Wan 3.0 视频生成：长镜头与多张参考图

时长以整秒为单位，从 2 秒到 30 秒随你定。半分钟足够让一个场景完整地发生：厨师从放下第一样食材一直做到摆盘点缀，镜头在店铺里缓缓穿行，人物走进画面再做出反应，这些都能在一次生成里完成，不必把好几段短片拼接起来。

人物、物品、场景，凡是要出现在画面里的，都可以上传照片，最多十张。模型会对照这些图片来生成视频。想让吉祥物、某张脸或瓶身标签在长镜头里始终认得出来，这比只靠文字描述要实在得多。

每张上传的图片都按位置命名：第一张叫 Image1，第二张叫 Image2，依此类推。写成“Image1 里的舞者穿上 Image3 里的夹克”，模型就知道你说的是哪一张。图片一旦超过两三张，这种写法的好处就很明显。

想自己把控构图？上传一张静帧，视频就从这个画面开始。如果你已经想好镜头最后要落在哪里，再加一张尾帧，比如开头礼盒是合着的、结尾是打开的，然后在提示词里写清楚中间发生了什么。

声音和画面在同一次生成里产生，音频开关默认是打开的。想让视频拿到手就带声音，保持开启即可；如果后期要另配音乐或旁白，就把它关掉，省得还要先把原来的声音去掉。

选择“自适应”，画面比例就沿用你输入的素材，竖着拍的照片生成出来依然是竖的。如果画幅是由发布平台而不是素材决定的，就直接选 16:9、9:16、1:1、4:3 或 3:4。

把商品的正面、背面和 logo 作为参考图上传，再描述它是怎样被拆开、倒出或穿戴的。在提示词里逐一点名这些角度，有助于让标签和外形在整条视频里都贴近实物。

准备一组角色图片，每一集短剧都沿用这一组。每段提示词里都是同一个 Image1，比每次都从头描述角色的长相和衣着要稳当得多。

把一格分镜当作首帧，下一格当作尾帧，再描述两格之间的运动。在正式安排拍摄之前，用这种方法就能很快看出一个转场是否成立。

选 9:16，时长接近 30 秒，适合短视频平台上那些用一个不剪辑的镜头就能讲完的菜谱、小技巧或前后对比。

镜头慢慢穿过咖啡馆、酒店客房或展厅，需要足够的时间。把这个空间的照片作为参考图上传，再写清楚镜头从入口一路走到窗边的路线。

广告公司和自由职业者可以先用 480P 做出一版氛围片，和客户确认调性，再用同样的提示词和参考图，把通过的版本以 1080P 渲染出来。

上传之前先想好每张图的用途：Image1 是主持人，Image2 是球鞋，Image3 是街角。然后在提示词里明确写出来。两张几乎一样的照片在文字里很难区分，每个元素配一张清楚的图，点名时最省事。

图片的名字跟着上传顺序走，所以如果主角在文字里最先出场，就最先上传他的照片。万一顺序弄错了，按正确顺序重新上传，通常比围着编号去改提示词更快。

做 20 秒或 30 秒的视频时，按时间顺序列出会发生什么：开场画面、主要动作、转折，以及镜头最后停在哪里。一句话的提示词被拉长到半分钟，大部分时间其实都没有交代。

从首帧开始，或者参考图本身的构图很明确时，选自适应就能保留原来的画幅。如果只写文字，或者平台要求固定格式，比如竖屏信息流需要 9:16，那就自己指定比例。

价格会随时长和分辨率一起上涨，所以先用 480P 和较短的时长把想法试一遍。等动作和节奏都对了，再用同一段提示词，以 1080P 和需要的完整时长重新生成。

主体做什么写一句，镜头怎么动另写一句，例如“她把咖啡倒进杯子。镜头从门口缓缓推近。”以后只想改其中一项时，一眼就能看出该改哪一句。