Wan 3.0 提示词终极指南【2026】
浪费你三十秒中二十秒的提示词
你要求一位小提琴手演奏。返回的是一位在演奏的小提琴手，整个时长都保持不变，第二十八秒时没有任何东西是第二秒时还不成立的。生成成功了，但片段却不可用，因为对一个人的静态描述只产出了对一个人的静态记录。
现在换一个要求：她拉完乐句，放下琴弓，在最后一个音符渐渐消散时一动不动，同时镜头向左漂移。同样的主体，同样的乐器，同样的房间。不同之处在于第二个版本包含了一条弧线，而 Wan 3.0 一次生成约 30 秒并带有原生音频，这意味着它会渲染你给出的任何弧线，包括没有弧线。
Wan 3.0 已在 Atlabs 上线，因此本指南中的一切内容你今天都可以直接运行，无需单独的 API 账号。
为什么长镜头改变了你的写法
短片段提示词奖励描述，因为只有一个瞬间需要描述。在五秒的时长里，出色提示词与合格提示词的区别主要在形容词。你在 2024 年学到的一切都基于这一点，这也是为什么这么多提示词建议读起来像是一份视觉特质的购物清单。
在三十秒的时长里，你描述的不再是一帧画面，而是在安排变化。模型必须知道结尾与开头有什么不同，而你没有交代的每一秒，都会被它用自己的判断填满。这就是为什么长时长生成常常让人觉得拖沓。它们并不是拖沓，而是没有被交代清楚。
由此引出三件事。运镜行为必须明确写出来，因为未指定的镜头要么像监控画面一样锁定不动，要么按模型喜欢的方式漂移，而这两者都不是你做出的决定。音频必须加以指导，因为声音是在同一次生成中产生的，所以不提它并不等于要求静音，而是等于要求别人的混音。参考素材需要有明确的职责，因为 Wan 3.0 除片段、音频甚至文档外，还接受大约十张图片，而一个没有说明作用的素材仍会以你没有选择的方式影响输出。
第四件事则更微妙。Wan 3.0 在渲染之前会先对构图和动作进行推理，这意味着提示词的顺序很重要。先写主体、动作和镜头，让规划步骤首先锁定构图，然后再在其后叠加光线、动作和音频。把镜头景别埋在第四句话里的提示词，会围绕错误的东西进行规划。
SPACE 公式
在早期测试中表现最稳定的结构是 SPACE，它是一份简短的镜头简报，而不是一句说明文字。
主体（Subject） 是画面中具体是谁或是什么。一名穿着湿透黄色夹克的快递员，而不是一个人。 表演（Performance） 是动作及其如何演变。他用肩膀顶开门走了进去，而不是他站在那里。 环境（Ambience） 是场景、时间和光线。夜晚的一条窄巷，霓虹灯光洒在潮湿的砖墙上。 镜头（Camera） 是一种景别和一个有意为之的运镜。中景，缓慢推进。不是两个运镜，也不是三个，因为在同一个镜头中相互竞争的运镜指令，会产出一个无法决定自己在做什么的片段。 附加提示（Extra cues） 承载音频底噪、节奏、连贯性规则和参考标签。
完整写出来，模板是这样的：场景中的主体和主要动作、光线和时间，然后是视觉风格和氛围，然后是景别和一个运镜，然后是一条具体的音频描述，最后是参考标签，以及这是一个不间断的长镜头还是带有结束状态的分阶段序列。
弱提示词与强提示词的差距在成对的对比中体现得很清楚。“夜晚的雨街”对比“快递员的中景，在霓虹灯照亮的小巷里缓慢推进一次，雨水穿过主光落下。”“使用这些参考”对比“角色参考中的快递员穿过场景参考中所示的广场。”“加一些声音”对比“低沉的雨声底噪，没有音乐，镜头到达门口时卷帘门砰然关上。”“带徽标的产品视频”对比“影棚灯光下缓慢旋转一把拉丝钢水壶，旋转全程徽标清晰可辨。”在每一对中，强版本并没有长多少。它只是在模型原本需要猜测的地方给出了具体说明。
在 Atlabs 中的工作流程
Wan 3.0 位于 Atlabs 的模型阵容中，与 Kling、Veo、Seedance 和 Hailuo 并列，这意味着你只需写一次简报，然后选择适合该镜头的引擎，而不必在另一个工具中重新构建相同的简报。
与这种规范最契合的工作流是脚本生成视频，因为它把镜头简报变成了字段，而不是一段你必须凭记忆正确组织的文字。
脚本生成视频分三步运行。第 1 步提供两种输入模式：“添加你的脚本”用于以旁白为主的作品，带有语言选择器、AI 脚本撰写按钮和包含三个生成起点的推荐脚本面板；“添加你的剧本”用于结构化作品。粘贴任何带有剧本格式的内容，Atlabs 都会显示“检测到剧本”，并打开一个视图，左侧面板显示 AI 分析的旁白声音、场地和演员，右侧面板则将作品拆解为场景，每个场景包含场地类型、场地和时间，以及其中的各个镜头描述和对白块。
这些镜头块就是分阶段结束状态的界面版本。角色阵容面板则是角色参考锁定的界面版本。
分步教程
1. 在打开任何东西之前先写好弧线。 确定结尾与开头相比有什么可观察到的不同，然后把它拆分成带有结束状态的阶段。一份分阶段的简报是这样的：第一阶段以车轮竖立在支架上、工作台空无一物结束，第二阶段以车轮校正完毕、扳手仍在手中结束，第三阶段以支架空了、车轮挂在钩子上结束。这些结束状态就是模型可以据此规划的检查点。每个阶段只有一个主要变化，并把揭示放在后面，让最后一个节点有落脚之处。
2. 在第 1 步中选择你的输入模式。 当作品以旁白为主时，使用“添加你的脚本”。当你已经知道自己的镜头时，使用“添加你的剧本”，因为结构化视图可以避免镜头清单悄悄塌缩成一大段连续的文字，而这正是长篇提示词中最常见的失败。
3. 构建场景拆解。 将场地类型设为外景或内景，然后设置场地和时间。把每个镜头描述写成运动，而不是构图。“从中景缓慢推进，保持主体居于画面中央”给了模型可以执行的东西。“漂亮的电影级镜头”则没有给它任何可以据以规划的内容。在角色说话的地方添加对白块，填入角色名、台词和语气。每个场景中的镜头和对白都可以增删，因此节奏可以在这里收紧，而不是重写整个简报再盲目重新生成。
4. 在第 2 步中设置你的风格。 宽高比提供用于 TikTok 和 Instagram 的 9:16、用于 YouTube 的 16:9，以及用于 LinkedIn、Twitter、Facebook 和 Pinterest 的 1:1。视频风格提供 AI 视频（推荐）、AI 分镜，以及在你使用自己的素材时的上传。在定稿构图之前先锁定宽高比，因为在 16:9 下效果很好的缓慢推进，在 9:16 下裁切后会变成另一个镜头。
5. 在第 3 步中定稿角色阵容。 从脚本中提取的角色会显示“点击编辑”，并带有添加角色选项以及国家口音和旁白声音下拉菜单。在这里定义角色，所做的工作与在 Wan 3.0 提示词中命名角色参考相同。模型得到的是“这个人是谁”的一个固定答案，而不是在每个场景中即兴发挥出一个新答案。
6. 在 Wan 3.0 上生成，然后修复而不是重来。 当某一段失败时，把该片段带入修改视频，上传它，在提示词中以 @Video1 引用它，描述你想要的最终视频，并附上最多四张风格参考图像。保留原始音频带有开关，因此修复画面问题不会让你损失一条你本来很满意的音轨。
为什么 Atlabs 非常适合做这件事
第一个原因是模型调度。提示词的规范可以在模型之间通用，美学风格则不能，渲染风格化角色特写出色的引擎，很少也是渲染风暴光照下宽阔外景出色的引擎。Atlabs 运行 Wan 3.0 用于带原生音频和参考连贯性的长单镜头，Kling 3.0 和 Kling 2.6 用于电影级动态和流畅运动，Google Veo 3.1 用于照片级真实感、宽景和定场镜头，Seedance 2.0 用于风格化内容、动漫和角色特写，Hailuo 2.3 用于高动态和近似动漫的画面，Wan 2.6 用于开源电影级输出。你只需写一次简报并选择引擎，而不必在五个账号之间重新构建它。
第二个原因是身份和动作保持可分离。动作控制接受一段 3 到 30 秒的参考视频，将其动作应用到你上传的角色图片上，并让动作完全由参考片段而不是提示词来控制，同时提供一个可选的提示词字段，最多 2500 个字符，用于描述背景和场景细节。这正是你会写成“动作仅来自动作参考”的指令，只不过由工具来强制执行，而不是指望措辞能够奏效。
第三个原因是存在修复路径。长镜头会在特定位置而不是整体失败，可用的流水线与令人沮丧的流水线的区别，在于一段糟糕的四秒片段让你付出的是一次修复，还是一次完整的重新生成。修改视频接受 3 到 10 秒的片段以及最多四张风格参考图像，而放大则负责最终交付环节，目标分辨率为 720p、1080p 或 4K，帧率为 15、30、45 或 60。
示例提示词
1. 电影级长镜头。 黄金时刻的暴风光线下，一座风雨飘摇的山间堡垒，黑色旗帜在天空中猎猎作响。先拉开全景，再缓缓推近，一张地图在烛光摇曳的作战桌上缓缓展开。一位身着黑色天鹅绒、银发的女王站在火把照亮的大厅里，面对她的谋士们，而一支军队正穿过下方的薄雾行进。只使用缓慢从容的运镜，不要甩镜头。音频为低沉的鼓声、风声，以及稍晚才出现的管弦乐渐强。一条连贯的叙事主线。（最适合通过 Wan 3.0 生成） 在 Atlabs 脚本转视频中试试这条提示词
2. 分阶段的教学短片。 一位机修师傅在洒满阳光的小作坊里校正自行车轮圈。第一阶段：弯曲的轮圈平放在工作台上，旁边是一个空的校圈架，他把轮圈抬起放到位，最后轮圈立起、工作台清空。第二阶段：他拧紧辐条，轮圈随之旋转，最后轮圈校正完毕，扳手仍握在他的右手中。第三阶段：他把轮圈取下，挂到墙上的挂钩上，最后校圈架空着。全程保持他的衣着、作坊布局和午后窗光一致。音频为辐条扳手的咔嗒声、轮圈旋转声和安静的作坊环境音。一镜到底。（最适合通过 Wan 3.0 生成） 在 Atlabs 脚本转视频中试试这条提示词
3. 主角产品旋转镜头。 一把拉丝不锈钢水壶放在干净的反光台面上，柔和的主光来自画面左侧。缓慢进行360度旋转，整个过程中标志始终清晰可辨，最后停在正面的主视觉构图上。只有轻微的室内环境音，没有音乐，没有文字叠加，没有多余道具。产品的形状、质感和标志位置被完全保留。（最适合通过 Wan 3.0 生成） 在 Atlabs UGC产品广告中试试这条提示词
4. 参考锁定的行走镜头。 黄昏时分，一位身穿灰色长大衣的女子穿过广场，湿润的石面映出最后一抹余晖。从侧面以平视角度缓慢跟拍，温暖的轮廓光勾勒出她的肩膀，她朝镜头瞥了一眼，随即继续前行，步伐没有停顿。动作完全来自参考视频，背景和光线来自提示词。身份、面部和服装保持锁定。低沉的城市嗡鸣和轻柔的脚步声，没有音乐。 在 Atlabs 动作控制中试试这条提示词
5. 风格化宣传片。 纯正的2D赛璐珞动画，采用深海蓝、钴蓝、青色和纯白组成的冷色调，阴影边缘硬朗。一位黑色及肩长发、手持巨大刀刃的主角以侧面轮廓行走，身后是一座由管道和网格构成的城市徐徐掠过。转场由几何遮罩和反转效果完成，最终定格在一幅宽幅的图形构图上。锐利的特效和紧张的配乐，没有对白。一镜到底的风格化长镜头。（最适合通过 Seedance 2.0 生成） 在 Atlabs 脚本转视频中试试这条提示词
6. 以参考为主导的修复。 将上传的片段作为 @Video1，完全保持现有的构图和运镜。重新调色为更冷的色调，阴影更偏冷，面部的主光更偏暖，并与附上的四张风格参考图保持一致。保持角色的面部、发型和服装不变。不添加文字，不增加人物，不改变动作。 在 Atlabs 视频修改中试试这条提示词
专业技巧
按照模型规划的顺序来写提示词。 先写镜头，再写主体，然后是光线、动作，最后是音频。因为 Wan 3.0 在渲染之前会先推理构图，你放在最前面的内容会最先被锁定。如果简报开头是情绪，四句之后才写到镜头类型，模型就会围绕情绪来规划。
给每个参考一项任务，并说明它不负责什么。 快递员取自角色参考，小巷取自场景参考，动作只取自动作参考。干净、单一主体、光线良好的参考图，效果远胜于杂乱的拼贴图；而且排除说明与指令同样重要，因为一张没有限定的场景参考，除了墙面之外还会把里面的服装也带给你。
去掉过时的标签。 像 8k、masterpiece、trending 这样的词是上一代模型的提示词技巧，如今只会与清晰的指令相互干扰，而不是锦上添花。一句具体的镜头和光线指令，胜过一整段质量标签。
常见问题
Atlabs 上有 Wan 3.0 吗？ 有。它与其他模型运行在同一套工作流中，所以你可以在脚本转视频中搭建简报，并将生成路由到 Wan 3.0，无需另外注册账号。
Wan 3.0 的片段最长能有多长？ 单次生成大约30秒，带原生音频，画质为可直接交付的1080p。部分界面允许你指定时长，或者选择自适应，由模型根据提示词和参考来决定。
我可以使用多少个参考？ 大约十张图片，外加视频片段、音频，部分情况下还可以加入文档。请在提示词中按各自的作用为每一个参考加上标注，因为未标注的素材仍会以你未曾指定的方式影响输出。
改进长提示词最快的方法是什么？ 添加带有可观察结束状态的阶段。写明每一段结束时的状态，会给模型提供可以对照规划的检查点，从而解决节奏问题，而这是再多的额外描述也解决不了的。
我应该用 Wan 3.0 还是 Wan 2.6？ 当镜头很长、参考必须在整个时长内保持锁定，或者你希望声音与画面一起生成时，选择 Wan 3.0。对于不受这些限制的较短电影感片段，Wan 2.6 仍然是可靠的开源选择。
想要其他效果，我该选哪个模型？ Kling 3.0 适合电影感运动和流畅的动作，Google Veo 3.1 适合写实画面和建立镜头，Seedance 2.0 适合风格化角色作品和动漫，Hailuo 2.3 适合高强度运动。工作流保持不变，变的只是背后的引擎。
最终结论
长镜头提示词重规划而轻描述。以主体、动作和镜头领衔，让构图最先锁定。把镜头拆成带有结束状态的阶段，让模型有目标可循。指定一种运镜，而不是三种。在描述画面的同时指导音频。明确告诉每个参考它控制什么。
这些习惯会比下一个发布的模型活得更久，所以现在就值得养成。不那么容易延续的，是围绕提示词的一切：分镜清单、角色阵容、宽高比、模型选择，以及某一段出错时的修复环节。脚本转视频提供结构，UGC产品广告负责主打产品的镜头，动作控制让动作由参考来掌控，视频修改则在不让你从头再来的前提下修复需要修复的部分，而 Wan 3.0 就在这一切背后随时可用。
