Wan 3.0 影片生成：長鏡頭搭配多張參考圖

長度以整秒計算，2 秒到 30 秒都可以。半分鐘的時間足夠讓一個場景完整發生：主廚從下第一樣食材一路做到擺盤，鏡頭慢慢掃過整間店面，角色走進畫面後做出反應，全部在同一次生成裡完成，不用再把幾段短片接在一起。

要出現在畫面裡的人物、物品或場景，都可以上傳照片，上限十張。模型會參考這些圖片來生成影片。想讓吉祥物、某個人的臉，或是瓶身上的標籤在長鏡頭裡一直認得出來，這比單靠文字描述可靠得多。

每張上傳的圖片都會依位置命名：第一張是 Image1，第二張是 Image2，接下來依序類推。寫成「Image1 的舞者穿上 Image3 的外套」，模型就知道你指的是哪一張。圖片超過兩三張以後，這種寫法特別好用。

想自己掌握構圖？上傳一張靜態畫面，影片就會從這個畫面開始。如果你已經知道鏡頭最後要停在哪裡，再補一張結尾畫面，例如一開始禮物盒是關著的、最後是打開的，然後在提示詞裡寫出中間的過程。

聲音和畫面在同一次生成中產生，音訊開關預設是開啟的。希望影片一做好就有聲音，保持開啟就好；如果後製時要另外配樂或錄旁白，就先把它關掉，免得還要把原本的聲音拿掉。

選「自適應」時，畫面比例會沿用你提供的素材，直式拍的照片做出來還是直式。如果比例是由發布平台決定，而不是由素材決定，就直接選 16:9、9:16、1:1、4:3 或 3:4。

把商品的正面、背面和標誌當成參考圖上傳，再描述它被拆封、倒出或穿戴的過程。在提示詞裡逐一點出每個角度，有助於讓標籤和外型在整支影片裡都貼近實物。

準備一組角色圖片，每一集短劇都用同一組。每段提示詞裡都是同一個 Image1，比起每次都重新描述角色的長相和穿著，穩定得多。

把一格分鏡當作開場畫面，下一格當作結尾畫面，再描述兩格之間的動作。在正式安排拍攝前，用這個方法就能很快看出一個轉場行不行得通。

選 9:16，長度接近 30 秒，很適合短影音平台上那種一鏡到底就能講完的食譜、小技巧或使用前後對比。

鏡頭慢慢走過咖啡廳、飯店客房或展示間，需要足夠的時間。把空間的照片當成參考圖上傳，再寫清楚鏡頭從入口一路走到窗邊的路線。

廣告公司和接案者可以先用 480P 做一版氛圍片，跟客戶確認調性，再用同樣的提示詞和參考圖，把定案的版本以 1080P 輸出。

上傳前先決定每張圖的用途：Image1 是主持人，Image2 是球鞋，Image3 是街角。然後在提示詞裡清楚寫出來。兩張幾乎一樣的照片，用文字很難分辨；每個元素配一張清楚的圖，點名時最輕鬆。

圖片名稱是跟著上傳順序來的，所以如果主角在文字裡最先登場，就先上傳他的照片。萬一順序弄錯，照正確順序重新上傳，通常會比繞著編號改寫提示詞快。

做 20 秒或 30 秒的影片時，照時間順序列出會發生的事：開場畫面、主要動作、轉折，還有鏡頭最後停在哪裡。只有一句話的提示詞拉長到半分鐘，大部分的時間其實都沒有交代到。

從開場畫面開始，或者參考圖本身的構圖已經很明確時，選自適應就能保留原本的畫面比例。如果只有文字，或是平台規定固定格式，例如直式短影音要用 9:16，就自己指定比例。

價格會隨著長度和解析度一起提高，所以先用 480P 和較短的長度把想法試一遍。等動作和節奏都對了，再用同一段提示詞，以 1080P 和需要的完整長度重新生成。

主體在做什麼寫一句，鏡頭怎麼移動另外寫一句，例如「她把咖啡倒進杯子。鏡頭從門口慢慢推近。」之後只想改其中一項時，一看就知道要改哪一句。