#视频生成

「视频生成」依托阿里自研的万相 Wan 3.0 视频模型，提供视频内容生成能力，并与「图片生成」「视频编辑」形成互补，分别满足图片创作、视频创作及已有视频局部修改的需求。

#模型选择

当前默认采用 Wan 3.0 Prime。作为万相 3.0 的高速版视频模型，其在保持与标准版能力对齐的同时，显著提升端到端生成速度，支持文字、图片、视频、音频四种模态的参考输入，单次视频生成时长上限为 30 秒。

Wan 3.0 的一体化架构使同一模型能够承担视频生成、编辑与续写等任务，涵盖文生视频、图生视频及多模态参考等创作方式。因此，模型选择无需随任务类型变化，日常创作使用默认模型即可；如有进一步的效果或效率需求，可根据界面实际提供的模型选项进行调整。

参考资料：Wan3.0-Video-Prime（千问 AI 平台）

#参数设置

分辨率、画面比例、视频时长及智能配音均通过参数设置控制，无需在提示词中重复说明。提示词应集中描述画面内容与创作要求。

分辨率：分辨率用于设定视频画面的清晰程度。可选 480P、720P、1080P 三档，清晰度提升的同时，生成消耗也相应增加。建议以 480P 或 720P 测试创作效果，满意后再选用 1080P 输出成片。

比例：比例用于控制视频画幅，影响主体布局与空间呈现。支持 9:16、4:3、1:1、3:4、16:9 五种比例，其中竖版侧重人物与移动端展示，横版利于展开场景与运镜，方形适合信息流及商品内容。建议按发布用途预先选定比例，保留完整构图与运镜效果。

生成时长：时长功能用于控制视频生成长度，支持滑块选择 2 至 30 秒。单一动作与产品展示宜控制在 10 秒以内，对话与简单场景可选 10 至 20 秒，包含起承转合或多镜头调度内容可选择 20 至 30 秒。建议先以 5 至 10 秒验证效果，再按需增加时长，以控制生成消耗。

智能配音：智能配音功能支持人物对白、背景音乐及音效与视频画面同步生成。需要减少后期声音制作时，可开启该功能，由模型结合画面与提示词生成声音；需要自行配置音轨或统一制作声音时，可将其关闭。

#生成方式

视频生成支持以文字、图片及多媒体参考素材作为创作起点，分别适用于创意探索、静态画面动态化、起止状态衔接与多素材整合。不同方式通过初始信息对画面和声音施加不同程度的约束：参考内容越明确，越有助于控制生成结果；未限定的部分则由模型补充。

上述方式分别对应不同的素材条件与创作需求，并非输入越多，生成效果就越好。合理的选择在于明确哪些内容需要预先确定，哪些内容可以交由模型补充，使参考素材与创作目标相互匹配。

#文字生成

文生视频依据文字描述生成主体、场景、动作、镜头与声音，未明确内容由模型补充。描述越具体，越有助于控制生成结果；描述较为宽泛时，模型的自由发挥空间更大，不同生成结果之间的差异也通常更明显。

提示词应先明确主体与核心动作，再补充场景、运镜、光影及声音要求。动作描述宜围绕单一过程展开，依次交代起始状态、推进过程与关键细节，避免多个动作并列造成干扰。

以下模板按画面、动作与视听要求组织，{} 中内容可根据实际情况替换。

{景别}，{主体数量、外观与状态}，{起始位置}。
{核心动作及推进过程}，{关键细节与物理反馈}。
镜头{机位、运动方式与速度}，{取景范围}。
{光线方向与色温}，{环境氛围与景深}。
{环境音与动作音效}。
{整体质感、清晰度与画幅比例}。

示例：

咖啡特写，一只白色陶瓷杯盛满深褐色浓缩咖啡，
拉花缸从画面右上方缓缓倾斜入镜，
奶沫注入杯心后逐渐向外推开，壶嘴左右轻摆，勾勒出层叠的叶形纹理，
咖啡表面泛起细密油脂光泽，奶沫边缘与咖啡交融出柔和渐变。
镜头俯拍略带斜角，缓慢推近，画面中仅出现手部与杯具。
清晨窗边自然光从左侧照入，暖色调，浅景深虚化吧台背景。
轻微的注奶声与店内低声环境音。
真实摄影质感，高清细节，9:16竖画幅。

文生视频适合画面尚未定稿时探索方向，可通过同一描述多次生成，比较不同构图与色调。若需固定构图，不宜反复调整文字；获得满意画面后，可截取或另行生成对应图片，转用首帧生成，提高可控性。

#首帧生成

首帧生视频由图片提供初始视觉信息，再由模型生成后续动态。构图、主体外观与光影关系主要由图片确定，提示词则负责补充动作及变化要求。两者应保持一致，避免重复描述或相互矛盾，降低主体形态与画面色彩出现异常变化的可能性。

首帧图片应在比例和质量上满足生成要求。比例宜与目标视频保持一致，以免画面适配破坏构图；质量不足则可能使原有缺陷在动态过程中更加明显。进入生成前，应完成必要的检查与处理，为后续运动提供较为稳定的视觉基础。

以下模板采用「主体锁定 → 核心动作 → 环境互动 → 光影与背景 → 镜头运动 → 节奏与风格 → 稳定性约束 → 输出规格」的顺序，各部分分别承担一项控制功能。可按实际需求保留或删除，并将 {} 中的变量替换为具体内容。

以首帧中的{主体}为主体，保持原有{外观特征}与{朝向}，{核心动作及其速度、方向}。{关键部位}的运动符合真实规律，{附属元素}受{风力/惯性/重力}影响产生{动态效果}，并与{环境元素}形成{互动效果}。

{光线条件}保持连续稳定，{背景元素}维持原有位置与形态。镜头以{机位与景别}{运镜方式}，{运镜幅度与方向}，突出{画面重点}。

整体节奏{节奏描述}，呈现{氛围}，{视觉风格}。动作连贯，{需排除的问题，如抖动、闪烁、畸变、多余肢体、场景突变、文字、水印}。{画面比例}。

示例：

以首帧中站在窗台上的橘色短毛猫为主体，保持原有毛色、体型与侧身朝向。猫先低头注视窗外，随后后腿微微下蹲蓄力，轻巧跃下窗台，落在木地板上。起跳与落地时四肢动作符合真实猫科动物的运动规律，尾巴随身体平衡自然摆动，落地瞬间爪垫轻触地面，身体略微下沉缓冲。

午后阳光从窗外斜射入室，窗帘随微风轻轻飘动，光影位置保持连续，室内陈设维持原样。镜头采用中景固定机位，随猫的跃下动作轻微下摇，始终将猫保持在画面中央。

整体节奏轻快自然，具有温暖的居家氛围，写实摄影风格。动作连贯，无镜头抖动、无主体闪烁、无形体畸变、无多余肢体、无场景突变、无文字、无水印。16:9横向画幅。

#首尾过渡

首尾帧生视频以两张图片分别确定起始与结束画面，由模型生成中间的过渡过程。该方式适合始末状态明确、变化方向清晰的镜头，可通过预设两端画面限定生成范围，使动态过程围绕既定目标展开。

首尾帧的视觉一致性是过渡连贯的重要基础。两张图片宜保持主体、机位与构图基本一致，仅调整需要变化的内容。无关差异越少，衔接通常越自然。若多项画面信息同时发生改变，则可能削弱连贯性并引发视觉异常。

制作首尾帧时，宜先确定首帧，再以其为参考生成尾帧，并在提示词中明确需要保持一致的要素，仅调整目标变化部分。视频时长应与变化幅度相适应，避免因时长不足造成过渡生硬，或因时长过长出现中段停滞与动作反复。

生成图片：16:9横向画幅，写实摄影风格。固定机位，近景俯视约30度，画面中央是一台转动的陶艺拉坯机，转盘上放置一团湿润的灰褐色陶泥，形状为不规则的矮圆团。一双手从画面两侧扶住泥团，手部沾有泥浆。背景为陶艺工作室的木质工作台，左侧摆放水桶与海绵，右侧放置修坯工具。柔和的顶部光线，暖色调，浅景深。

严格保持：机位、角度、焦距、构图、转盘位置、手部位置、背景物品及其位置、光线方向与色温不变。画面中不出现文字、水印或其他人物。

以下模板按「基础画面与参考 → 主体一致性 → 起始动作 → 变化过程 → 结束状态 → 镜头与环境锁定 → 允许变化范围 → 质量约束」的顺序组织，共八个部分，分别对应一类生成要求。使用时可按需删减，并将 {} 中的占位变量替换为具体内容。

固定机位，{画幅比例}，{视觉风格}。以首帧为主体、场景与构图参考，视频从首帧中的{初始状态}过渡到尾帧中的{目标状态}。{主体}始终位于{所在位置}，保持相同的{外观特征}。

{主体或操作者}先{起始动作}；随后{变化过程的推进方式}，{初始状态}逐步变为{目标状态}，变化连贯自然，符合真实物理规律。变化完成后，{结束动作}，最终稳定停留在尾帧画面{时长}。

相机绝对固定，不推拉、不平移、不旋转、不变焦。{需锁定的元素，如背景、光线、阴影、色温}始终不变，仅允许{允许发生的变化}。{需排除的问题，如闪烁、穿模、形体畸变、场景突变、文字、水印}。

示例：

固定机位，16:9横向画幅，写实摄影风格。以首帧为主体、场景与构图参考，视频从首帧中的矮圆泥团过渡到尾帧中的细颈花瓶坯体。

转盘匀速转动，双手先轻压泥团使其居中，随后拇指向下开孔，双手自下而上缓慢提拉，泥壁逐渐升高变薄；接近顶部时双手向内收拢，收出细长瓶颈，瓶腹自然鼓起。泥浆随手部动作沿坯体表面流动，拉坯纹理随转动逐层形成。成形后双手轻轻离开坯体表面，转盘逐渐减速，最终稳定停留在尾帧画面。

相机绝对固定，不推拉、不平移、不旋转、不变焦。工作台、水桶、海绵、修坯工具、光线方向、亮度与色温始终不变，仅允许陶泥形状与手部动作发生变化。手指结构稳定自然，坯体形变连续，无闪烁、无穿模、无形体畸变、无场景突变、无文字、无水印。

#素材参考

多参考生成支持同时输入多份图片、视频与音频素材，由模型分别提取相关信息，并依据提示词整合为同一段视频。与前三种方式相比，该方式不再依靠单张图片约束整体画面，而是由不同素材分别提供主体外观、动作表现与声音特征等参考。

使用参考素材前，应先明确各份素材的职责，并确保所需信息清晰可辨，避免无关内容干扰参考判断。对于承担多项任务的素材，还应分别限定其使用范围，降低信息混用的可能性。

多参考生成的控制效果不仅取决于素材质量，也取决于提示词能否准确表达参考要求。提示词应说明各份素材的用途及其对应关系，使信息提取与内容组织遵循一致、明确的生成目标。

参考素材用于把主体外观、动作节奏与声音特征交给模型，替代纯文字描述。与首帧、首尾帧不同，参考素材不锁定具体的画面帧，只提供特征依据。因此，素材决定“像什么”，提示词决定“怎么用”，二者缺一不可。只上传素材而不说明用途，模型仍需自行猜测对应关系。

类型分工：

参考素材应按信息类型明确分工：图片侧重静态特征，视频侧重动态特征，音频侧重声音特征。在此基础上，还应为每份素材指定明确用途，限定需要提取的信息及其使用范围，减少多重职责带来的理解歧义，保持成片内容的整体协调。

数量限制：

根据千问 AI 平台的开发文档，Wan 3.0 单次任务的参考素材上限如下表所示。网页端的实际上限以界面提示为准。

素材数量越接近上限，关键特征越容易被稀释。素材有限时，应优先保留核心人物，其次是关键商品或道具，再次是场景；整体风格通常可以用文字描述替代，不必占用素材位。

编号引用：

上传后的素材按类型与上传顺序自动编号。在输入框中输入 @，即可引用对应素材，如 @图片1、@视频1、@音频1。编号与上传次序对应，调整上传顺序会改变编号，撰写提示词前应先确认当前编号。

界面提供的示例写法为“让 @图片1 的人物在 @图片2 的场景中跳舞”。这一写法明确了两张图片各自的对应关系：@图片1 提供人物，@图片2 提供场景。模型不会依据素材内容自行推断哪份素材对应哪个人物或场景，对应关系必须写进提示词正文。

用途声明：

素材较多时，应逐份声明每份素材提供什么、不提供什么，以免模型把参考图中的背景、参考视频中的人物等无关内容带入成片。

@图片1用于茶艺师的五官、发型和米白色对襟上衣，不采用图片背景。
@图片2用于茶室的木质茶台、竹帘和午后光线，不采用图中人物。
@视频1用于提壶、注水和分茶的动作节奏，不采用视频中的人物和场景。
@音频1用于茶艺师的说话音色。

茶艺师在午后的茶室中完成一次冲泡，将第一杯茶推至画面左侧。
镜头先以中景记录注水动作，再缓慢推近至茶汤表面。
茶艺师轻声说：“这是今年的春茶，请慢用。”保留注水声和竹帘轻响，无背景音乐。

#提示写法

视频提示词需要说明两类信息：一是画面里有什么，二是这些内容在时间上如何推进。前者与图片提示词相通，后者是视频特有的部分。动作的先后、镜头的运动、声音的进出，都应在文字中给出明确次序，否则只能由模型自行安排。

提示词的基本单位是事件，而非静止画面。将视频写成一帧画面的说明文字，模型只能在原地补出细微晃动；写成一段持续推进的过程，才能得到有起止、有变化的镜头。

#公式分层递进

阿里云百炼发布的视频提示词指南，按任务类型给出了以下几组公式。简单任务采用基础公式即可，对画面质感、声音或叙事有更高要求时，再选用对应的扩展公式。

其中，美学控制指光源、光线、景别、视角、构图等描述，风格化指赛博朋克、水彩、黏土动画等视觉风格。以基础公式为例，“一只橘猫在窗台上伸懒腰”即已包含主体、场景与运动三项；在此基础上补充“清晨柔和侧光，近景平视，镜头缓慢推近，温暖的胶片质感”，即构成进阶写法。

参考资料：文生视频或图生视频提示词 Prompt 使用指南（阿里云百炼）

#要素按需取舍

主体与运动是必写项，用于说明“谁或什么”正在“做什么”；其余要素可根据生成方式和视频用途取舍。生成方式不同，提示词的侧重点也随之变化。

#要领逐项落实

推进动作

动作应沿时间单向推进，先概括主要过程，只为关键动作补写细节。同一动作不宜重复描述，重复往往被理解为重复执行，成片中会出现来回反复的动作。例如，“拿起杯子，手握杯子，把杯子端起来”应合并为“拿起杯子送至嘴边，饮下一口后放回桌面”。动作数量还应与时长相称，10 秒以内的镜头安排一至两个主要动作即可。

交代镜头

景别、机位与运镜方式应逐项写明。画面中有多个主体时，还需说明镜头围绕谁运动、从何处起幅、到何处落幅。只写“有运镜”“镜头运动”，模型会自行选择运动方式，多次生成之间差异明显。

以低机位中景起幅，镜头沿人物右侧水平横移，最终落幅于茶台上的茶杯，人物退至画面左侧虚焦处。

分述声音

开启智能配音后，人声、音效与背景音乐应分别写明，不宜笼统写作“配上合适的声音”。官方指南对三类声音的描述要点分别为：人声包括说话内容、情绪、语调、语速、音色与口音；音效包括音源材质、行为与环境音；背景音乐包括配乐类型与风格。

茶艺师轻声说：“请慢用。”语气温和，语速偏慢，声音清亮。
保留瓷杯轻碰木质茶台的声音和窗外鸟鸣，背景播放舒缓的古筝乐。

划分阶段

事件较多时，应将整段视频拆分为前后相接的阶段，每个阶段只安排一个主要变化。需要精确控制节奏时，可按官方多镜头公式，为每个镜头标注序号与时间区间，时间段应连续且不重叠。

一段关于冲泡春茶的短片，写实纪录片质感。
第1个镜头[0-5秒]：远景呈现午后的茶室，竹帘透入柔和阳光。
第2个镜头[5-10秒]：中景侧拍茶艺师提壶注水，热气从盖碗中升起。
第3个镜头[10-15秒]：特写茶汤倒入白瓷杯，镜头缓慢推近至茶汤表面。

精简限制

画面内容优先使用正向描述。限制条件只在确有必要时书写，如声明素材不采用的内容、排除容易被误带入的元素。否定句过多，会稀释主要描述的权重。

统一基调

同一条提示词中不应出现相互矛盾的要求，如“固定机位”与“镜头环绕主体”、“慢动作”与“快速剪切”、“安静空镜”与“人群喧闹”。确需在一段视频中呈现两种状态时，应改用阶段划分，写明何时由前者转为后者。

#通用模板

以下模板适用于大多数视频生成任务。{} 内为可替换变量，使用时替换为实际内容；不需要的行可整行删除。

text

生成一段用于{使用场景}的视频。
{主体}在{场景}中{主要动作}，关键动作为{重点表现的动作}。
镜头以{景别}{机位}起幅，{运镜方式}，落幅于{落幅对象}。
{光线}，整体呈现{风格}。
{说话人}说：“{台词}”；保留{音效}，背景音乐为{配乐风格}。
不出现{排除内容}。

各变量的含义及填写示例如下：

使用参考素材时，在模板开头逐行补充各素材的用途声明，如“@图片1 用于{主体}的外貌与服装”；使用首帧或首尾帧时，删除主体与场景的描述，只保留运动、运镜与声音部分。

#使用示例

以下按生成方式提供四类示例，分别展示文生视频、首帧生视频、首尾帧生视频和多参考生成的写法。

文生视频示例

以美食短视频为例，展示如何在没有素材的情况下，依靠文字确定主体、动作、镜头与声音。

美食特写，一双木筷夹起一只刚出锅的鲜肉小笼包，轻轻放入白瓷勺中。
筷子戳破面皮，汤汁缓缓流入勺中，热气随之升起。
镜头固定平视，近景，浅景深虚化背景，暖黄侧光，真实摄影质感。
保留筷子触碰瓷勺的轻响和蒸笼的热气声，无背景音乐，不出现人物面部。

首帧生视频示例

上传一张咖啡杯产品图作为首帧后，提示词只需说明画面如何运动，无需复述杯子外观。

热咖啡表面缓缓升起白色蒸汽，一片枫叶从画面上方飘落在杯碟旁。
镜头从近景缓慢拉远至中景，杯子始终位于画面中央。
保留轻微的环境声，背景播放舒缓的钢琴乐。

首尾帧生视频示例

分别上传含苞与盛开的同一朵荷花图片后，提示词应说明过渡过程，以及需要保持不变的内容。

由首帧到尾帧完成一次连续的开花过程，中间不出现跳切。
机位、荷叶位置与水面背景保持不变，仅花瓣由内向外逐层展开。
过渡均匀，结束时画面与尾帧一致。

多参考生成示例

上传人物图、场景图和动作参考视频后，应逐份声明素材用途，再安排动作与镜头。

@图片1用于舞者的五官、发型和红色长裙，不采用图片背景。
@图片2用于海边礁石、落日和海浪，不采用图中人物。
@视频1用于旋转和抬臂的舞蹈动作节奏，不采用视频中的人物和场景。

舞者在落日下的海边礁石上起舞，完成两次旋转后面向大海停住。
镜头以全景起幅，随舞者旋转缓慢环绕半周，落幅于舞者背影与落日。
保留海浪声，背景播放舒缓的弦乐。

千问将返回生成的视频。若成片未达预期，可在原提示词的基础上，只调整偏差最大的一项内容，再次生成比较效果。

#注意事项

AI 生视频在动作表现、主体稳定、文字呈现和使用合规等方面存在一定局限。了解这些局限并提前采取应对措施，可减少无效生成，降低消耗。

先短后长

分辨率与时长直接影响生成消耗。建议先以较低分辨率和较短时长验证画面方向，确认主体、动作与运镜符合预期后，再提高分辨率、延长时长，生成最终成片。

控制动作

动作过多、过快或涉及复杂的肢体交互时，成片容易出现肢体变形、动作失真或主体漂移。复杂动作宜拆分为多个阶段，每个阶段只安排一个主要变化；需要跨镜头保持一致的人物，宜通过参考图片锁定外观。

慎用文字

画面中的字幕、标牌、产品参数等文字，可能出现错字或字形异常。必须完全准确的文字内容，不宜交由模型直接生成，建议在后期剪辑时叠加。

合规使用

上传他人肖像、作品或声音作为参考素材前，应取得相应授权。生成的视频用于对外发布时，应按相关规定标注 AI 生成内容；用于商业用途前，还应确认平台的授权范围。

对于需要对外发布的视频，建议在使用前逐项核对画面主体、动作、声音与文字，确保内容准确、使用合规。