01 Kernformel
Wan 3.0 versteht strukturierte Anweisungen: wer, was die Person tut, wie sich die Kamera bewegt, wo und in welcher Stimmung. Dieses Kapitel baut zuerst das Prompt-Gerüst auf und führt dann durch zwei neue 3.0-Regler — den Audio-Schalter und das adaptive Smart-Ratio.
1.1 Die grundlegende Prompt-Formel
Alles beginnt mit einem Satz: Subjekt plus Bewegung sind die beiden Pflichtteile; Kamera, Umgebung und Ästhetik werden nach Bedarf ergänzt. Die Dauer ist ein stufenloser 2–30-Sekunden-Regler — plane genau so viel, wie die Sekunden hergeben; für das Schreiben von 30-Sekunden-Langvideos siehe Kapitel 4.
[Subjekt] + [Bewegung] + optional [Kamera] [Umgebung] [Ästhetik]
Subjekt
Die Hauptfigur — eine Person, ein Tier oder ein Produkt. Je konkreter, desto besser.
Bewegung
Was das Subjekt tut, mit Körperteilen und Tempo klar benannt. Langsame, stimmige kleine Bewegungen sind am zuverlässigsten.
Kamera
Einstellungsgröße und Bewegung: Nahaufnahme, Heranfahren, Schwenk. Für Geschichten mit mehreren Einstellungen schreibst du das Storyboard direkt, z. B. „Einstellung 1 [0–3s] Totale“.
Umgebung
Szene und Atmosphäre: Ort, Zeit, Licht, Wetter.
Ästhetik
Art Direction und Qualität: Farbton, Textur, Schärfe.
Die Buchhandlung an der regnerischen Ecke
Prompt
In einer regnerischen Nacht an einer Straßenecke leuchtet eine kleine Buchhandlung noch in warmem gelbem Licht. Die Inhaberin, in einem beigen Pullover, trägt einen Stapel Bücher auf die Fensterbank, blickt kurz zum Regen draußen und lächelt, während sie ein hölzernes „Geöffnet“-Schild aufhängt. Die Kamera fährt langsam von der anderen Straßenseite heran bis zur Nahaufnahme des Fensters, Regentropfen laufen am Glas herunter, Leuchtreklamen spiegeln sich auf dem nassen Pflaster. Kinofilm-Qualität, warm-kaltes Farbkontrast-Grading, reich an Details.
Zwei Sätze für Subjekt+Bewegung, je einer für Kamera und Umgebung, Stilwörter zum Abschluss — das ist ein solider Wan 3.0 Basis-Prompt.
1.2 Der Audio-Schalter: fertiger Schnitt oder sauberes Rohmaterial
Die Audiofunktion der Wan-Familie hat endlich einen Schalter (der Preis ist in beiden Fällen gleich): Schalte ihn ein, und Atmosphäre, Soundeffekte und Musik werden zusammen mit den Bildern generiert — du erhältst einen fertigen Schnitt; schalte ihn aus, und du bekommst sauberes Rohmaterial ohne Tonspur, bereit für deine eigene Musik und Postproduktion. Du willst einen „fertigen Schnitt“? Schalter an. Du willst „Rohmaterial“? Schalter aus — für kommerzielle Projekte mit Voiceover, Untertiteln oder ausgetauschtem BGM ist das Ausschalten der sauberste Weg.
Stilles B-Roll-Material
Prompt
Ein Bambuswald am frühen Morgen, feiner Nebel zieht langsam zwischen den Stämmen hindurch, Sonnenlicht fällt schräg durch die Blätter und bildet Lichtbündel, ein paar Bambusblätter fallen im Wind. Die Kamera schwenkt langsam aus niedriger Perspektive, das Bild ist still und ätherisch, dokumentarische Qualität, türkisgrüne Farbtöne.
Der Audio-Schalter ist für dich ausgeschaltet — nutze das als Hintergrundmaterial und lege deine eigene Musik und dein Voiceover darüber — ganz ohne ein vom Modell aufgezwungenes BGM, das du erst wieder loswerden müsstest.
1.3 Das adaptive Smart-Ratio
Der Seitenverhältnis-Wähler bekommt eine neue adaptive Standardeinstellung: Lässt du sie unverändert, wählt das Modell die Leinwand anhand deiner Referenzmedien und deiner inhaltlichen Absicht — vertikales Ausgangsmaterial ergibt vertikale Ausgabe, cineastisch formulierte Prompts ergeben Querformat, und meist trifft es eine bessere Wahl als menschliches Raten. Brauchst du präzise Kontrolle (etwa ein fixes 9:16 für die Feed-Platzierung)? Die fünf expliziten Verhältnisse gibt es weiterhin. Im Zweifel überlasse es dem adaptiven Modus; bei einer harten Vorgabe stellst du es explizit ein.
Duftkerzen-Teaser
Prompt
Eine handgemachte Duftkerze brennt ruhig auf einem Naturholztisch, die Flamme flackert sanft, das bernsteinfarbene Wachs glüht weich, im Hintergrund verschwommen ein Leinentuch und Trockenblumen. Die Kamera umkreist die Kerze langsam zur Hälfte, Lichtpunkte wandern über die Tischplatte. Minimalistische Premium-Anmutung, warme Farbtöne, Werbespot-Qualität.
Vorausgefüllt mit „adaptiv“ — das Modell wählt die passende Leinwand anhand der Absicht „Werbespot-Qualität“; wechsle jederzeit zu einem expliziten Verhältnis, wenn du es fixieren musst.
02 Image to Video
Ein First-Frame-Bild plus eine Bewegungsbeschreibung, und Wan 3.0 erweckt das Bild zum Leben — der Schwerpunkt des Prompts verlagert sich von der Szenenbeschreibung zur Bewegungsbeschreibung, denn die Szene existiert bereits. Ein First Frame bestimmt den Anfang; First-Last-Frame bestimmt beide Enden. Dieses Kapitel behandelt beide Varianten.
2.1 Fotos zum Leben erwecken
Ein Image-to-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; „wecke“ dafür Dinge auf, die darin sind — flatternder Stoff, fließendes Wasser, flackerndes Lampenlicht sind kleine Bewegungen mit hoher Trefferquote. Ergänze „die ursprüngliche Textur beibehalten“, und der Stil driftet nicht ab.
Lichter des Fischerhafens
Prompt
Erwecke dieses Foto zum Leben: Im Fischerhafen unter dem Nachthimmel gehen die Lampen auf den Fischerbooten eine nach der anderen an, ihre Reflexionen wiegen sich auf dem Wasser, die Flaggen an den Masten flattern sanft in der Meeresbrise, und der Lichtstrahl des fernen Leuchtturms streicht langsam vorbei. Die Kamera bleibt fixiert und behält durchgehend die bläuliche Filmtextur des Originalfotos bei.
Lade 1 First-Frame-Bild hoch; beschreibe nur die Bewegung, ohne die Szene zu wiederholen, und lass „die ursprüngliche Textur beibehalten“ den Stil halten.
2.2 First-Last-Frame: Anfang und Ende selbst bestimmen
Lade einen ersten und einen letzten Frame hoch, und das Modell generiert alles dazwischen. Das verändert die Art des Promptens: 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 Seitenverhältnis, und je größer die visuelle Differenz, desto mehr Prozessbeschreibung solltest du liefern.
Ein Baum, vier Jahreszeiten
Prompt
Derselbe Baum wandelt sich langsam, ausgehend von einer in voller Blüte stehenden Frühlingskrone: Blütenblätter treiben im Wind davon, grüne Blätter verdichten sich zu schattigem Laub, verfärben sich dann gelb und rot, bis nur noch verschneite Äste übrig bleiben. Die Kamera fährt langsam zurück, Licht und Schatten der vier Jahreszeiten fließen natürlich ineinander, Position und Bildausschnitt des Baums folgen strikt dem ersten und letzten Frame.
Lade im Image-to-Video-Modus einen ersten Frame (Frühling) + einen letzten Frame (Winter) hoch; 8 Sekunden geben den vier Jahreszeiten Raum für den Wandel.
03 Omni-Referenzen
Die Kernfähigkeit von Wan 3.0: Mische drei Kanäle von Referenzmedien — bis zu 10 Bilder + 5 Videos + 5 Audiospuren. Bilder bestimmen das Aussehen, Videos die Bewegung, Audio die Stimme. Benenne sie in deinem Prompt als „Bild 1“, „Video 1“, „Audio 1“ in der Reihenfolge des Uploads, um ihnen ihre Rollen zuzuweisen (die drei Medientypen werden unabhängig voneinander nummeriert).
3.1 Die Multi-Bild-Referenzformel
Ein Reference-to-Video-Prompt besteht aus drei Schritten: Bringe die Medien mit „Bild N“ auf die Bühne, beschreibe, was in der neuen Szene passiert, und schließe mit „konsistent bleiben“ ab. Mehrere Blickwinkel desselben Subjekts funktionieren am besten; packe nur ein Subjekt pro Referenzbild — bei Collagen kann das Modell nicht mehr unterscheiden, wer wer ist.
[Referenzen: Bild 1…] + [Szenenbeschreibung] + [Subjekt] konsistent halten
Referenzen
Bis zu 10 Referenzbilder, referenziert als „Bild N“ in der Reihenfolge des Uploads.
Szenenbeschreibung
Was in der neuen Szene passiert: Aktion, Umgebung, Kamera — das Bild wird von Grund auf neu generiert, komplett gesteuert durch deine Worte.
Konsistenz
Ein abschließendes „konsistent mit den Referenzbildern bleiben“ verstärkt die Fixierung des Aussehens.
Der Produkteinführungstag der Barista
Prompt
Die Barista aus Bild 1, mit der dunkelgrünen Schürze aus Bild 2, steht hinter der minimalistischen Kaffeebar aus Bild 3 und schiebt sanft einen Pour-Over-Kaffee in Richtung Kamera, die Latte Art auf dem Schaum ist deutlich zu sehen, und sie blickt lächelnd auf. Die Kamera fährt langsam von einer Nahaufnahme der Tasse auf eine Halbtotale zurück, warmes Morgenlicht, eine gemütliche, wohltuende Alltagsstimmung. Person, Outfit und Umgebung bleiben konsistent mit den Referenzbildern.
Lade 3 Referenzbilder hoch (Person / Outfit / Umgebung); „Bild 1“, „Bild 2“ und „Bild 3“ benennen jeweils ihre eigene Rolle, und das abschließende „konsistent bleiben“ fixiert das Aussehen.
3.2 Referenzvideos: Bewegung und Kameraarbeit übertragen
Referenzvideos bestimmen, „wie sich Dinge bewegen“: Das Modell lernt den Aktionsrhythmus der Figur und die Bewegungssprache der Kamera aus deinem Video und wendet sie auf deine neue Szene an. Drei harte Regeln solltest du dir merken: bis zu 5 Referenzvideos mit einer Gesamtlänge von höchstens 15 Sekunden; die Gesamtsekunden der Referenzvideos werden auf das 30-Sekunden-Generierungsbudget angerechnet (10 Sekunden Referenz lassen ungefähr 20 Sekunden Ausgabe übrig); und bei Nutzung als Subjektreferenz gilt: ein einziges Subjekt pro Clip.
Die Kameraarbeit aus einem Film ausleihen
Prompt
Folge der Kamerabewegung und dem Einstellungsrhythmus von Video 1: Die Kamera steigt aus niedriger Perspektive auf Tischhöhe auf, umkreist das Subjekt zur Hälfte, fährt dann zurück und kommt zur Ruhe. Setze die Vintage-Schreibmaschine aus Bild 1 ein, die spät in der Nacht auf einem Schreibtisch von einem unsichtbaren Händepaar angeschlagen wird, das Papier zittert sanft bei jedem Tastenschlag, die Schreibtischlampe leuchtet warm. Die Kameraarbeit folgt strikt Video 1, das Aussehen des Subjekts bleibt konsistent mit Bild 1, Kinofilm-Qualität.
Lade 1 Referenzvideo + 1 Subjektbild hoch; „folge der Kamerabewegung und dem Einstellungsrhythmus von Video 1“ ist die Standardformulierung, um Kameraarbeit zu übertragen.
3.3 Referenzaudio: Lass die Figur in deiner Stimme sprechen
Referenzaudio ist der neue Kanal der Wan-Familie: Lade eine saubere Sprachaufnahme hoch (bis zu 5 Spuren, insgesamt höchstens 15 Sekunden), und das Modell klont ihr Timbre, sodass die Figur auf dem Bildschirm deine geschriebenen Zeilen in dieser Stimme spricht. Benenne „Audio 1“ im Prompt und ergänze eine Zeile zum gewünschten Tonfall; die Lippenbewegungen synchronisieren sich automatisch mit der Aussprache.
Der Eröffnungssatz der Gründerin
Prompt
Die Markengründerin aus Bild 1 sitzt im Naturholz-Studio aus Bild 2, vor ihr sind einige handgefertigte Lederwaren arrangiert. Sie blickt in die Kamera und sagt natürlich mit der Stimme aus Audio 1: „Acht Jahre Handarbeit, und was ich immer noch am liebsten sagen will, ist — wer langsamer wird, kommt schneller ans Ziel.“ Behalte den warmen, ungehetzten Tonfall und den Pausenrhythmus aus Audio 1 bei, Lippenbewegungen strikt synchron zur Aussprache, und ihr Aussehen konsistent mit den Referenzbildern.
Lade 1 Porträtbild + 1 Szenenbild + 1 Sprachaufnahme hoch; „behalte den Tonfall und den Pausenrhythmus aus Audio 1 bei“ ist die Schlüsselformulierung für eine hochpräzise Stimmwiedergabe.
04 30-Sekunden-Langvideos & Praxis-Workflows
30 Sekunden sind der Generationensprung von Wan 3.0 — ein einziger Clip kann jetzt eine komplette Geschichte erzählen. Dieses Kapitel zeigt dir die segmentierte Schreibmethode für Langvideos plus den Kosten-Workflow der Profis: Entwurf in 480p, für den finalen Schnitt auf eine höhere Stufe wechseln.
4.1 Das segmentierte 30-Sekunden-Skript
Langvideos schreibt man, indem man den Clip in Zeitsegmente schneidet: Jedes Segment nennt seine Start- und Endsekunden, den Bildinhalt und die Kameraarbeit, und ein globaler Setup-Absatz am Anfang fixiert Stil und Stimmung. Passe die Aktionsdichte an die Segmentlänge an — 10 Aktionen in 3 Sekunden zu quetschen zwingt das Modell nur zum Vorspulen; wenn du einen Schnitt willst, benenne den Übergang innerhalb des Segments.
[Globales Setup] + [Start-End-Sekunden] + [Bildinhalt & Kamera] + optional [Übergang]
Zeitsegment
Explizite Start- und Endsekunden (z. B. 0–5s, 5–12s). 30 Sekunden in 3–5 Segmente zu schneiden ist am stabilsten.
Bild & Kamera
Was in diesem Segment passiert und wie sich die Kamera bewegt — Aktionsdichte passend zur Segmentlänge.
Globales Setup
Ein Eröffnungsabsatz, der Stil, Farbton, Stimmung und harte No-Gos für den gesamten Clip fixiert.
Übergang
Wie Segmente verbunden werden: natürlicher Schnitt, Überblendung, Wischeffekt — benenne es einfach.
Eine Stadt erwacht in 30 Sekunden
Prompt
[Globales Setup] Dokumentarischer Luftbildstil, ein Farbverlauf von kaltem Morgenblau zu warmem Gold, physikalisch echte Beleuchtung, keine Untertitel, keine Musik (reiner Umgebungston). 0–6s: Die Skyline der Stadt vor der Dämmerung, Lichter verstreut wie Sterne, tief hängende Wolken, die Kamera fährt langsam aus großer Höhe heran. 6–14s: Der Horizont erhellt sich zur Dämmerung; die Kamera sinkt durch die Wolkenschicht, während die Silhouette der Stadt allmählich schärfer wird, und eine frühe Stadtbahn gleitet zwischen den Gebäuden hindurch und zieht eine Lichtspur hinter sich her. 14–22s: Die Kamera sinkt auf Straßenebene und fährt mit: Ein Frühstücksladen rollt sein Rolltor hoch, Dampf steigt aus den Bambusdämpfern auf, ein Radfahrer quert das Morgenlicht — die Stadt beginnt zu erwachen. 22–30s: Die Sonne springt über den Horizont; die Kamera zieht schnell zurück in große Höhe, die ganze Stadt liegt in goldenem Morgenlicht, und das Bild bleibt als Standbild auf einer majestätischen Totalen stehen.
Das globale Setup gibt den Ton vor und vier Segmente übernehmen je einen Abschnitt — schreibe zuerst das Gerüst eines 30-Sekunden-Clips und fülle es dann mit Details, so fällt das Pacing nicht auseinander.
4.2 Der 480p-Entwurfs-Workflow
Der Workflow der Profis: Entwerfe in der kreativen Phase in 480p — bei ungefähr einem Viertel der 1080p-Kosten — und sobald Komposition, Bewegung und Pacing stimmen, wechsle mit demselben Prompt für den finalen Schnitt zu 1080p. Zehn Überarbeitungen in der Entwurfsphase tun nicht weh; das Finale gelingt in einem Durchgang.
Der Skater (Entwurfsversion)
Prompt
In einem Skatepark in der Abenddämmerung droppt ein Teenager im Oversize-Hoodie von der Rampe, springt, flippt das Board, landet sicher, fährt auf die Kamera zu und bremst hart direkt davor ab, der aufgewirbelte Staub ist im Gegenlicht deutlich zu sehen. Die Kamera folgt aus niedriger Perspektive, umkreist ihn dann zur Hälfte und bleibt auf seinem lächelnden Gesicht stehen. Schnell mitgeführte Kamera mit Geschwindigkeitsgefühl, Street-Doku-Stil, warme goldene Farbtöne.
Vorausgefüllt mit 480p — validiere damit zuerst die Aktion und die Kameraarbeit; wenn du zufrieden bist, stell die Auflösung auf 1080p, verlängere die Dauer und lass denselben Prompt für den finalen Schnitt laufen.