01 Kernformel
Wan 2.7 versteht strukturierte Anweisungen: wer, was er tut, wie sich die Kamera bewegt, wo und in welcher Stimmung. Dieses Kapitel zerlegt einen guten Prompt in fünf wiederverwendbare Bausteine und stellt danach zwei praktische Werkzeuge vor — fünf Seitenverhältnisse und den Seed. Fixiere zuerst das Grundgerüst; jedes spätere Kapitel ist nur eine Erweiterung davon.
1.1 Die grundlegende Prompt-Formel
Alles beginnt mit einem Satz: Subjekt und Bewegung sind die beiden Pflichtteile; Kamera, Umgebung und Ästhetik werden nach Bedarf ergänzt. Spiele den Clip zuerst im Kopf ab und schreibe ihn dann mit der Formel auf. Die Dauer ist ein stufenloser Regler von 2–15 s — plane genau so viel, wie die Sekunden hergeben. Ein Bonus: Wan 2.7 erweitert kurze Prompts automatisch mit einem intelligenten Rewrite, aber ein gut strukturiertes Original schlägt dessen Vermutungen immer.
[Subjekt] + [Bewegung] + optional [Kamera] [Umgebung] [Ästhetik]
Subjekt
Der Protagonist — eine Person, ein Tier oder ein Produkt. Je konkreter, desto besser.
Bewegung
Was das Subjekt tut, mit Körperteilen und Tempo klar beschrieben. Langsame, stimmige kleine Bewegungen sind am zuverlässigsten.
Kamera
Einstellungsgröße und Bewegung: Nahaufnahme, Heranfahrt, Schwenk. Für Geschichten mit mehreren Einstellungen schreibe das Storyboard direkt, z. B. „Einstellung 1 [0–3 s] Totale“.
Umgebung
Szene und Atmosphäre: Ort, Zeit, Licht, Wetter.
Ästhetik
Bildsprache und Qualität: Farbton, Textur, Klarheit.
Fahrerin im Neonregen
Prompt
Auf einer regennassen Straße in Tokio bei Nacht sitzt eine Fahrerin in schwarzer Lederjacke auf einem schweren Motorrad, nimmt den Helm ab und schüttelt ihr durchnässtes Haar aus, während Neonschilder rosa und blaue Reflexe auf den nassen Asphalt werfen. Die Kamera fährt langsam aus der Froschperspektive bis zur Halbnaheinstellung heran, feiner Nieselregen ist im Gegenlicht deutlich sichtbar. Cineastische Qualität, Cyberpunk-Farbgrading, detailreich.
Zwei Sätze für Subjekt und Bewegung, je einer für Kamera und Umgebung, Stilwörter zum Abschluss — das ist ein solider Wan 2.7 Basisprompt. Empfohlen: 1080p, 16:9.
1.2 Die Wahl unter fünf Verhältnissen
Wan 2.7 bietet fünf Seitenverhältnisse: 16:9, 9:16, 1:1, 4:3 und 3:4. Es gibt nur eine Regel — entscheide rückwärts von der Veröffentlichungsplattform: 16:9 für Querformat-Videos, 9:16 für mobile Feeds, 1:1 für quadratische Feeds, 4:3 oder 3:4 für Porträts und Stillleben. Lege das Verhältnis vor dem Generieren fest; nachträgliches Zuschneiden verschenkt nur Qualität. Hinweis: Bei Bild-zu-Video gibt es keine Formatwahl — das Ausgabeformat folgt deinem ersten Frame.
Trenchcoat um die Ecke
Prompt
Auf einer alten, in Nachmittagssonne getauchten Straße geht ein Model in beigem Trenchcoat in gemächlichem Tempo um die Ecke, der Saum schwingt bei jedem Schritt mit, und sie bleibt mit einem seitlichen Lächeln vor einem Schaufenster stehen. Die Kamera folgt in Halbtotaler und fährt dann langsam heran. Warme Vintage-Filmtextur, reichhaltige Straßendetails.
Voreingestellt mit 9:16 im Hochformat — die Standardleinwand für mobile Feeds, eine Ganzkörperkomposition, die das Bild füllt.
1.3 Reproduzieren und iterieren mit Seed
Der Seed ist der Zufallsregler von Wan 2.7: Fixiere ihn, und derselbe Prompt erzeugt hochgradig ähnliche Ergebnisse — ändere ein Wort und sieh genau, was dieses Wort bewirkt; tausche den Seed, und derselbe Prompt liefert einen frischen Schwung Varianten. Zwei lohnende Gewohnheiten: Notiere den Seed, wenn dir ein Ergebnis gefällt, und sperre den Seed beim A/B-Testen von Formulierungen. Das Generieren ist probabilistisch — derselbe Seed garantiert keine pixelidentische Ausgabe, aber Komposition und Subjektstabilität liegen weit über reinem Zufall.
Papierkranich auf der Fensterbank
Prompt
Ein Origami-Papierkranich steht auf einer sonnengewärmten Fensterbank, eine Brise schleicht sich durch den Fensterspalt, seine Flügel zittern sanft, bevor der Wind ihn von der Bank hebt und wirbelnd durch den Raum zum Bücherregal trägt. Die Kamera folgt langsam, Licht und Schatten sprenkeln den Holzboden, feiner Staub schwebt in der Luft.
Voreingestellt mit Seed 42 — ändere die Wörter, behalte den Seed und vergleiche jede feinjustierte Iteration.
1.4 Musikreferenz: Das Bild folgt der Musik
Der Audio-Eingabeslot bei Text-zu-Video bedeutet „Filmmusik“ — lade einen Musiktitel hoch, und das Modell behandelt ihn als Hintergrundmusik: Tempo, Bewegungsrhythmus und Kamerafahrten folgen der Emotion der Musik. Im Prompt genügt ein Hinweis: „verwende Audio 1 als Filmmusik“, ergänzt um eine Zeile, wie das Bild auf die Musik reagieren soll (Beat-Matching, emotionaler Aufbau, passende Stimmung). Das unterscheidet sich von „jedes Video hat Ton“: Der Musikslot ist deine bewusste musikalische Regie — ohne ihn vertont das Modell das Video trotzdem selbst.
Abendfahrt auf der Küstenstraße
Prompt
Ein Oldtimer-Cabrio cruist in der Abenddämmerung eine Küstenstraße entlang, das Mädchen auf dem Beifahrersitz summt leise in den Wind, ihre Haare fliegen, Palmen ziehen am Straßenrand vorbei, das Meer reflektiert den Sonnenuntergang wie verstreutes Gold. Die Kamera fährt neben dem Auto her und kreist langsam nach vorn, warme Goldtöne, Filmtextur. Verwende Audio 1 als Filmmusik — Tempo und Kamerabewegung folgen der Emotion der Musik, und die Kreisfahrt wird beim Refrain schneller.
Lade 1 Musiktitel in den Audio-Slot hoch (der t2v-Audio-Slot bedeutet Filmmusik); voreingestellt mit 10 Sekunden — genug Raum für den emotionalen Aufbau der Musik und das Beat-Matching.
02 Bild zu Video
Ein Startbild plus eine Bewegungsbeschreibung, und Wan 2.7 erweckt das Bild zum Leben — der Schwerpunkt des Prompts verschiebt sich vom Beschreiben der Szene zum Beschreiben der Bewegung, denn die Szene existiert bereits. Vorab eine harte Regel: Das Ausgabeformat bei Bild-zu-Video folgt automatisch deinem Startbild — es gibt keine Formatwahl. Du willst ein 9:16-Ergebnis? Lade ein 9:16-Bild hoch.
2.1 Fotos zum Leben erwecken
Ein Bild-zu-Video-Prompt deckt nur drei Dinge ab: was sich bewegt, wie es sich bewegt und ob sich die Kamera bewegt. Erzwinge nichts, was nicht im Bild ist; „weck stattdessen auf“, was darin ist — flatternder Stoff, fließendes Wasser, flackerndes Lampenlicht sind kleine Bewegungen mit hoher Trefferquote. Ergänze „die ursprüngliche Textur beibehalten“, und der Stil driftet nicht ab.
Abenddämmerung im Fischerhafen
Prompt
Erwecke dieses Foto zum Leben: Die untergehende Sonne färbt den Fischerhafen goldrot, schimmernde Kräuselwellen wandern langsam über das Wasser, vertäute Fischerboote wiegen sich sanft auf den kleinen Wellen, Flaggen an den Masten flattern in der Meeresbrise, und ein paar Möwen streifen am fernen Wellenbrecher vorbei. Die Kamera bleibt fixiert und bewahrt durchgehend die warme Dämmerungs-Filmtextur des Originalfotos.
Lade 1 Startbild hoch; beschreibe nur die Bewegung, ohne die Szene zu wiederholen, und lass „die ursprüngliche Textur beibehalten“ den Stil halten. Das Ausgabeformat folgt dem Startbild.
2.2 First-Last-Frame: Anfang und Ende selbst bestimmen
Wan 2.7 gehört zu den vier Modellfamilien auf Molyin mit First-Last-Frame-Unterstützung (neben der Seedance-Familie, Kling 3.0 und Veo 3.1) — lade einen ersten und einen letzten Frame hoch, und das Modell generiert alles dazwischen. Das ändert deine Prompt-Strategie: Überspringe Anfang und Ende (die stecken in den Bildern) und beschreibe nur „wie man von A nach B kommt“ — das Tempo der Veränderung und wie die Kamera mitspielt. Halte beide Bilder im gleichen Format, und je größer die visuelle Distanz, desto mehr Prozessbeschreibung solltest du liefern.
Tintentropfen erblüht zu Bergen
Prompt
Ein Tropfen dicker Tinte fällt in klares Wasser, blüht langsam auf und dehnt sich, Tintenfäden kräuseln und fließen durchs Wasser und formen allmählich eine geschichtete Tuschelandschaft aus Bergen, durch deren Leerräume Wolken ziehen. Die Kamera fährt langsam ins Herz der Tintenmasse, durchgehend nahtlos, mit Reispapier-Textur und Tusche-Qualität von Anfang bis Ende.
Aktiviere im Bild-zu-Video-Modus den Schalter „Letzten Frame hinzufügen“ und lade beide Frames hoch (Tintentropfen → Landschaft); der Prompt beschreibt nur die Verwandlung, und 8 Sekunden geben dem Aufblühen Raum zum Atmen.
2.3 Steuer-Audio: Das Foto sprechen lassen
Der Audio-Eingabeslot bei Bild-zu-Video bedeutet „Steuer-Audio“ — lade eine Sprachaufnahme hoch, und die Person auf dem Foto spricht mit: Lippenbewegungen, Mimik und Kopfbewegungen werden vom Sprachrhythmus gesteuert. Talking-Head-Clips, Produktpitches und Charakter-Monologe bauen alle darauf. Im Prompt genügt eine Zeile: „Lippenbewegungen strikt synchron zur Sprache in Audio 1“, danach beschreibst du Kamera und Stimmung wie gewohnt.
Podcast-Host am Mikro
Prompt
Erwecke dieses Foto zum Leben: Der Podcast-Host spricht natürlich und mit lebendiger Mimik ins Mikrofon, nickt leicht und gestikuliert mit den Händen, die Lippenbewegungen sind strikt synchron zur Sprache in Audio 1, die emotionalen Wechsel in der Stimme tragen die Gesichtsausdrücke mit. Die warme Schreibtischlampe auf dem Bücherregal dahinter leuchtet ruhig; die Kamera hält eine fixe Halbtotale und bewahrt durchgehend die dokumentarische Fototextur des Originals.
Lade 1 Porträtfoto + 1 Sprachaufnahme hoch (der i2v-Audio-Slot bedeutet Steuer-Audio); saubere, rauschfreie Sprache liefert die höchste Lippensync-Trefferquote.
2.4 Videofortsetzung: Weiterdrehen statt neu drehen
Bild-zu-Video akzeptiert auch ein 2–10-s-Video als „Fortsetzungsbasis“ (first_clip) — das Modell setzt am Ende dieses Clips an und dreht weiter, Bewegung, Stil und Licht werden natürlich übernommen. Der Prompt beschreibt nur das neue Segment; eine Zusammenfassung des Bisherigen ist unnötig. Drei Grenzen im Kopf behalten: Die Fortsetzungsbasis schließt ein Startbild aus (nur eines von beiden); sie kann mit einem letzten Frame kombiniert werden, um das Ende festzulegen; aber sie lässt sich nicht mit Steuer-Audio kombinieren. Der Dauer-Regler bestimmt die Gesamtlänge nach der Fortsetzung, und abgerechnet wird die Gesamtlänge.
Fortsetzung: [Beschreibung des neuen Inhalts] + optional [Kontinuitätsanforderung]
Neuer Inhalt
Beschreibe nur, was nach dem Ende des Basisclips passiert: neue Aktion, neue Szene, neue Kameraarbeit.
Kontinuität
Eine Zeile — „nahtlose Aktion, Stil und Licht aus dem Originalvideo übernommen“ — verhindert Sprünge an der Nahtstelle.
Der zweite Sprung des Skaters
Prompt
Setze das hochgeladene Video fort: Nach der Landung rollt der Skater geschmeidig weiter, die Kamera folgt weiterhin aus niedrigem Winkel, während er auf die Treppe vor ihm zubeschleunigt, abspringt, das Board flippen lässt, sicher auf dem ebenen Boden darunter landet, der Kamera zuwinkt und aus dem Bild fährt. Die Aktion geht nahtlos ineinander über, Stil und Licht werden aus dem Originalvideo übernommen.
Lade 1 Clip von 2–10 s als Fortsetzungsbasis hoch (schließt ein Startbild aus; nicht mit Steuer-Audio kombinierbar); voreingestellt mit 10 s Gesamtlänge — der Regler bestimmt die volle Länge nach der Fortsetzung.
03 Referenz zu Video
Erscheinungsbilder und charakteristische Bewegungen, die Worte nicht einfangen — Charaktere, Produkte, Gesten — übergibst du Referenzmedien. Referenz-zu-Video in Wan 2.7 akzeptiert eine Mischung aus Bildern und Videos: bis zu 5 Bilder, bis zu 5 Videos und insgesamt nicht mehr als 5 Elemente. Benenne sie im Prompt als „Bild 1“, „Bild 2“, „Video 1“ in der Upload-Reihenfolge (Bilder und Videos werden getrennt nummeriert), und das Modell fixiert Aussehen und Bewegung aus deinen Medien, während Szene und Geschichte ganz dir gehören. Audio läuft über einen separaten Einzel-Audio-Eingabeslot (Voice Reference, siehe 3.3) und zählt nicht zum Referenzkontingent. Hinweis: Die r2v-Dauergrenze liegt immer bei 10 Sekunden — mit oder ohne Referenzvideos.
3.1 Die Charakter-Referenz-Formel
Ein Referenz-zu-Video-Prompt besteht aus drei Schritten: Hole die Medien mit „Bild N“ auf die Bühne, beschreibe, was in der neuen Szene passiert, und schließe mit „konsistent bleiben“ ab. Die Upload-Reihenfolge ist die Nummerierungsreihenfolge — das erste Bild ist Bild 1, das zweite Video ist Video 2. Mehrere Perspektiven desselben Charakters funktionieren am besten; packe nur einen Charakter pro Referenzelement, sonst kann das Modell nicht unterscheiden, wer wer ist.
[Referenzen: Bild 1…] + [Szenenbeschreibung] + [Subjekt] konsistent halten
Referenzen
Bilder oder Videos — bis zu 5 Bilder, bis zu 5 Videos, 5 insgesamt — referenziert als „Bild N“ und „Video N“ in jeweils eigenen Zählungen.
Szenenbeschreibung
Was in der neuen Szene passiert: Aktion, Umgebung, Kamera — das Bild wird von Grund auf generiert, komplett von deinen Worten gesteuert.
Konsistenz
Ein abschließendes „konsistent mit den Referenzen bleiben“ verstärkt die Fixierung des Erscheinungsbilds.
Chefkoch Pandas Mitternachtsküche
Prompt
Der Große Panda aus Bild 1, mit dunkelblauer Schürze, wendet und rührt Essen in einem Wok in einer kleinen Küche mit warmem gelbem Licht, Dampf steigt auf, und er kostet stolz einen Löffel Brühe und nickt zufrieden. Die Kamera umkreist den Herd zur Hälfte und verweilt auf einer Nahaufnahme seines Gesichts. Reichhaltige Küchendetails, eine gemütliche, herzliche Alltagsstimmung. Das Erscheinungsbild des Pandas bleibt konsistent mit dem Referenzbild, 3D-Animationsqualität.
Lade 1+ Referenzbilder hoch; „Bild 1“ verweist auf deinen hochgeladenen Charakter, und das abschließende „konsistent bleiben“ ist die Standardformel zur Fixierung des Aussehens.
3.2 Bild- und Videoreferenzen mischen
Die Spezialität von Wan 2.7: Bilder fixieren das Aussehen, Videos fixieren die Bewegung, und beide können sich die Bühne teilen — „die Tänzerin aus Video 1 betritt die Bühne aus Bild 1“, und das Modell holt sich aus jedem, was es braucht. Drei harte Regeln: bis zu 5 Bilder, bis zu 5 Videos und insgesamt nicht mehr als 5 Elemente; die Dauergrenze liegt immer bei 10 Sekunden (mit oder ohne Referenzvideos); und jedes Referenzelement sollte einen einzigen Charakter enthalten.
Der Puppenspieler betritt die Bühne
Prompt
Der Puppenspieler aus Bild 1 betritt mit seinen Fäden in der Hand die Vintage-Theaterbühne aus Bild 2, ein Scheinwerfer fängt ihn ein, während er sich mit der Geste aus Video 1 vor dem Publikum verbeugt, dann hebt er seine Puppe und beginnt die Vorstellung, während sich der Vorhang langsam hinter ihm schließt. Die Kamera fährt langsam aus einer Halbtotalen im Zuschauerraum heran, die Theaterstimmung ist feierlich und geheimnisvoll. Die Erscheinungsbilder bleiben konsistent mit den Referenzmedien.
Lade 2 Referenzbilder + 1 Referenzvideo hoch (3 Elemente, innerhalb der 5er-Grenze); „Bild 1“, „Bild 2“ und „Video 1“ benennen jeweils ihre eigene Rolle; die r2v-Dauergrenze liegt immer bei 10 s — voreingestellt mit 8.
3.3 Voice Reference: Der Charakter spricht mit deiner Stimme
Der Audio-Eingabeslot bei Referenz-zu-Video bedeutet „Voice Reference“ — lade eine Aufnahme der Zielstimme hoch, und der generierte Charakter spricht mit dieser Stimme, inklusive Akzent, Klangfarbe und emotionaler Spannung. Marken-Voiceovers, virtuelle Moderatoren und Dialoge mit mehreren Charakteren bauen alle darauf. Benenne es im Prompt: „sprich die Zeile mit der Stimme aus Audio 1“ — die Zeile selbst schreibst du direkt in den Prompt, und die Lippenbewegungen synchronisieren sich automatisch mit der Aussprache.
Der neue Slogan des Markenbotschafters
Prompt
Der Markenbotschafter aus Bild 1 steht im minimalistischen Studio aus Bild 2, blickt in die Kamera und sagt den Markenslogan mit der Stimme aus Audio 1: „Mach jeden Aufbruch zu einer Aussicht.“ Der Ton ist warm und entschlossen, die Lippenbewegungen strikt synchron zur Aussprache, mit einem leichten Lächeln beim Wort „Aussicht“. Die Kamera fährt langsam bis zur Halbnaheinstellung heran. Das Erscheinungsbild bleibt konsistent mit den Referenzbildern, weiches Studiolicht, ein cleaner Premium-Look.
Lade ein Porträtbild + ein Szenenbild + 1 Voice-Reference-Spur hoch (der r2v-Audio-Slot bedeutet Voice Reference); schreibe die Zeile in den Prompt und überlass die Stimmreproduktion dem Audio.
3.4 First-Frame-Anker: Die Eröffnungskomposition selbst bestimmen
Referenz-zu-Video unterstützt einen zusätzlichen „First-Frame“-Upload, um die Eröffnungseinstellung zu verankern — Komposition, Kameraposition und Licht des ersten Frames steuerst du präzise, und das Modell entfaltet ab Frame zwei gemäß deinem Prompt. Ein Nebeneffekt, den du kennen solltest: Sobald ein erster Frame vorhanden ist, folgt das Ausgabeformat ihm, und die Formatwahl greift nicht mehr (der Formatparameter wird dann modellseitig ignoriert).
Die Produktneuheits-Eröffnung des Baristas
Prompt
Verwende den hochgeladenen ersten Frame als Eröffnungseinstellung: Der Barista aus Bild 1 dreht sich hinter dem Tresen zur Kamera, hebt das neue Signature-Getränk aus Bild 2, Dampf steigt aus der Tasse, und er lächelt, während er es in Richtung Linse präsentiert. Die Eröffnungskomposition ist strikt am ersten Frame verankert, danach fährt die Kamera langsam bis zur Nahaufnahme des Getränks heran. Die Erscheinungsbilder von Person und Produkt bleiben konsistent mit den Referenzbildern, in warmer, holzgetönter Café-Atmosphäre.
Lade im r2v-Modus ein First-Frame-Bild + 1–2 Referenzbilder hoch; sobald ein erster Frame vorhanden ist, folgt das Format ihm — dass die Formatwahl wirkungslos wird, ist erwartetes Verhalten.
04 Video-Editing
Video bearbeiten mit schlichter Sprache — lade ein 2–10-s-Quellvideo hoch und schreibe eine klare Anweisung: Ändere den Stil, das Outfit, das Requisit, und alles andere bleibt, wie es war. Die Ausgabedauer folgt automatisch dem Quellvideo (kein Dauer-Selektor); beim Format gibt es sechs Optionen — Auto folgt standardmäßig der Quelle, oder du erzwingst ein explizites Verhältnis wie 16:9 oder 9:16. Du kannst außerdem 1 Referenzbild anhängen, um dem Modell zu zeigen, „was daraus werden soll“. Die Audio-Steuerung ist dein zweites Werkzeug: Der Schalter „Original-Audio beibehalten“ entscheidet über das Schicksal der Quelltonspur, und im Einstellungsdialog gibt es den Schalter „Smart Rewrite“ (prompt_extend, standardmäßig aktiv), der kurze Anweisungen automatisch mit Details anreichert.
4.1 Stilübertragung
Gib dem ganzen Clip ein neues künstlerisches Gewand: Claymation, Aquarell, Pixel-Art, Cyber-Neon — ein Satz genügt. Benenne drei Merkmale des Zielstils — Strich, Material, Farbton — und ergänze „Kamerabewegung und Tempo unverändert lassen“, dann ändert das Modell den Look, ohne die Geschichte anzufassen.
Straßenaufnahmen in Claymation verwandeln
Prompt
Wandle dieses Video in Claymation-Stil um: handmodellierte, runde Formen mit sichtbarer Fingerabdruck-Textur und Knetmaterial, weiche Beleuchtung wie in einem Miniatur-Set, Charaktere und Gebäude wie geformter Ton, Kamerabewegung und Tempo exakt wie im Original.
Lade ein 2–10-s-Quellvideo hoch; es wird automatisch an Wan 2.7 Video Edit geroutet, die Dauer folgt der Quelle und das Format steht standardmäßig auf Auto (folgt der Quelle). Das Trio „Form + Material + Licht“ zu benennen ist das zuverlässigste Stilrezept.
4.2 Elemente ersetzen
Tausche Outfits, Requisiten und Produkte aus, ohne den Rest der Einstellung anzufassen: Sage klar „ersetze A durch B“ und ergänze „alles andere unverändert lassen“. Ersetzungen sind mit einem Referenzbild am präzisesten — „die Lederjacke in Bild 1“ schlägt hundert Adjektive.
Lederjacke eintauschen
Prompt
Ersetze die Jacke der Figur im Video durch die braune Lederjacke aus Bild 1, der Stoff wirft bei jeder Bewegung natürliche Falten, Textur und Lichtrichtung passen zur Originalszene, alles andere bleibt unverändert.
Lade ein Quellvideo hoch, optional mit 1 Referenzbild; „ersetze A durch B + alles andere beibehalten“ ist die zuverlässigste Formulierung für Ersetzungen.