最近一直有朋友问我同一个问题AI视频生成用哪个模型做项目稳说实话这个问题很难一两句答清楚不同模型在不同场景下的表现差异太大了。正好这段时间我把手头几个短片素材全用Wan3.0重测了一遍攒下了4个相当有代表性的案例今天就挑出来做个完整复盘提示词一并放上希望能帮到正在纠结选型或者卡在提示词上的朋友。先说结论Wan3.0在动态镜头、材质物理和角色一致性上比我之前预期的要强不少但在某些高速边缘形变、极限远景角色稳定上依旧存在老毛病。下面四个案例分别对应动画短片、运动类广告、产品宣传、商业IP孵化四个真实需求场景每个案例我都会把提示词、参数、踩坑记录和最终效果全部拆开讲清楚。1. 这次实测Wan3.0的前提评测维度怎么定案例怎么选1.1 我为什么把四个维度当成视频生成模型的“基本功”在AI视频生成的实战里分辨率和画质现在已经不是主要门槛了真正拉开差距的是四个软性维度运动合理性、角色一致性、镜头调度能力、材质与光影的物理逻辑。这四个维度不是拍脑袋定的而是来自实际项目需求。我之前做过一段AI动画短片的制作流程最常崩的就是快节奏动作和转场给一个品牌做产品展示时材质质感不过关到了第二集起主角的脸都变了。这些都是商业项目直接会踩到的坑所以这次Wan3.0实测我直接把考察维度定在这四点。有了维度就得有对照实验。我选了4个案例来覆盖动物拟人微表情表演考察运动合理性、表情联动、毛发细节第一人称高速奔跑考察空间一致性、镜头调度、运动模糊玻璃碎裂慢镜头考察材质物理、光影折射、粒子运动IP角色多镜头一致性考察角色锁定能力和风格统一。这样选案例还有一个现实原因这四个场景在真实产线里对应的是动画短片、运动类广告、产品宣传、商业IP孵化四种下游需求。测试如果只做“一只猫跑过草地”根本没有参考价值测试用的画面和提示词要尽量贴近实际生产中会遇到的任务复杂度。1.2 我实测用的基础配置与跑图流程先说测试环境。Wan3.0我用的是在线版参数部分按照官方推荐的默认档位先跑了一遍分辨率1024×576帧数根据镜头运动程度调到24到48帧把运动幅度控制在默认区间然后逐项加负向提示词。整个测试流程是先跑一个基线版本检查是否有明显形变再基于基线结果在提示词里逐条加约束对比效果。这种“先基线后微调”的方法比一上来就堆大提示词更容易定位问题。很多人在测模型时喜欢一次性把十几个形容词全塞进去结果画面崩了根本不知道是哪句话导致的。所以这次每个案例我都写清楚了第一版提示词是什么、效果如何、后来加了什么才稳定。2. 案例一动物微表情拟人化表演提示词里藏了三层约束2.1 为什么拿动物的脸来考AI视频模型人类面部表情的生成现在已经很成熟了甚至有点内卷。动物则完全是另一回事因为模型在训练数据里见到的动物素材大多是奔跑、进食、玩耍这类自然行为很少见到“拟人化情绪表演”的数据。也就是说让一只柴犬做出“从迷茫到惊喜”的连续表情是在考察模型面对低频动作时能不能稳定输出。动物微表情牵涉的细节非常多眼睑开合、耳根转动、嘴角上翘、胡须方向、毛发随表情的轻微挤压和恢复任何一环崩了整个画面就会显得很瘆人。我在项目里用动物拟人镜头的场景通常是给品牌吉祥物做短视频、儿童绘本的动态化预览、以及一些偏治愈系风格的广告开场。这类镜头不需要复杂剧情但对“表演感”的要求非常高如果动物看起来像个提线木偶整个片子的质感就没了。2.2 实测提示词完整放送我用的中文提示词是这样的Wan3.0支持中文但为了保证状态一致性我最终用的是中英混合版一只身穿深蓝色牛仔外套的柴犬坐在老城区便利店门口的木长椅上前爪捧着一杯冒热气的纸杯咖啡。镜头从半身中景缓慢推近到面部特写。柴犬的眼神从一开始的迷茫无神逐渐聚焦瞳孔微微放大耳朵缓慢竖起并轻轻抖动嘴角微微上扬然后低头抿了一口咖啡闭上眼睛露出满足的表情最后重新看向镜头眼神温暖。自然晨光45度侧逆光背景虚化毛发细节清晰4K电影级画面。英文版实测下来在“表情联动”的理解上有时更细腻A Shiba Inu wearing a dark denim jacket sits on a wooden bench in front of an old convenience store, holding a steaming paper coffee cup with its front paws. Medium shot slowly pushing to close-up. The dogs eyes shift from distant to focused, pupils dilate slightly, ears slowly raise and twitch, the corners of the mouth lift. It takes a sip, closes its eyes with a satisfied expression, then looks back at the camera with warm eyes. Early morning sunlight, 45-degree backlight, blurred background, detailed fur, 4K, cinematic.这里有几个细节值得展开说。第一我没有让模型直接“表演开心”而是给了具体的生理表现瞳孔放大、耳朵抖动、嘴角上扬、闭眼、重新看镜头。模型对动词的响应远强于对情绪的响应把情绪拆解成可观察的肢体动作输出稳定很多。第二我把镜头语言也写进了提示词“中景推近到特写”这让模型在生成时会为构图留出推镜空间画面节奏更接近导演分镜而不是一个固定机位。第三我把镜头运动和表情变化的过程绑在一起先推镜、再给表情整体节奏就有一种“叙事感”而不是干巴巴的表情展示。2.3 实测效果逐帧复盘这一条我总共跑了5版第1版就出了不错的效果后面4版主要是在调构图和表情幅度。第1版的问题出在耳朵上柴犬的耳朵在眼神聚焦之前就已经竖起来并抖动结束了体感上像是“耳朵抢戏”。这个问题的本质是模型对“耳朵抖动”这个动作的执行速度判断和脚本不一致。解决办法是在提示词里加了一个时间顺序词“耳朵在眼神聚焦之后缓慢竖起”并且把“抖动”改成“轻微抖动”。改完之后表情联动明显舒服了很多。第3版的核心问题在咖啡杯模型把纸杯的轮廓画得很虚咖啡冒出的热气和前爪之间产生了少许重影。我把“前爪捧着”改成了“两只前爪交叠捧着”同时在负面提示词里加了“hand deformation, cup distortion”这两个词这一版就干净了。第5版是效果最好的眼神从迷茫到聚焦的过渡非常自然瞳孔放大和耳朵竖起的先后顺序正确抿咖啡时嘴部和毛发的轻微联动也没有崩。要说不足就是狗狗闭眼那一帧的睫毛略有粘连属于可以接受的范围生成速度大约是20秒左右一条23帧片段。提示如果你想让动物微表情更接近“表演级”效果建议把表情拆成3个状态节点——起始状态、情绪转折点、结束状态并在提示词里分别描述。比如“一开始迷茫无神逐渐聚焦然后满足”模型的视频生成机制会按照文本顺序组织画面顺序就是叙事。2.4 这条提示词背后的通用公式我把它抽成公式后面做动物类视频可以直接套动物微表情提示词 身份场景装备道具 分阶段状态描述顺序 生理细节动作 镜头运动 画质关键词。身份和场景用来锁定主体和环境装备道具增加叙事感分阶段状态描述是核心生理细节动作决定“像不像真的”镜头运动提升临场感画质关键词兜底。这套公式同样适用于人物角色只要你把“人物的表情”拆成“眼、嘴、眉、手势、身体朝向”这些具体要素并描述状态变化的先后顺序生成效果就会上一个台阶。3. 案例二第一人称高速奔跑空间连续性是最大考验3.1 高速运动为什么是“照妖镜”我一直觉得评价一个视频生成模型靠不靠谱别去看它的静帧有多美拖到快节奏镜头里遛一遛就见真章了。因为高速运动会同时考验模型的三个能力空间位置的连续性镜头往前冲两侧物体应该如何退出画面、如何改变大小和遮挡关系运动模糊的合理性速度感不只是靠“物体跑得快”来表达还要靠背景的径向模糊、前景物体的拖影来烘托物体形变的控制力高速运动状态下很多模型会把街道两侧的路灯、窗框、招牌直接生成成扭曲的奇怪形状。所以这个案例在4个维度里重点关注的是“运动合理性”和“镜头调度能力”。这个测试对实际项目的价值也很直接。现在不少运动品牌、户外装备品牌都开始用AI视频做宣传片第一人称、第三人称的高速奔跑镜头是最常见的叙事语言如果模型在这里翻车整个项目的可行性都要打个问号。3.2 第一版提示词与翻车现场我的第一版提示词很简单第一人称视角高速奔跑穿过一条老城区石板巷子两侧是灰色老砖墙墙上挂着各种招牌和电线阳光从头顶洒落地面石板飞速后退轻微手持晃动感画面有运动模糊4K写实电影镜头。这一版跑出来的画面前2秒相当惊艳透视和后退速度都很真实阳光从墙头射下来的光斑也甩出了漂亮的明暗变化。但2秒之后问题来了右手边的一个铁艺招牌先是轻微变形下一帧直接扭成了麻花状再下一帧又恢复了。这种“物体周期性扭曲”是很多模型在高速运动下的典型问题原因是短时间内的画面变化量太大模型在逐帧预测时对高频空间细节的约束不够。3.3 稳定输出的关键修正分段节奏空间锚点发现问题后我没有盲目地加形容词而是做了两个关键修改。第一个修改是把“高速奔跑”拆成两段节奏“穿过巷子”作为一个整体再加上“两侧墙壁快速向两侧滑出画面”来帮助模型理解透视的边界。这个表述等于给了模型两个锚点镜头前进的主方向和画面边缘的滑出路径。第二个修改是加了空间参照物“每隔几米出现一个木质电线杆”和“脚下石板接缝清晰可见”。有了这种周期性参照物模型在生成时会更容易维持空间尺度感相当于在高速画面里钉了几颗钉子。修正后的提示词第一人称视角高速奔跑穿过一条老城区石板巷子两侧灰色老砖墙快速向画面两侧滑出墙上偶尔出现水泥电线杆和木质招牌每隔几米路过一盏旧式路灯脚下石板接缝和青苔纹理清晰阳光从墙头直射下来在路面上形成流动光斑整体有轻微手持晃动和径向运动模糊写实电影镜头4K细腻噪点色彩偏冷。这一版跑出来的空间连续性强了很多。最让我满意的是“阳光在路面上形成流动光斑”这个细节光斑跟着镜头移动的速度在石板上流畅地滑动速度和地面后退的速度基本匹配。整体运动模糊也控制得比较好没有出现整屏糊成一片的情况。但我还是要提醒一句在高速运动镜头里Wan3.0的边缘物体偶尔还是会出现短时形变比如第3秒左侧窗框有轻微弯曲但持续时间不到半秒不细看很难发现。如果对画面纯净度有硬性要求建议把片段控制在4秒以内或者后期做轻微裁剪。3.4 实测数据记录我把这次测试的关键产出列一下指标第一版修正版画面稳定时长约2秒约4秒物体形变出现时间第2.1秒第3.4秒且幅度更轻运动模糊合理性部分过糊能看出层次空间透视错误右侧招牌扭曲左侧窗框轻微弯曲可用度较低可进入后期流程这个表我每版都记录方便对比。关于“运动模糊合理性”这一项我补充一下好的运动模糊不是整屏均匀模糊而是镜头中心相对清晰、四周逐渐模糊同时前景物体比背景物体拖影更长。Wan3.0修正版在这点上基本符合物理直觉。4. 案例三玻璃碎裂慢镜头材质物理与光折射的极限测试4.1 为什么选玻璃这个材质材质表现里玻璃是最难啃的骨头之一因为它同时涉及三个层次第一个是几何形态杯子摔碎后的碎片形状应该是大小不一、棱角分明的不规则块面第二个是物理运动碎片落地后应该反弹、滑动、二次碎裂而不是像水一样流开第三个是光学属性透明材质在光线下会产生折射、反射、边缘高光。这三个层次叠在一起任何一个环节出错都会让画面显得很“假”。广告行业对这类镜头的需求量很大酒水饮料、美妆护肤、奢侈品包袋几乎都会用到玻璃和液体慢镜头。所以这个案例的测试价值不只是“好看”而是非常接近真实商业需求。我之前帮一个精酿啤酒品牌做过概念视频玻璃杯碎裂的镜头磨了两天用传统CG做刚体模拟再加流体解算非常费时间这次用Wan3.0就是想看看能不能走一条捷径。4.2 实测提示词与效果对照我最满意的版本特写慢镜头一只装满琥珀色液体的玻璃杯从桌面边缘滑落在空中旋转半圈后撞击灰色大理石地面瞬间碎裂成大量透明玻璃碎片碎片向四周飞溅落地后弹跳滑动液体泼洒开形成不规则水花。暗色背景单束顶光照下玻璃碎片边缘产生明显折射和日光色散慢动作高速摄影感细节丰富4K电影级画面。英文版Macro slow motion, a glass filled with amber liquid slides off the table edge, spins half a turn in the air, hits the gray marble floor and shatters into many transparent shards. Shards fly outward, bounce and slide on the ground, liquid splashes into an irregular bloom. Dark background, single top light, visible refraction and dispersion on shard edges, slow motion, high-speed photography, rich detail, 4K, cinematic.这版我跑了6次。第1次和第2次碎片数量偏少大概只有十几片飞溅半径也很小整体显得很“温和”到了第3次模型终于给出了比较密集的碎片分布并且出现了大小混排第5、6次的碎片数量、飞溅轨迹已经相当稳定。让我印象最深的不是碎片的数量而是碎片的“运动和光影关系”。在顶光照射下部分碎片翻转时边缘会有明显的折射高光并且高光的位置随碎片的角度实时变化这是材质物理测试里最难模拟的点。虽然这些高光不是完全物理正确的但视觉合理性足够骗过多数人的眼睛。4.3 玻璃材质的通用提示词公式针对玻璃、液体、金属这类材质我总结了一个通用公式材质镜头提示词 主体初始状态 运动方式触发动作 结果状态碎裂/溅开的具体描述 光环境 材质高光描述 镜头速度 画质关键词。关键点有两个一个是“结果状态”要写具体。不要只写“杯子碎了”要写“碎片大小不一向四周飞溅落地后反弹滑动”。“大小不一”这四个字很重要它直接决定了碎裂后画面的层次感如果模型默认生成的碎片都差不多大画面会显得像“玻璃纸碎屑”而不是玻璃。另一个是“光环境”。暗背景单束顶光是拍这类镜头的最稳搭配因为在暗背景下透明材质的轮廓是靠折射和边缘高光勾勒出来的模型只需要在提示词里写清楚“折射”和“色散”暗背景会让这些光学效果自动突出反过来如果在亮背景里拍玻璃模型很容易把玻璃生成成一个“白色半透明物体”透明感和厚度感都会弱很多。4.4 这个案例的实际拍摄成本对比最后说一个很现实的点。同样一段玻璃碎裂慢镜头如果用实拍就算不考虑场地和道具成本单是高速摄影机的设备成本和灯光调试至少也要一整天如果用CG做一个合格的刚体破碎加流体模拟从解算到渲染需要懂技术的三维设计师投入两三天是常事。而用Wan3.0生成我的耗时大概是30分钟包括6次生成、挑选、局部调整。虽然生成结果在物理精确度上和真实模拟还有差距比如碎片数量远不如流体解算那么海量但作为创意预览、概念验证、甚至一些不需要特写的产品广告镜头这个效率优势是碾压级的。5. 案例四IP角色一致性——三视图加多镜头商业项目最刚需的能力5.1 为什么要专门测角色一致性如果你只是生成单段视频角色一致性显得没那么重要但一旦进入商业项目尤其是短剧、动漫、游戏宣传片角色一致性就是第一道门槛。观众能接受AI视频画面有一点瑕疵但绝对接受不了主角上一秒穿红色卫衣、下一秒变蓝色夹克或者第1集是圆脸、第2集变瓜子脸。所以第四组测试我专门做了IP角色的“三视图多镜头一致”实验。这个测试的背景来自最近接的一个短剧项目导演对AI生成的最大顾虑就是“主角能不能认出来”。如果Wan3.0能做到多镜头稳定那前期分镜和概念验证的效率会大幅提升。测试前我给自己的标准是同一角色的6个镜头里至少有5个镜头能让人一眼认出是同一个人并且服装、发色、脸型没有明显的跳跃变化才算达到可用的及格线。5.2 测试方法与提示词方案我的方案分三步。第一步先用提示词生成一个角色的“三视图”定妆照让角色特征固定下来一个20岁左右的短发女孩深棕色微卷短发齐刘海穿米白色oversize卫衣和浅蓝色牛仔裤白色帆布鞋。正面、侧面、背面三视图纯灰色背景全身照统一光照角色设计参考高细节4K。第二步把角色描述抽取成“角色卡”也就是一组固定的特征描述在后续每个镜头里都原样粘贴。角色卡短发深棕色微卷短发齐刘海发尾刚好到下巴服装米白色oversize卫衣胸口有一个小小的橙色太阳刺绣浅蓝色直筒牛仔裤白色帆布鞋长相圆脸杏仁眼鼻尖有一点雀斑第三步用“角色卡新场景动作”的结构去生成新镜头。比如角色卡保持不变。镜头傍晚的城市天台女孩靠在栏杆上风吹起她的短发她望向远方露出浅浅的微笑。电影感冷色调浅景深4K。这里有一个非常重要的操作细节千万不要在第二个镜头里重新描述角色。角色不一致问题的源头很多时候不是模型能力不够而是提示词在每段之间变了。你把“深棕色微卷短发”在镜头A里写一次、在镜头B里又改成“深棕色头发”模型当然会跟着改。把角色描述做成固定角色卡每段视频完全复用是成本最低的一致性保障方案。5.3 实测结果一致性到什么程度算“可用”实际跑了6个镜头我的结论是正面和半侧面的角色一致性相当能打发色、刘海走向、卫衣颜色和刺绣图案基本都能锁住三个镜头之间的脸型差异很小肉眼不容易察觉。但两个极限场景仍然会翻车第一个是背面转身女孩转身后的侧脸和正脸特征偶尔会出现轻微漂移第二个是远景全身因为脸在画面中占比太小模型会把脸“脑补”成一张新脸。这两个问题在目前AI视频模型里普遍存在Wan3.0也不例外。我的补救方案是将“转身镜头”和“远景镜头”降级使用正脸镜头作为主镜头背面或远景镜头在成片里只保留一到两秒避免观众注意力长时间停留在角色面部。如果项目对远景的脸有严格要求那就得靠后期修脸或者用图生视频的方式先把角色参考图喂进去再生成。注意角色卡里的“每一个形容词”都可能在后续镜头中被模型当成特征去放大。所以角色卡不要写太多主观性描述比如“很可爱”这类词毫无信息量还会让模型自由发挥。只写客观可量化的特征发色、长度、形状、颜色、印花、脸型、五官细节。越客观越稳定。5.4 多镜头风格统一的另一个隐藏变量最后说个容易忽略的变量色彩风格和光照描述。即使角色卡一字不改如果镜头A写“黄昏暖光”镜头B写“阴天冷调”模型的整体风格也会漂移看起来像两部片子。所以我在一致性测试中所有镜头都共用了一组光照描述“柔和的自然光微微偏暖低反差”。这样角色和风格的双重一致性都有了一个统一锚点。这条经验我后来也用在了另一个项目的多镜头素材里效果非常明显。6. 从4个案例里提炼的提示词工程实战经验总结6.1 一条不会出错的万能提示词结构四个案例测下来我最大的感触是视频提示词工程本质上是在做“结构化约束”而不是“堆形容词”。真正好用的提示词逻辑上可以分为五大块我把它称为“五要素提示词框架”主体Who/What明确主体的身份、外观、服装、道具场景Where明确地点、时间、背景元素状态变化What change明确这段视频里发生的事件或状态变化关键是要有时间顺序表现形式How指镜头运动、画幅比例、拍摄手法、景别画质与风格Look指分辨率、光效、色调、胶片感或电影感。按这个框架写即使是一个完全不懂提示词的初学者也能写出至少70分的视频提示词。6.2 负面提示词到底要不要写、怎么写很多人问负面提示词的作用大不大。实测下来作用很明显但要有的放矢。Wan3.0对负面提示词的理解能力比我预期的要好。我在这四次测试里统一使用的基础负面提示词是模糊, 变形, 扭曲, 鬼影, 果冻效应, 水印, 文字, 低分辨率, 过曝, 异常肢体, 多指, 五官错位这套基础词覆盖了大部分常见AI视频瑕疵。但在具体案例里还需要补充对应场景的专属负面词。比如玻璃材质测试里我临时加上了“碎片漂浮水面”避免碎片像液体一样流开动物微表情测试里加了“hand deformation, cup distortion”。这类场景专属负面词的效果往往比通用负面词更立竿见影因为它们直接针对的是该场景的高发问题。6.3 抽卡不理想时先别急着改提示词这次测试我记录了每一版的改动原因发现一个规律当生成结果不理想时大约有60%的问题靠补充约束可以解决但还有40%的问题是“生成随机性”导致的。同样一段效果还行的提示词换个seed重跑结果可能天差地别。所以我建议的排查顺序是第一版失败先原样重跑2次排除随机性连续3次都失败开始改提示词每次只改一个变量如果改了一个变量之后问题依旧马上回滚换另一个变量确认提示词没问题但画面始终不干净再查负面提示词和参数设置。这个“每次只改一个变量”的原则是排查提示词的黄金法则。一次改三个词你根本不知道是哪个词起了作用、哪个词拖了后腿整个调试过程会变得毫无复盘价值。6.4 参数细节和后期处理经验最后分享几个参数和后期上的零散经验。第一个是片段长度。Wan3.0单次生成片段我建议控制在4到6秒不是说它生成不了更长而是超过5秒后出现累积形变的概率会明显上升。如果需要长镜头就用首尾帧衔接技巧上一段的最后一帧作为下一段的第一帧让两段镜头在运动趋势上接起来。第二个是运动幅度。如果你需要稳定的角色表情运动幅度可以调低一档如果你追求动态冲击力比如奔跑、碎裂运动幅度再往上探但要有接受物体轻微形变的心理准备。第三个是后期降噪。很多AI视频生成结果在暗部会出现颗粒噪点Wan3.0也有这个情况。拿到片段后我一般会过一遍轻量降噪要么用视频软件自带的降噪要么用逐帧的AI增强工具顺便拉伸到2K或4K再做后续合成。第四个是画幅设置。生成视频的时候横屏竖屏的比例直接在选择输出参数时确定不要依赖提示词里的“vertical composition”或“16:9”描述直接选好目标画幅提示词只负责画面内容这样更稳定。第五个是色调统一。所有片段用同一组光照描述后期合成时再统一加一个LUT让各段素材的色调完全一致成片质感会立刻上几个档次。测完这4个案例我个人最大的体会是Wan3.0已经不是“玩具级”的AI视频工具了在运动合理性、材质光影和角色锁定这三点上它的表现足够进入真实的商业制作流程。但要说完全替代传统制作也不现实高速运动边缘形变、极限远景角色漂移这两个短板还摆在那里。我的建议是把它当一个能力很强的前期预演和快速产出工具来用把提示词当成工程来做每一次生成都记录、每一次失败都复盘这样你才能逐渐摸清模型的脾气让AI视频真正为自己所用。