短剧镜头视频提示词｜个人思维图谱小站

正文

references/wan-3.0.md

只在目标档案明确写 target_video_model: wan-3.0 时使用。推荐档案：

{
  "target_video_model": "wan-3.0",
  "video_prompt_dialect": "wan-3.0",
  "video_prompt_language": "zh-CN",
  "native_duration_seconds": {"min": 2, "max": 30},
  "supported_generation_modes": ["text", "first_frame", "first_last_frame", "reference"],
  "audio_generation": "same_pass"
}

Wan 3.0 用中文自然指令，素材写成 图1、视频1、音频1。它和 Seedance 一样读中文长句，但素材标记、多镜时间段和对白写法都不同，不套用 Seedance 的 @图片N、{…} 或 <声音>。

选哪一种模式

本镜绑定的图	Wan 3.0 模式	正文怎么指代
没有图，且创作者已明确选择文生视频	文生	静态视觉锚点写进正文，不出现素材标记
只有一张 `用途：起始帧`	首帧	从输入帧的可见姿态写起，不另起标记
一张 `用途：起始帧` + 一张 `用途：结束帧`	首尾帧	终点只投影分镜已接受的终点
其他任何组合	参考	`图N` 逐张点名职责

首帧、尾帧与 reference_image、reference_video、reference_audio 在同一请求里互斥。「起始帧 + 角色图 + 场景图」整组走参考模式，起始帧也作为参考图送入，正文写「图1 是本镜开场画面」，不拆成首帧加参考图。没有起始帧、只挂身份或地点图时写具体取景，见目标模型能力档案。首帧与首尾帧模式本套件未实测。

素材编号与上限

图N、视频N、音频N 各自从 1 开始，按同类素材在请求数组里的次序编号，也就是本镜「输入参考图」里的 顺序。每次使用都写清这张图负责什么：「图1 中的年轻女子站在图2 的旧书店里」，不让一张图顺带决定身份、构图和动作。

一次最多 10 张参考图、5 段参考视频、5 段参考音频；视频与音频每段 1–15 秒，各自合计不超过 15 秒。首帧、尾帧各 1 张。正文不超过 20000 字符。超过上限时在分镜阶段按重要性取舍，并写明放弃了哪些参考。

时长

duration 为 2–30 的整数秒；带视频输入时，输入视频时长加输出时长不超过 30 秒。-1 是智能时长，由模型自己选。固定时长交付显式传分镜已接受的秒数，不把规划镜长写成自动时长下已经保证的输出长度。分辨率可选 1080P、720P、480P，画幅按项目已接受的那一个传。

多镜时间段

多镜按 (0:00 - 0:03) 镜头1，远景：… 写时间段，段与段首尾相接，最后一段终点等于总时长。

几个相邻镜头装进一次生成、每切挂自己的已接受关键帧时，先写一句「图1、图2、图3 依次是三个镜头的画面，图4 是老人，图5 是年轻女子」，再在各段里写「按图N构图」。成员资格与容器算术按交付形态的多镜容器记账，关键帧按切的顺序排在参考清单前面。

这种写法可用，但切点不准。一组 9 秒三切的小样本（要求 3.0/6.0 秒切）3 次：切点落在 2.46–3.46 / 4.92–6.17 秒，第三切与关键帧的构图相似度也明显低于前两切。需要准确切点的交付逐镜生成，或者生成后按实际切点剪辑。

对白与语速

对白写成 说道：“逐字台词”，用中文引号，跟在说话人的可见动作后面：「她望着镜头，声音轻而稳，用普通话说道：“……”」。这是官方示例的写法。花括号 {年轻女子用中文说：“……”} 在小样本里同样逐字完整、括号里的说明没有被念出来，但不作为本方言写法。
语速按对白预算先估再排时。Wan 3.0 中文小样本约 4.6 个可发声字/秒：21 字配 5 秒、41 字配 10 秒都以常速说完。41 字塞进 5 秒仍说完，但赶到 8.2–8.7 字/秒；66 字塞进 5 秒时只说出前 21–24 字，其余静默丢掉，接口不报错。所以超出容量时看不到失败提示，生成后逐字核对台词是否说完。
说话人的声音要跟参考音频走时，写「图1 中的女子说话时，音色参考音频1」。实测挂一段该角色另一句话的合成做参考，两个角色 9 镜的声音都明显靠向参考，口型与不挂参考时接近；这是跨镜保持角色音色的默认做法。
把这句台词本身的合成挂成音频1、写「口型与音频1 逐字同步」时，生成的人声几乎就是这段音频，音色最稳；代价是口型略差（句中停住、提前张嘴更常见）。音色必须一致时用它，生成后逐镜看口型。
双人镜里不说话的人按对白、口型与声音的顺序处理；Wan 3.0 的小样本太小，写不写「他不说话、嘴唇闭合」没有看出差别。

声音与文字

写全本镜声景：环境底声、每个音效事件及其时机，并单独写一句配乐层——需要配乐就写情绪与进出，不需要就写「无背景音乐」。一组小样本里写全环境声、不提配乐与加「无背景音乐」各 4 次， 8 次都没有配乐；仍把配乐层写明，不留给模型决定。

默认禁字幕时写「全程无字幕，画面中不出现任何文字」；画内获准文字另行逐字说明。

智能改写

官方 API 的 prompt_extend 默认 true，会先用大模型改写提示词再生成。已审过的正文可能被改掉逐字台词、声音层或镜头数。直接调用 API 时显式传这个参数；所用平台不暴露它时，默认它在改写，生成后对照正文核对台词、声音层与切数。

编辑与延长

编辑和延长都是「reference_video + 写明意图的正文」，没有单独的任务类型字段，所以不写 Seedance 2.5 的「任务类型」一行：

编辑：「编辑视频，把视频1 中……改成……」，或用「去掉」「替换」「改成」点名要改的那一处，其余照原片保留。
延长：「将视频1 向后延长 N 秒」「延续」，或「向前延长」；需要 ratio: adaptive。从输入视频的实际终点写唯一动作和新终点，预算的是新增片段的时长与对白。

连续段需要上一段实际视频和实际尾帧时，因为首帧与参考互斥，两者都走参考模式：视频为 视频1，控制动作、节奏和声音连续；尾帧为 图1，只控制新段开场的可见姿态与构图。

依据（2026-09-26 核对）：Wan 3.0 视频生成 API：输入模式与互斥、素材上限、时长、prompt_extend、编辑与延长； Wan 3.0 视频生成指南：时间段写法、说道 对白、素材编号、编辑与延长关键词。

短剧镜头视频提示词

正文