2026/08/26

Wan 3.0プロンプトガイド：30秒動画スクリプト構成

Wan 3.0で30秒の一貫性のあるビデオスクリプト作成方法を学ぶ。タイムテーブル構成、カメラ方向指示、参照素材の役割定義、音声、例、修正手法。

良いWan 3.0プロンプトは、ビジュアル形容詞の羅列ではなく、コンパクトな撮影構成書のように読めます。 ワールドと被写体を一度だけ定義し、アクションをタイムテーブル分割し、カメラに毎回一つの明確な仕事を与え、実際に必要なサウンドを記述します。クリップがWan 3.0の30秒上限に近づくほど、この構成がより重要になります。^[1]

このWan 3.0プロンプトガイドは、「魔法のキーワード」ではなく、制御可能な指示に焦点を当てています。どのテンプレートも、アイデンティティ、正確なタイミング、判読可能なテキスト、または物理的な連続性を保証することはできません。しかし矛盾を除去し、失敗したテイクを診断しやすくすることはできます。

TL;DR

フォーマット、時間、一文の意図から始めます。
アクションタイムラインの前に、被写体、場所、ライティング、連続性ルールをロックします。
タイムテーブルの各セクションに、メインアクションとカメラ指示を一つずつ付けます。
参照素材の名前は位置で指定します：Prime APIの場合はImage1、Video1、Audio1。標準Wan 3.0は文書化されたポジション参照構文を使用します。
音声が有効な場合、会話、環境音、エフェクト、無音を明示的に説明します。
プロンプト全体を長くするのではなく、失敗する可能性のある部分を一つずつ修正します。

意図とワールドからタイムテーブル、カメラ、サウンド、最終フレームまでのWan 3.0プロンプト構成

Wan 3.0プロンプト公式

5つのブロックを使用します。最終的なプロンプトではラベルは必要ありませんが、作成時に分けておくと、漏れが目に見えやすくなります。

1. Intent: format, duration, aspect ratio, and the point of the video
2. World: setting, time, weather, visual treatment, and sound environment
3. Anchors: recurring people, objects, wardrobe, and non-negotiable details
4. Timeline: ordered time ranges with action and camera direction
5. Guardrails: what must stay unchanged and what must not appear

最初の3つのブロックは、安定したワールドについて説明します。タイムテーブルは、何が変わるかを説明します。両方をすべての文に混ぜると、繰り返しと小さな矛盾が生じます：コートがジャケットになり、夜明けが夕焼けになり、ロックされたカメラが同じセクションの半分から周回し始めます。

タイムテーブルセクション数を時間に合わせます

5秒のクリップは1つのアクションを含むことができます。30秒のクリップは進行が必要ですが、必ずしも数十個のカットが必要というわけではありません。被写体とカメラが要求した内容を完了するのに十分な時間を各セクションに与えます。

Duration	Useful starting shape	Typical prompt focus
2–6 seconds	One beat	One action, one camera move
7–15 seconds	Two to four beats	Setup, action, finish
16–30 seconds	Four to seven beats	Clear progression with transitions

これらは、モデル制限ではなく、編集上の開始地点です。空の部屋を静かに30秒押し続けるのには、1つの持続した指示で十分かもしれません。高速な製品映画には6つの短いセクションが必要かもしれません。コンテンツが数を決定します。

時間範囲は順序も表すので、正確なフレームのカットポイントではありません。進行を示すために0–5s、5–11s、11–18sと記述し、モーションが早く始まったり、遅く落ち着いたりすることを想定してください。カットが正確なフレーム上で発生する必要がある場合は、ビデオエディターでタイミングを完成させてください。

完全な30秒Wan 3.0プロンプト

以下の例は、カメラ用語のリストにならないほど意図的に詳細です。これは、1人の人物、1つの場所、1つの物理的な作業をクリップ全体を通して実行します。

Format: 30-second cinematic documentary scene, 16:9, one continuous morning.

Setting and tone: A small coastal repair workshop at dawn. Cool blue daylight
enters through salt-streaked windows; two warm work lamps remain on. Natural,
restrained photography with worn wood, oxidized tools, damp concrete, and no
glossy commercial styling. Quiet surf outside, soft room tone, occasional
metal contact; no music and no dialogue.

Continuity anchors: The same woman in her late fifties throughout, short silver
hair, dark navy coveralls with one stitched orange patch, brown work boots. The
same red mechanical tide clock remains on the center bench. Keep her clothing,
face, workshop layout, clock shape, and direction of window light unchanged.

0–5s: Wide static view from the doorway. She crosses the workshop carrying the
red tide clock and places it on the center bench. Let the room establish before
the camera moves.

5–11s: Slow push toward a medium shot as she opens the clock's back plate. Her
hands move carefully; small screws are placed in a shallow metal tray.

11–18s: Over-shoulder close view. She cleans one corroded gear with a narrow
brush, rotates it once, then pauses when it catches. One soft scrape and a
single metal click are synchronized to the movement.

18–24s: Gentle lateral move to her profile. She adjusts the gear, closes the
mechanism, and turns the clock upright. Keep the bench and window positions
consistent across the move.

24–30s: Medium close-up. The clock hand begins to move. She listens, exhales,
and gives a small private smile while the camera stops. End on the clock and
her hand resting beside it; hold the final composition for two seconds.

Avoid: extra people, wardrobe changes, moving windows, new tools appearing,
dramatic lens flares, subtitles, logos, narration, or background music.

プロンプトには1つのアークがあります：運ぶ、開く、診断する、修復する、確認する。各セクションはその場所を獲得します。結果が急ぐ場合、より多くのタイミング言語を追加する前にアクションを削除してください。

カメラ方向を装飾ではなく行動として記述します

カメラ用語は、見るものを変更するときに役立ちます。「シネマティック、壮大、動的」とはほとんど何も言いません。「広い玄関ビューからウエスト以上のショットへのゆっくりしたプッシュ」位置、方向、ペース、目的地を定義します。

有用なカメラの指示には、通常、これらの要素の2つまたは3つが含まれます：

framing: wide, medium, close-up, overhead;
movement: locked, pan, track, push, pull back, orbit;
speed: slow, walking pace, sudden, held still;
relationship: follow behind, stay at eye level, keep the product centered;
end state: stop on the face, reveal the room, hold the last composition.

互いに矛盾する指示をセクション1つにスタックしないようにしてください。三脚の固定ショットは、同じ時点でハンドヘルド周回を行うこともできません。マクロクローズアップは、同時に全身ビューを保持することはできません。両方のビューが重要な場合は、それぞれ異なる時間範囲を与えてください。

参照プロンプトは資産に仕事を割り当てる必要があります

Wan 3.0は参照画像、ビデオ、音声を受け入れ、ドキュメントおよびウェブページモードは構造化されたソース素材を使用できます。^[2] プロンプトは、単に利用可能なすべてのものをアタッチするのではなく、各資産が何を制御するかを説明する必要があります。

Use Image1 for the performer's face and hair. Use Image2 only for the green
raincoat and its silver fasteners. Use Video1 for the walking cadence, not for
the location or camera angle. Use Audio1 as the voice reference for the single
line at 12–15 seconds. Preserve the workshop from the first-frame image.

参照数は品質の目標ではありません。異なる仕事を持つ2つの画像は、しばしば異なる照明と衣装を持つ10個のニアデュプリケートより簡単に説明できます。「これを…に使用する」という文を完成させることができない場合は、参照を削除してください。

フレームモードと参照モードも異なる指示です。最初のフレームはクリップが開始される場所を定義します。参照画像は、その正確な開始構図を約束することなく、アイデンティティまたは外観をガイドします。モーション書き込み前にモードを選択してください。

音声には簡潔にその行が必要です

Wan 3.0はデフォルトでオーディオトラックを生成できますが、ビジュアル説明では、シーンに会話、音楽、エフェクト、または無音が含まれるかどうかは指定しません。これらの選択肢を明確に記述してください。

弱い：

Cinematic street scene with immersive sound.

より強い：

Natural evening street ambience: distant buses, one bicycle bell as the rider
passes camera, light rain on the awning. No music, no narration, no dialogue.

会話については、割り当てられた時間に十分な短さの行を保持し、話者を特定します。感情的な配信を言葉から別々に要求します。発音、リップシンク、クリッピング、不要なスピーチ、およびショット間を変更するサウンドベッドの結果を確認してください。

悪いテイク後にプロンプトを修正する方法

失敗するたびに形容詞を追加して対応しないでください。出力が最初に分岐した場所を特定してから、最も関連する小さなブロックを変更してください。

Failure	First revision to try
Identity drifts	Remove conflicting references; shorten the shot; restate one identity anchor
Action is rushed	Reduce the number of actions or lengthen that beat
Camera ignores direction	Keep one movement and define its start/end framing
Objects appear or vanish	List the essential objects once and add a continuity guardrail
Audio is generic	Name ambience, effects, dialogue, music, and silence separately
Ending feels unfinished	Reserve the final two or three seconds for a clear end state
Text is misspelled	Avoid generating critical typography; add verified text in post

可能な場合は、再試行時に1つの変数を変更してください。被写体、タイムテーブル、カメラ、サウンドを同時に書き直すと、より良い出力は、どの修正が機能したかについて何も教えてくれません。

このループ中はコストが重要です。標準Wan 3.0は現在、Video Primeより低い秒ごと料金で始まり、480Pは720Pまたは1080Pより安いです。30秒の最終に確定する前に、短いまたは低解像度のバージョンを作成してください。現在の例については、Wan 3.0 API料金ガイドを参照してください。

短いプロンプトチェックリスト

提出前に、詳細ではなく矛盾についてプロンプトを一度読み取ります。

すべてのアクションに対して時間は十分長いですか？
各セクションには1つのメイン被写体アクションがありますか？
カメラは物理的に指示を実行できますか？
繰り返し被写体、衣装、位置は一貫して説明されていますか？
すべての参照には1つの名前の仕事がありますか？
会話、エフェクト、環境音、音楽、無音は指定されていますか？
最終的な構図は明確ですか？
代わりに事後に追加すべきテキストまたはロゴを保持するようにモデルに尋ねましたか？

答えが明確な場合、プロンプトは準備完了です。より多くの言葉は自動的にコントロールが多くありません。

Alibaba Cloud. Wan 3.0: 30-Second AI Video Generation from Any Input. Retrieved August 26, 2026 from alibabacloud.com/blog/wan3-0-30-second-ai-video-generation-from-any-input_603452
reAPI. Wan 3.0 API documentation: input modes, media limits, duration, audio, and request fields. Retrieved August 26, 2026 from reapi.ai/docs/wan-3-0
Alibaba Cloud Model Studio. Wan 3.0 Video Generation: native 30-second output and omni-reference workflows. Retrieved August 26, 2026 from modelstudio.console.alibabacloud.com/model-releases/wan3.0-video