提示詞叫他「he」，然後就再也沒有描述過他。那個影格已經把人介紹完了。
一個遊客放下相機、抬頭看向一座鐘樓，然後看見自己站在上面。整支跑五秒、沒有對白，而且從頭到尾沒有描述過自己的主體 —— 它用一個代名詞開場，其餘全部交給參考影格。它也是這個庫裡唯一一段要求鏡頭在兩個視點之間交替的提示詞，而那超出了五秒能從容做到的範圍。
阿里巴巴為這個模型公布的示例 —— 不是在本站生成的。 來源：wavespeed.ai
Output reference
影片1 支免費 · WAN 3.0 · 480P1 支免費 · WAN 3.0 · 480P · 3 秒 · 帶聲音
片子擺在做出它的那條提示詞旁邊，整條印出來。把它複製進上面的控制台，改你需要改的，然後生成。
參考產出
影片三個動作、一次揭曉，以及一條在五秒裡要兩個視點的鏡頭指示。
He lowers the camera, looks at the busy square around him, then raises it again to compare the scene. He slowly turns toward a clock tower visible in the distance, suddenly noticing someone standing there who appears to be himself. The camera alternates between his viewpoint and a slow push toward his stunned face. Urban suspense, subtle sci-fi hook, clear story movement.
Wan 3.0 讀的是一整條白話字串，但它是順著接縫讀的。拿走一層，而不是整條提示詞 —— 美學和聲音那兩行幾乎能換到任何主體上，而它們正是大多數人寫得最差的兩行。
He … someone standing there who appears to be himself
一個代名詞，加一個只靠「與他的關係」定義的分身。臉由影格提供，而第二個人影繼承它 —— 那比把同一個人描述兩次更便宜也更可靠。
the busy square around him … a clock tower visible in the distance
兩者都已經在影格裡。點名它們是為了指向它們，不是為了把它們蓋出來，所以兩個都沒有形容詞。
lowers the camera … raises it again … slowly turns toward a clock tower … suddenly noticing
用 `then` 排序，而那是 Wan 3.0 唯一有的排序文法。注意速度的對比：三個慢動作加一個突然的，而那個突然的就是節拍。
The camera alternates between his viewpoint and a slow push toward his stunned face.
這裡最有野心、也最弱的一行。視點交替意味著至少兩次切，而五秒給每一次不到兩秒去立起來。
Urban suspense, subtle sci-fi hook, clear story movement
`subtle` 在做真正的工作 —— 它讓那個分身保持是一個站在塔上的人，而不是一團發光的特效。「Clear story movement」則比較接近一個願望，不太像一條指示。
沒寫 —— 留給模型。
沒寫。一個廣場交給模型是安全的，但這裡的節拍是一次醒悟，而環境音突然掉下來，是這件事在每一部做過它的電影裡被讀出來的方式。
哪些改動是安全的。多數庫只發布這一份清單，這也是為什麼那麼多複製來的提示詞跑出來比原作還差。
用「he」開場就是重點。影格已經把他介紹過了；提示詞從場景中途開始，只描述他做了什麼。拿你自己的第一影格試一次 —— 把所有關於「主體是誰」的字全部刪掉，看看提示詞短了多少。
放下、抬頭、舉起、緩緩轉身 —— 然後是「suddenly noticing」。四個平靜的動詞讓一個突然的落下來。這是給一支五秒影片一個節拍最便宜的方法，代價是一個副詞。
「Someone standing there who appears to be himself」不用描述就拿到了同一張臉的第二個實例。任何時候你需要兩個必須一致的東西，就用「與第一個的關係」去定義第二個，不要把描述再寫一遍。
如果這次執行回來很糊，這就是該砍掉的那一行。挑一個：要嘛我們在他眼睛後面，要嘛我們推向他的臉。在五秒上，選一個比交替好，而推向臉的那一顆，是有反應在裡面的那一顆。
三種把它弄壞的方式
兩個視點需要兩個立起來的時刻。五秒以下沒有足夠時間讓第二個讀得出來，所以模型會用「丟掉一個」來解決 —— 而它不一定丟掉你會丟的那一個。
你一旦給塔上那個人影它自己的描述，它就變成另一個剛好長得像的人。「Appears to be himself」才是讓它成為同一張臉的東西；一張服裝清單則會把它弄壞。
「Subtle sci-fi hook」是把這顆鏡頭留在現實世界裡的那條約束。拿掉 `subtle`，或是加上一道光暈、一陣閃爍、一個傳送門，一個懸疑節拍就變成一個視覺特效 —— 那是一個好生成得多、也難看得多的東西。
這段提示詞做了另外五段沒做的事：它用一個代名詞開場。不是「a young man with a camera」，就只是「he」。那之所以可能，只因為附了一個第一影格，而它也是這個庫裡對「圖片轉影片到底改變了你怎麼寫」最清楚的一次示範。
省下來的比看起來多。這顆鏡頭的文字轉影片版本，在任何事情發生之前都需要一整段：年齡、體型、衣著、他手上那台相機、那個廣場、一天中的時間、光線。這些全部已經存在於參考影格裡，而且更詳細、也沒有自相矛盾的風險。把它們刪掉不只是讓提示詞變短 —— 它拿掉了每一個「文字和畫面可能衝突」的位置，而衝突正是圖片轉影片執行變糊的地方。
第二個技巧是那個分身。這段提示詞需要同一張臉的兩個實例，而那通常是你能向一個生成模型要求的最難的東西；它的做法是從來不描述第二個：「someone standing there who appears to be himself」。那個人影是用它與一張模型已經看得見的臉之間的關係來定義的。沒有東西可以被平均，因為場上只有一個描述。對照一下你把分身的外觀寫出來會怎樣 —— 現在有兩個關於「同一個人」的描述，而模型會把它們當成兩個剛好相似的人。
那個節奏值得整套偷走。四個動詞以平靜的速度過去 —— 放下、抬頭、舉起、緩緩轉身 —— 然後一個副詞換了register：「suddenly noticing」。一支五秒的影片剛好有一個節拍的空間，而這就是花掉它的方式。那些平靜的動詞不是填充物；它們是讓那個突然的動作「讀起來是突然的」的原因。把它們拿掉，那次醒悟就沒有東西可以作為它的對照。
然後是這個範本存在要去爭論的那一行。「The camera alternates between his viewpoint and a slow push toward his stunned face」是在五秒裡要兩種不同的鏡頭覆蓋。每一種在有意義之前都需要一個時刻去立起來，而那樣的時刻沒有兩個。老實的建議是選一個，而且選那個推鏡 —— 主觀視角看到的是一座塔，推鏡看到的是一個反應，而反應才是故事。只有在你把長度拉上去的時候才保留交替。
這次跑在 Prime 上，而那買到了什麼、沒買到什麼值得再講一次。Prime 是高速版。阿里巴巴替兩檔公布的是同一份輸出規格 —— 同樣的解析度、同樣的二到三十秒範圍、每秒三十影格 —— 而 Prime 每秒貴大約一半。它比較快回來。它沒有回來一張更好的畫面，而這段提示詞也不需要那個。
缺掉的是聲音，而在這裡它比在其他範本上損失更大。這個節拍是一次醒悟，而醒悟的標準電影文法是世界安靜下來。Wan 3.0 是在和畫面同一次執行裡生成聲音的，所以像「square ambience that drops away as he turns, no music」這樣一句，會同時把畫面節拍和聲音節拍排好。留著不寫，就是讓模型自己挑，而一個從頭吵到尾的廣場，正是讀起來「什麼都沒發生」的那個版本。
這裡的一切都在圖片轉影片裡跑。
在圖片轉影片裡，可以。參考影格已經把主體介紹過了，所以文字可以從場景中途開始，只描述他做了什麼。
用第二個與第一個的關係去定義它 ——「someone who appears to be himself」—— 不要再描述一次。同一個人的兩個描述，會產生兩個人。
兩種鏡頭覆蓋需要兩個立起來的時刻，而五秒只有一個。挑那顆有反應在裡面的，或是把長度拉上去。
它把科幻留在現實世界裡。沒有它，那個分身通常會帶著一道光暈或一陣閃爍抵達 —— 那比較好生成，也遠遠沒那麼令人不安。
只有在你想早一點拿到的時候。Prime 是高速檔，公布的輸出規格完全相同，每秒大約貴一半。
加節拍，並且把順序寫出來 —— then、after that、finally —— 而且說明它怎麼結束。一支沒有寫結尾的長 Wan 3.0 影片，會自己編一個。
由 wan-3.run 編輯團隊撰寫與維護發布於 最後更新