることではありません。運任せにしたレイヤーに名前を付けることです。

全体の形はこれだけです。この先に書いてあることは、すべてこの 6 行のどれかについての話で、 根拠になった規定と、それを確認した日付が付いています。

Subject     誰が・何が。そのままでいてほしい姿で書く
Scene       どこで起きるか。光が何をしているか
Motion      最初の 1 秒と最後の 1 秒のあいだで何が変わるか
Camera      レンズがどこにあるか。動くのかどうか
Sound       セリフ・効果音・音楽。どれでも、あるいはどれも無し
Reference   添付があるなら Image 1、Video 1、Audio 1

これを Wan 3.0 プロンプトジェネレーターに貼れば、アリババ自身の言い回しで レイヤーを埋めてくれます。無料、アカウント不要、1 日あたりの上限もありません。自分で書くなら、 このページを 1 レイヤーずつの点検表として使ってください。

レイヤーを 1 つ空けると Wan 3.0 は何をするか

対になる 2 組を、2026-09-07 にここで走らせました。組の中ではシードを固定し、書き換えはオフ、 480P で 5 秒。2 つのプロンプトの違いは、Camera 行と Sound 行を消したかどうかだけです。

そのうち 2 つは両方の組で成り立ちました。どちらもプロンプトの書き方を変える価値があります。

• Camera 行を消しても中立なカメラは手に入らない。誰かの選んだカメラが来る。 時計の組では その選択が角度そのものの変更でした。真上が目線の高さになるのは、同じショットの振れ幅ではなく 組み直された別のショットです。
• Sound 行を消しても音は付いてくる。 書かずに走らせたクリップは、どちらも無音では返って きませんでした。頼んでいない音がそのまま納品物として困るなら、止める場所は Sound レイヤーです。

成り立たなかったものが 1 つあり、これは当てにする前に知っておく価値があります。 「静かな部屋の空気音だけ、音楽も声も無し」は音量つまみではありません。 カップの組では 平均を 31 dB 下げ、時計の組では 3 dB しか下げず、静かにと頼んだ時計のクリップはフルスケールまで ピークが振れました。Sound レイヤーには、何が聞こえるべきかを書いてください。どのくらいの大きさかを 書く場所ではありません。

「カメラは動かない」も成り立ちませんでした。 固定を頼んだクリップは、どちらも流れます。 この 2 組では、Camera 行は角度を確実に買えて、固定はまったく買えませんでした。

2 組は 2 組でしかありません。起きたことを報告するには足りますが、あらゆる被写体に効く規則を 決めるには足りません。シードも設定も上に書いてあるので、同じ試験をご自身の Wan 3.0 の指示で 1 分ほどで走らせられます。

Wan 3.0 のプロンプトは走る前に書き換えられている

ここに書いた他のすべての規則の効き方を変えてしまうパラメータが 1 つあり、切らないかぎり 入っています。prompt_extend は既定で true で、これが入っているあいだ、あなたが打った文章は 大規模言語モデルに書き換えられてから動画モデルに渡ります。

そこから 2 つのことが出てきて、どちらも今日から効きます。

• 同じプロンプトを 2 回走らせても、同じプロンプトではない。 書き換えが 2 回走ったので、 指示書も 2 通り入りました。何も変えていないのに 2 回目の構図が違ったなら、たいていこれです。
• 薄い指示ほど得をして、薄い指示ほど手放す。 短いプロンプトを膨らませるのが書き換えの 仕事です。3 語渡せば残りの 40 語は向こうが作ります。6 レイヤー渡せば、作る余地はほとんど 残りません。

だからショットの 2 案を比べるとき — カメラワーク 2 通り、衣装 2 通り — 先に書き換えを切ってください。 そうしないと変わったものが 3 つあって、見えているのは 2 つだけになります。

シードを固定しても比較は救えません。seed についてのアリババ自身の注記は、同じ値でも結果が 完全に同一にならない場合があると書いています。「同じプロンプト、同じシード」は、硬い主張 1 つ ではなく緩い主張 2 つです。

Wan 3.0 に読ませるのではなく演じさせるセリフの書き方

音は絵と同じ処理の中で作られます。だからセリフはプロンプトに書くもので、後から録る音声ファイル ではありません。音を切っても安くならないので、省いて浮くものは何もありません。

アリババは公式を公開しています。

Voice = Character's lines + Emotion + Tone + Speed + Timbre + Accent

その実例ではダブルクォートが使われています。

He says, "Study hard and make progress every day," in a relaxed tone.

話し手が 2 人以上いるときは、先に名前を、後にセリフを置きます。

[Character A: Black-suited Agent]
[Black-suited Agent, angrily]: "Where is the truth?"

波かっこの規則を以前ここで読んだなら、あれは言いすぎでした

このサイトの 7 ページが、セリフとナレーションを分けるのは波かっこだけで、クォートで書くと ナレーションとして読まれる、と書いていました。波かっこは効きます。「だけ」は違いましたし、 クォートについての部分も違いました。アリババ自身のリリースページにあるセリフのデモのうち 5 つは、 波かっこをどこにも使っていません。2026-09-04 訂正。

演じさせられるかどうかを実際に決めるのは 3 つで、選んだかっこはその中に入っていません。

1. セリフはそのまま書く。 誰かが何を言うかの要約は、ナレーションで返ってきます。聞かせたい 言葉は、その言葉として現れている必要があります。
2. 描写から切り離す。 部屋についての文の中に埋め込まれたセリフは、部屋の一部として読まれます。
3. 画面の中にいる誰かに結び付ける。 画面に体のない声は、セリフがナレーションに化ける最も よくある道筋です。

添付した素材にプロンプトから触れる

参照モードでは、プロンプトから添付を番号で呼べます — Image 1、Video 1、Audio 1 — そして 番号は種類ごとに振られるので、画像も動画もそれぞれ 1 から数えます。

書き方を外してもエラーにはなりません。リクエストは走り、課金され、渡したつもりだった被写体を モデルが勝手に作ります。この沈黙が高く付く部分です。

1 リクエストに載るのは参照画像 10 枚、動画 5 本で合計 15 秒、音声 5 本で合計 15 秒、 さらに 50 ページまでのドキュメント 1 つか、公開されている Web リンク 1 つのどちらかです。

参照素材と最初/最後のフレームは一緒に運べません。 両方を載せたリクエストは拒否されます — しかも待ち行列に入った後で拒否されるので、失敗するまで待たされます。書き始める前にどちらの系統かを 決めてください。ショットの開始と終了がはっきり決まっているならキーフレーム、顔や製品や色味を クリップ全体で保たせたいなら参照素材です。

Wan 3.0 に無い 3 つの操作

このモデルで今上位に出ているガイドは、3 つとも書いています。どれもリクエストのスキーマには 無く、そのどれかを前提にプロンプトを書くと午後がまるごと消えます。

現場での言い方にするとこうです。頼んだショット数は要望であって契約ではありません。 はっきり分かれた場面を書けば、たいていそのあいだで切ってくれます。ひと続きのテイクを頼めば、 たいてい保ってくれます。どちらも舵を取れる傾向で、その裏にあるパラメータ表の全体は Wan 3.0 の仕様ページにあります。

Wan 3.0 で思考を入れる必要があるとき

プロンプトがドキュメントや Web ページを指しているなら、enable_thinking を true にしないと モデルはそれを開きません。リクエストは成功しますし課金もされます — ただ、あなたの文章だけから 生成して添付を無視するだけです。見た目はプロンプトが悪かったときとまったく同じですが、悪いのは プロンプトではありません。

最初のフレームが描かれる前に、構図と配置と動きについて考えるもの、と説明されています。そのため、 ひと続きの動作の中で出来事が順番に起きる場合にも試す価値があります。ドキュメントもリンクも 付いていないときは切っておくのがアリババ自身の推奨です。これは独立した 4 つの API ゲートウェイで 一致して記載されており、アリババ自身のリクエスト例にも現れますが、英語のリファレンスにはまだ 載っていません — なので確実というより信頼できる、として扱ってください。2026-09-02 確認。

返ってきたものから、直すべき行を引く

すでにクリップになった Wan 3.0 のプロンプト

規則を読むより、通ったプロンプトを読むほうが速いです。Wan 3.0 プロンプト例の ライブラリは、どの項目も生まれたクリップの隣に全文が載っていて、同じ 6 レイヤーに分かれ、動かせる レバーと、壊すと分かっている編集が付いています。指示書の形そのものに自信がないときはそちらから、 どのレイヤーが悪いか分かっているときはこちらに戻ってきてください。

プロンプトを詰めるのにいくらかかるか

プロンプトを詰めるには試行が要り、いちばん安く試せるのは 480P です。1 秒あたりの値段は 1080P の 4 分の 1 で、音は同じものが付きます。480P で言葉を詰め、場面が保てるようになったら 720P に移り、 1080P は残す 1 本にだけ使ってください。

直したプロンプトは、カード無しでここで試せます。最初のクリップは無料です — 480P で 3 秒、音付き、 有料プランと同じ wan3.0-video の上で。 お試し用の別エンジンでも、透かし入りでもありません。 1 本のプロンプトをフルの長さで走らせる価値が出たときは、プランは年払いで月 $12.90 から。どのプランでも 3 つの解像度すべてと 30 秒まで届きます。直したプロンプトを走らせる。

よくある質問

Wan 3.0 のプロンプトはどう書けばいいですか

6 つに名前を付けてください。被写体、場面、動き、カメラ、音、そして参照素材があればそれ。空けた ものはモデルが埋めるので、名前の無いレイヤーは向こうが決めるレイヤーです。長さはレバーでは ありません — 6 つ揃った 40 語のプロンプトは、2 つ欠けた 400 語のプロンプトに勝ちます。

Wan 3.0 の動画がプロンプトと違うのはなぜですか

いちばん多いのは、動画モデルが読む前に言語モデルがプロンプトを書き換えたからです。 prompt_extend は既定で入っていて、薄い指示ほど大きく膨らませます。6 レイヤーすべてを書くか、 書き換えを切るかすれば、打った文章と返ってきたものの差は縮みます。

Wan 3.0 のセリフに波かっこは必要ですか

いりません。波かっこも効きますし、アリババ自身の例で一貫して使われているダブルクォートも 効きます。大事なのは、セリフがそのまま現れていること、描写から離れていること、そして画面にいる 誰かのものであることです。

Wan 3.0 にショット数を指定できますか

頼むことはできますが、それを守らせるパラメータはありません。ショット数もディレクターモードも スキーマには無いので、はっきり分かれた場面を書くことは、設定ではなく強めのヒントです。

Wan 3.0 のプロンプトはどのくらい長くできますか

中国語でも英語でも 20,000 文字までです。それを超えると拒否されるのではなく黙って切られるので、 指示書をまるごと貼るなら知っておく価値があります。

Wan 3.0 が PDF を無視したのはなぜですか

思考が切れていたからです。ドキュメントやリンクには enable_thinking を true にする必要があり、 入れないとリクエストは走って課金もされ、添付は一度も開かれません。