Wan3.0 Kurzfilm-/Drama-Videoprompt-Experte

Wandelt Drehbücher, Storyboards und Szenenbeschreibungen in Prompts um, die wan3.0-video verarbeiten kann, und diagnostiziert fehlerhafte Drama-Cases mit minimalen Patches.

Grenzen: Dieser Skill ist für das Schreiben/Anpassen von Prompts zuständig, nicht für das Einreichen, Abfragen oder Herunterladen von Aufgaben. Standardmäßig wird nur der Prompt ausgegeben, kein Video generiert; Nur wenn der Benutzer ausdrücklich sagt "Lass es laufen / Erstelle einen Case / Generiere es / Batch-Lauf" wird in den Videogenerierungsprozess eingestiegen, und vor der Generierung werden duration / resolution / ratio / audio zur Bestätigung vorgelegt. Dieser Skill deckt nur Kurzfilm-/Drama-/Film-Prompts ab; Produktvideos / eCommerce-Sprecher / Makroaufnahmen / Unboxing/Vorführungen fallen nicht in diesen Bereich.

Vor dem Start lesen:

references/wan3-formulas.md — Die sieben Wan3.0-Formeln: Basis · Fortgeschritten · Bild-zu-Video · Audio · Referenz · Multi-Shot · Video-Bearbeitung + @Bild1-Referenzsystem + drei Standardverhalten für Storyboard/Dialog/BGM. Bei Schreibkonflikten hat dieses Dokument Vorrang
references/wan3-protocol.md — Protokoll-harte Einschränkungen (negative_prompt veraltet, standardmäßig vertont, adaptives Verhältnis, Medienlimits, Parameter und Abrechnung, Ausgabe-Checkliste)
references/shot-language.md — Kamerasprache / Ästhetik-Wörterbuch (Lichtquellen, Einstellungsgrößen, Komposition, Kameraposition, Brennweite, Farbton, Kamerabewegung, Stil, Audiokategorien), für ästhetische Präfixe konsultieren
references/prompt-craft-discipline.md — Allgemeine technische Disziplin: Zeitlinien-Kontinuität und Segment-Längen-Maßstab, Materialverantwortlichkeitserklärung, Auswahl der Ausschlussschichten 3–8, fünf Elemente komplexer Aktionen, Reverse-Engineering von Referenzvideos, One-Shot-Details, Verlängerungs-/Bearbeitungselemente ergänzen, Mindestqualitätslinie. Ergänzende Methoden, bei Konflikten mit der Formeldatei hat die Formel Vorrang
references/exemplars.md — Drama-GoodCase-Bibliothek: 30-Sekunden-One-Shot-Erzählung / Multi-Shot-Storyboard / komplexe physikalische Aktionen / Martial-Arts-Kampfszene / stilisierte Emotionen / Animationsspiel-CG / Langzeit-Vlog / V2V-Bearbeitung / Erstes/Letztes-Bild-Vorlage, inklusive 6 allgemeine Verstärkungen für Dramen. Beim Schreiben neuer Drama-Cases zuerst nach dieser Struktur richten

§0 Workflow

Modus bestimmen: Schreiben / Umschreiben / Diagnose / Bearbeiten V2V / Ganze Serie Batch (siehe §1)
Form bestimmen: T2V / Erstes Bild / Erstes/Letztes Bild / All-in-One-Referenz / Video-Bearbeitung V2V / Datei/Webseite (siehe wan3-protocol.md §1) — Kurzfilme standardmäßig All-in-One-Referenz (Charakterkonsistenz zwingend erforderlich)
Formel auswählen: Zuordnung Form → Formel siehe wan3-formulas.md §9
Aufnahmestruktur bestimmen: Einzelaufnahme (One-Shot) / Multi-Shot mit Zeitstempel (siehe §4)
Prompt in sechs Schichten schreiben (siehe §2), einzeln die acht eisernen Regeln in §7 durchgehen
Charakter + Raum verriegeln: Charakter mit @BildN / @VideoN + reference_voice; Standort mit expliziten Koordinaten (siehe §5)
Risikoerkennung → Warnung → Lösungen → Benutzerentscheidung: Bei Treffern der Schwächenliste in §6 die Risiken klar benennen, 2–3 Alternativen anbieten, nicht hart blockieren
Technische Selbstkontrolle durchführen (prompt-craft-discipline.md): Sind die Multi-Shot-Zeitstempel kontinuierlich und summieren sich auf duration? Hat jedes Segment einen "Endzustand"? Sind die Segmente innerhalb des Limits? Haben mehrere Materialien eine Verantwortlichkeitserklärung? Ist die Ausschlussschicht auf 3–8 Elemente begrenzt? Gibt es widersprüchliche Beschreibungen im Text? Gibt es in den ersten 2 Sekunden einen Hook? Gibt es am Ende einen Abschlusspunkt?
Ausgabe: Prompt-Text + empfohlene Parameter + Charakter-/Stimmzuordnungstabelle + Risikohinweise (Format siehe §9)

Fehlende Informationen erfragen, nicht raten. Pflichtfragen: Gibt es Charakter-Referenzbilder/-videos? Sollen Dialog und Stimmfarbe verwendet werden? Einzelaufnahme oder Multi-Shot? Seitenverhältnis und Dauer des Endprodukts?

§1 Modus-Routing

Benutzereingabe	Modus	Vorgehen
Drehbuchauszug/Szenenbeschreibung gegeben, Prompt gewünscht	Schreiben	§2 Sechs-Schichten-Struktur + §8 Vorlage
Strukturiertes Storyboard oder essayistische Beschreibung gegeben, "verwendbaren Prompt" gewünscht	Umschreiben	In Regie-Erzählform umwandeln: zuerst Raumkoordinaten ergänzen (§5), dann Ästhetik und Audio-Schichten (§2)
Fertiges Video zum Ändern (Dialog ändern, Kleidung wechseln, Wetter ändern, nächsten Abschnitt fortsetzen, White-Model in Finale umwandeln)	Bearbeiten V2V	§3 verwenden, nur "Bearbeitungsobjekt + Bearbeitungsaktion" schreiben, nicht den gesamten Prompt neu schreiben
Prompt gegeben + "Lippen passen nicht/Gesicht ändert sich/Dialog halb gesprochen/Position verschiebt sich"	Diagnose	`references/drama-diagnosis.md` verwenden, zuerst Ursache zuordnen, dann minimalen Patch geben (nur notwendige Sätze ändern, nicht den gesamten Text neu schreiben)
Referenzvideo/Muster gegeben, "genau so ein Video machen"	Reverse Engineering	`references/prompt-craft-discipline.md` §5 verwenden: Nach realen Schnittpunkten rekonstruieren, nur im Bild bestätigte Aktionen und Dialoge schreiben, keine kreative Extrapolation; für zusätzliche Aktionen separate "kreative erweiterte Version" erstellen
Vollständiges Serien-Drehbuch gegeben, Batch-Aufteilung gewünscht	Serien-Batch	Zuerst Excel-Liste erstellen (Aufnahmenummer / Szene / Charakter / Referenzbild / Dialog / Prompt / duration / ratio), dann erst nachdem der Benutzer Dauer und Seitenverhältnis ergänzt hat, Cases einzeln einreichen
Fertiges Video/Screenshot gegeben, "was stimmt hier nicht?"	Diagnose	Zuerst beobachtete Phänomene beschreiben → Symptomtabelle zuordnen → Patch

§2 Drama-Sechs-Schichten-Struktur

Die Basislinie ist „Subjekt + Szene + Bewegung + Ästhetikkontrolle + Stilisierung + Soundeffekte“ (Fortgeschrittene Formel) + „@Referenzobjekt + Aktion + Dialog“ (Referenzformel). Für Dramen wird dies auf sechs Schichten verfestigt:

[Ästhetisches Präfix] Licht + Einstellungsgröße + Komposition + Kameraposition + Brennweite + Farbton + Kamerabewegung
[Charakterreferenz] @BildN / @VideoN Charakter (All-in-One-Referenz) — Aussehen, Frisur, Kleidung nicht wiederholen
[Räumliche Position] Wer ist links/mitte/rechts im Bild, in welche Richtung schauen sie, Abstand zueinander, Betreten/Verlassen des Bildes
[Aktion/Darstellung] Spezifische Aktion + Umfang + Geschwindigkeit + Prozess von Emotionen und Ausdrücken
[Dialekt/Audio] Sechs Elemente der menschlichen Stimme + Drei Soundeffekt-Abschnitte + Zwei BGM-Abschnitte
[Ausschlussschicht] Mit positiven Formulierungen anfällige Punkte verriegeln (Verformung, Untertitel, Kameraposition, Blickrichtung)

Dialekt/Audio-Schicht streng nach der Drei-Audio-Abschnitts-Formel schreiben (wan3-formulas.md §4):

Menschliche Stimme = "Dialoginhalt" + Emotion + Tonfall + Sprechgeschwindigkeit + Stimmfarbe + Akzent (sechs Elemente, fehlt eines, interpretiert das Modell frei)
Stimmfarbenreferenz = im selben Satz wie die Sprechaktion, direkt nach dem Dialog „Stimmref @AudioN": XX sagt den Dialog: „...", Stimmref @Audio1. Separate Sätze wie „Extrahiere die Stimmfarbe aus @Audio1 und lasse XX sagen…" sind nicht wirksam, immer in die nachgestellte Form umschreiben
Soundeffekte = Klangquelle/Material + Aktion + Umgebungsgeräusch
BGM = Hintergrundmusik/Partitur + Stil
Ohne Dialog schreiben: „Im gesamten Film keine Dialoge", ohne Begleitmusik schreiben: „Keine Hintergrundmusik"

Beispiel Einzelaufnahme-Dialog (All-in-One-Referenz, zwei Charaktere mit jeweils eigener Stimmfarbe):

Weiches Licht, Seitenlicht, praktisches Raumlicht, halbnah, Zweiershot, Über-die-Schulter-Aufnahme, mittlere Brennweite, kühler Farbton, Stativ.
@Bild1 Der Mann steht auf der linken Seite des Bildes, Körper leicht nach rechts vorne gerichtet; @Bild2 Die Frau sitzt auf dem Sofa auf der rechten Seite des Bildes, blickt zu ihm auf, beide etwa anderthalb Meter voneinander entfernt.
@Bild1 macht mit den Händen in den Taschen einen halben Schritt nach vorne, zieht das Kinn leicht ein, die Augenbrauen gehen von entspannt allmählich in eine Stirnrunzeln über; @Bild2 Die Finger umklammern unbewusst fester die Sofalehne, der Blick weicht aus, wird dann zu direktem Augenkontakt.
@Bild1 sagt mit leiser Stimme: "Das wusste ich schon lange." Die Emotion ist unterdrückt und zurückhaltend, der Tonfall gleichmäßig und fallend, die Sprechgeschwindigkeit langsam, die Stimme tief und heiser, Hochchinesisch.
@Bild2 antwortet nach einer Sekunde Pause: "Warum hast du es dann nicht gesagt?" Die Emotion ist verletzt und aufgeregt, der Tonfall steigend, die Sprechgeschwindigkeit eher schnell, die Stimme klar und eher hoch, Hochchinesisch.
Im Hintergrund das sehr leise Ticken einer Pendeluhr und das entfernte Grundrauschen des Straßenverkehrs, keine Hintergrundmusik.
Die Gesichtszüge und Körperproportionen beider Personen sind während des gesamten Videos stabil, die Richtung und relative Position bleiben unverändert, das Bild ist sauber ohne Untertitelüberlagerung, Kameraposition und Brennweite bleiben während des gesamten Videos unverändert.

Beispiel Emotions-Nahaufnahme (Erstes Bild, geht zur Bild-zu-Video-Formel: nur Bewegung + Kamerabewegung schreiben):

Randlicht, nahe Detailaufnahme, zentrierte Komposition, geringe Schärfentiefe, Telebrennweite, niedrige Sättigung, die Kamera fährt extrem langsam heran.
Die Person senkt zuerst den Blick auf einen Brief in der Hand, die Wimpern flattern leicht, der Mundwinkel senkt sich leicht; dann hebt sie langsam den Kopf und blickt aus dem Fenster,
in den Augen sammelt sich allmählich Flüssigkeit, aber ohne zu weinen, der Adamsapfel rollt einmal auf und ab, die Atmung wird tief und lang.
Im gesamten Film keine Dialoge, nur leises Rascheln von Papier und Windgeräusche von draußen, keine Hintergrundmusik.
Gesichtskonturen und Gesichtsproportionen bleiben stabil und natürlich, das Bild ist sauber ohne überlagerte Grafiken, Kameraposition und Brennwite bleiben während des gesamten Videos unverändert.

@ Referenz-Disziplin: Schreibe @Bild1 / @Video1 / @Audio1, mit @, Vollform „Bild"; Bilder/Videos/Audios jeweils ab 1 nummeriert. Derselbe Charakter kann mehrmals im Satz mit @ referenziert werden, dies ist die empfohlene Methode zur Steigerung der Referenztrefferquote — bei Satzwechsel, Aktionswechsel oder erneutem Auftreten jedes Mal erneut @ verwenden, ist stabiler als "er/sie". Die alte Schreibweise „Bild1 / Video1" wird nicht mehr verwendet, beim Umschreiben alter Prompts durch die @-Vollform ersetzen.

Referenzbild-Grenzregel: Hinter @BildN folgt nur "was es tut/wohin es geht/welche Emotion/wie sich die Kamera bewegt", nicht "wie es aussieht/was es trägt/welche Frisur es hat". Verboten zu schreiben: „Die Gesichtszüge des Referenzbildes exakt wiederherstellen" oder „Pixelgenau mit dem Referenzbild übereinstimmen" — das Referenzbild selbst ist die Einschränkung, das Wiederholen des Aussehens lenkt die Aufmerksamkeit des Modells von den Darbietungsanweisungen ab.

§3 Videobearbeitung V2V (Hauptmethode für Drama-Korrekturen und Fortsetzungen)

Formel: Prompt = Bearbeitungsobjekt + Bearbeitungsaktion (Volltext siehe wan3-formulas.md §7). Kernregel: Schreibe nur, was geändert werden soll, beschreibe nicht das Originalvideo neu. Wenn andere Teile erhalten bleiben sollen, füge hinzu: „Alles andere bleibt unverändert."

Dramatischer Wunsch	Schreibweise	Beispiel
Dialog ändern (Stimmfarbe erhalten)	Zeitliche Bearbeitung	„Unter Beibehaltung von Stimmfarbe und Tonfall der Person, ändere den Dialog der Frau zu: 'Ich habe nie daran gedacht zu gehen'"
Aktion ergänzen/ändern	Zeitliche Bearbeitung	„Lasse den Mann im Video einen Umschlag vom Tisch nehmen und ihn langsam aufreißen"
Kleidung/Gegenstand wechseln	Element-Bearbeitung (Mehrbildnummern)	„Lasse den Mann im Video den schwarzen Mantel aus @Bild1 anziehen und die Uhr aus @Bild2 tragen"
Charakter wechseln	Element-Bearbeitung	„Ersetze die Nebenrolle im Video durch den Charakter aus @Bild1, alles andere bleibt unverändert"
Szenenelement hinzufügen/entfernen	Element-Bearbeitung	„Füge eine eingeschaltete Tischlampe auf dem Schreibtisch hinzu" / „Entferne das Poster an der Wand"
Wetter/Tageszeit ändern	Globale Bearbeitung	„Ändere das Video in eine Regennacht, alles andere bleibt unverändert"
Farbton/emotionale Grundstimmung ändern	Globale Bearbeitung	„Ändere zu kühlem Farbton, senke die Sättigung, alles andere bleibt unverändert"
Stilistische Transformation	Globale Bearbeitung	„Wandle das Video in einen 2D-Animationsstil um" / „Wandle das Video in den Tuschemalstil des Bildes um"
Nächsten Abschnitt fortsetzen	Video verlängern	„Der Mann geht weiter den Korridor entlang, bleibt an der Ecke stehen und dreht sich um"
Weißmodell in endgültiges Video umwandeln	Referenzieren (3D-Vorschauvideo als Eingabe)	„Wandle das 3D-Vorschauvideo in ein endgültiges Video um, ersetze den Weißmodell-Charakter im Vorschauvideo durch den Mann von @Bild1 und die Frau von @Bild2, behalte die ursprüngliche Kameraführung und Positionierung bei"

Drama-V2V-spezifische Hinweise:

Bei Dialogänderung MUSS „Behalte Stimmfarbe und Tonfall der Person bei" geschrieben werden, sonst driftet die Stimmfarbe und passt nicht zu den vorherigen/nächsten Aufnahmen
Referenzbilder für Charakter-/Kleidungswechsel müssen gleiche Einstellungsgröße und gleiche Blickrichtung haben, sonst brechen Naht und Proportionen
Globale Farbtonänderung verändert auch Hautfarbe und Kleidungsfarbe, bei seriellen Dramen mit sensibler Charakterkonsistenz sparsam verwenden, lieber einzelne Aufnahmen neu drehen
Bei Videoverlängerung nur die „anschließende Dynamik" schreiben, das vorhandene Bild nicht erneut beschreiben, sonst führt das Modell die gesamte Szene erneut auf
Der Wert der Weißmodell-Referenz liegt in der bereits festgelegten Kameraführung und Positionierung; der Schwerpunkt des Prompts liegt auf "durch wen ersetzen", nicht auf dem Neudesign der Kamera
Das Eingangsvideo von V2V zählt zur Zeitbegrenzung: Gesamtdauer Eingabe + Ausgabe duration ≤ 30s

§4 Einzelaufnahme vs. Multi-Shot

Standardverhalten: Ohne explizite Aufnahmeangabe improvisiert das Modell selbst — es kann eine Einzelaufnahme oder eine beliebige Anzahl von Multi-Shots ausgeben. Bei Dramen muss die Steuerung explizit sein.

One-Shot (Einzelaufnahme)

Im Prompt explizit schreiben: „Einzelaufnahme generieren" oder „One-Shot" (Englisch Generate single shot.). In Szenen, in denen kein Schnitt gewünscht wird, MUSS dies geschrieben werden, sonst kann das Modell selbstständig Aufnahmen teilen, was zu plötzlichen Änderungen von Charakteren und Räumen führt.

Multi-Shot mit Zeitstempeln

Formel = Gesamtbeschreibung + Aufnahmenummer + Zeitstempel + Aufnahmeinhalt, Format „Die N-te Aufnahme [a-b Sekunden]", Übergangsart und Kameraposition am Anfang des Aufnahmeinhalts schreiben.

Diese Geschichte wird aus der Perspektive der dritten Person erzählt, von einer zufälligen Begegnung im Treppenhaus in der Nacht, dokumentarischer Handkamera-Stil, durchgehend kühler Farbton.
Die 1. Aufnahme [0-3 Sekunden] Halbtotale, Untersicht. @Bild1 Der Mann betritt das Treppenhaus von rechts unten, seine Schritte lösen das Licht aus, er bleibt vor dem Briefkasten stehen und hebt die Hand.
Die 2. Aufnahme [3-6 Sekunden] Hardschnitt-Übergang, Nahaufnahme Detail, Stativ. Finger reißen den Umschlag eines Briefes auf, der Papierrand ist ausgefranst, die Fingerknöchel werden vor Anstrengung weiß.
Die 3. Aufnahme [6-10 Sekunden] Hardschnitt-Übergang, halbnah, Frontperspektive, die Kamera fährt langsam heran. @Bild1 senkt den Kopf und liest den Brief, der Blick wechselt von ruhig zu schockiert, die Lippen öffnen sich leicht, aber kein Laut.
Soundeffekte: Summen des Stroms der Lichtschranke, Reißgeräusch von Papier, Echoeffekt im Treppenhaus; im gesamten Film keine Dialoge, keine Hintergrundmusik.
In den drei Aufnahmen bleiben Kleidung und Gesichtszüge der Person konsistent, die Raumrichtung des Treppenhauses ist vorne/hinten einheitlich, das Bild ist sauber ohne Untertitel.

Multi-Shot-Regeln:

Standardformat „Die N-te Aufnahme [a-b Sekunden]" verwenden, Zeitstempel müssen lückenlos aufeinander folgen, Summe der Aufnahmen = duration
Übergangsart (Hardschnitt / Überblendung / Wisch) am Anfang des Aufnahmeinhalts schreiben, direkt nach dem Zeitstempel
Einzelne Aufnahme nicht kürzer als 2s, sonst reicht die Zeit für die Aktion nicht
Konsistenz über Aufnahmen hinweg am Ende einmal global deklarieren (Kleidung/Gesicht/Raumrichtung), nicht in jeder Aufnahme wiederholen
Anzahl der Aufnahmen ≤ 4 ist die Sicherheitszone; bei 5 oder mehr wird empfohlen, in mehrere Tasks aufzuteilen, segmentweise zu generieren und dann zu schneiden
Multi-Shot + langer Dialog gleichzeitig = hohes Risiko, vorzugsweise Tasks aufteilen

Verbindungstechnik für segmentierte Generierung

Wenn lange Inhalte in mehreren Segmenten generiert werden (auch eine Methode, um 504 Timeouts zu vermeiden):

Nach Abschluss des vorherigen Segments das letzte Bild als first_frame für das nächste Segment verwenden; oder direkt Videoverlängerung (§3) verwenden, um fortzufahren
Den ersten Satz des nächsten Segment-Dialogs mit einem Ankerpunkt versehen (den Tonfall oder Aktionsstart des letzten Halbsatzes des vorherigen Segments wiederholen), um Brüche in der Lippenbewegung und Emotion zu vermeiden
Jedes Segment hat eine unabhängige task_id, nicht vermischen; seed segmentweise fixieren für Reproduzierbarkeit

§5 Charakterkonsistenz und räumliche Positionierung (zwei Hauptprobleme bei Dramen)

5.1 Charakterkonsistenz

Methode	Vorgehen	Anwendung
`reference_image`	1–2 klare Front-/Profilbilder pro Charakter, im Prompt mit `@Bild1` / `@Bild2` referenzieren	Standardmethode, am stabilsten
`reference_video`	Ein Aufführungsvideo des Charakters angeben (≤15s, und Eingabe + Ausgabe ≤30s), im Prompt `@Video1` schreiben	Wenn dynamische Ausdrücke/Körperhaltung erhalten bleiben sollen; auch nur für zeitliche Referenz möglich, z.B. „Beziehe dich auf die Kameraführung von @Video1"
`reference_audio`	Direkt nach dem Dialogsatz „Stimmref @Audio1" anfügen, z.B. „@Bild1 sagt: '...', Stimmref @Audio1"	Prompt-Ebene Stimmfarbenreferenz; MUSS im selben Satz wie die Sprechaktion stehen, separate Sätze mit „Extrahiere Stimmfarbe" sind nicht wirksam
`reference_voice`	Parameter-Ebene: Am entsprechenden `reference_image` / `reference_video` Unterobjekt anhängen	Erste Wahl für Mehrpersonen-Dialog, härter als Prompt-Beschreibung; kann gleichzeitig mit „Stimmref @AudioN" nach dem Dialogsatz verwendet werden

Die Mehrpersonenzuordnung MUSS in der Ausgabe als Liste erscheinen, um Nummernfehler zu vermeiden:

@Bild1 = Hauptdarsteller (schwarzer Anzug) → reference_voice: male_low.mp3
@Bild2 = Hauptdarstellerin (beiger Pullover) → reference_voice: female_bright.mp3
@Bild3 = Szenenreferenz (Wohnzimmer Panorama, keine Stimmfarbe)

Die Nummer = die innerhalb dieses Typs beim Upload in input.media Array geltende Reihenfolge; Bilder / Videos / Audios getrennt gezählt (@Bild1 / @Video1 / @Audio1 jeweils ab 1). Nummernfehler sind der häufigste banale Unfall bei Dramen — vor der Ausgabe einzeln prüfen.

5.2 Explizite räumliche Koordinaten

Wan3.0 hat bekannte logische Raumfehler (falsche Liegerichtung, Ungleichgewicht zwischen Personen und Objektproportionen), daher muss dies festgeschrieben werden:

Position: Bild links / mitte / rechts + Vordergrund / Mittelgrund / Hintergrund
Blickrichtung: Zur Kamera / zur linken Bildseite / von der Kamera weg / seitlich zum Gegenüber
Abstand: Etwa X Meter / Armeslänge / nah im selben Bild
Bei liegenden Personen MUSS Kopf-Fuß-Richtung geschrieben werden: „Kopf zur linken Bildseite, Füße zur rechten Bildseite, auf dem Rücken liegend"
Betreten/Verlassen des Bildes: Von rechts ins Bild kommend / Nach links aus dem Bild gehend
≥ 3 Personen zuerst in Zonen aufteilen: „Links zwei Personen nebeneinander, in der Mitte eine Person allein, rechts eine Person halb seitlich", dann jeder eigene Aktionen geben

Über Aufnahmen/Abschnitte hinweg muss der räumliche Anker für jede Aufnahme mit demselben links/rechts System wiederholt werden, nicht in einer Aufnahme „er ist links" und in der nächsten „er ist rechts" (außer es gibt eine explizite Kamerabewegung oder Positionsänderung).

5.3 Halteanker für Requisiten/Artefakte

Fantasy/Kostüm/Sci-Fi haben oft asymmetrische Requisiten (Artefakte, Schwerter, Stäbe, Schusswaffen, Zepter, Instrumente), bei der Generierung mit Wan3.0 werden sie oft falsch herum gehalten, an der falschen Stelle gegriffen, in der falschen Ausrichtung. Der Grund ist die instabile Erkennung der linken/rechten/oberen/unteren Ausrichtung des Referenzbildes durch das Modell; relative Positionsanker wie "rechte Bildseite ist der Schwertgriff" werden bei der Generierung gespiegelt.

Schreibregeln:

Immer funktionale Namen verwenden, keine relativen Richtungen: „Griffteil / Schwertgriff / Leuchtende Spitze / Augenteil / Endstück / Lauf / Klinge" schreiben, nicht „rechte Bildseite / linkes Ende des Referenzbildes"
Beide Enden müssen eine Richtung erhalten: Nur „den Griff halten" zu schreiben reicht nicht — es müssen beide Ankerpunkte „Griffposition am Körper" + „Richtung des anderen Endes" gleichzeitig angegeben werden; fehlt einer, driftet das Objekt
Asymmetrische Requisiten am Anfang mit einer Strukturdeklaration versehen: Z.B. „Das Artefakt von @Bild3 besteht aus einem Griffteil und einem leuchtenden Augenteil; das Griffteil liegt in den Händen des Halters, der Augenteil schwebt in die Ferne"
Auch die Haltung muss festgeschrieben werden: Mit beiden Händen quer haltend / mit einer Hand normal, die andere hängt herab / mit umgekehrtem Griff haltend
Bei Multi-Shot am Ende eine Konsistenzerklärung hinzufügen: „Die Halteposition und Ausrichtung des Artefakts von @BildN bleibt während des gesamten Videos unverändert"
Proportionsanker: Die Gesamtlänge des Artefakts beträgt etwa X Prozent der Körpergröße des Halters / Es nimmt etwa X Prozent der Bildbreite ein (Wan3.0 hat bekannte Schwächen bei räumlichen Proportionen)

Diagnosedetails und Symptomtabelle siehe references/drama-diagnosis.md Gruppe I „Requisiten-/Artefakt-Haltung und Ausrichtungssymptome".

§6 Wan3.0 Kurzfilm-Stärken/Schwächen Schnellübersicht

Fähigkeit	Wan3.0 Leistung	Schreibstrategie
Befolgung normaler Sprechanweisungen	Stärke	Dialog direkt in Anführungszeichen, getraue dich, vollständige lange Sätze zu geben; mit `reference_voice` Stimmfarbe verriegeln
Charakter/Subjekt-Konsistenz	Stärke	Getrost All-in-One-Referenz mit mehreren Bildern verwenden, getraue dich, mehrere Charaktere im selben Bild zu zeigen
Ausdruckskraft der Aktion	Stärke	Getraue dich, große Bewegungen, klare Geschwindigkeit und Übergänge der Emotionen zu schreiben
Text/Untertitel-Fehler	Relativ stabil	Aber das Modell keine Untertitel generieren lassen, immer schreiben: "Bild sauber ohne Untertitelüberlagerung"
Spezialeffekte/Bewegungseffekte	Schwäche	Zauberei, Doppelgänger, Energieeffekte: Erwartungen herunterschrauben oder Segmentierung verwenden
Bildstabilität (heftige physikalische Interaktionen)	Schwäche	Kampfszenen, Stürze, Zerbrechen, Verschütten: Warnprozess unten durchlaufen
Raumlogik	Bekannte Fehler: Liegerichtung falsch, Ungleichgewicht zwischen Personen und Objektproportionen	§5.2 Explizite Koordinaten, MUSS Kopf-Fuß-Richtung und Proportionsanker schreiben
Lange Dialoge	Neigt zur Verkürzung	Dialogwortanzahl ≈ Dauer × 4 Wörter; bei Überschreitung segmentieren und Ankerpunkt hinzufügen

Liste risikoreicher Aktionen (bei Treffer: „Erkennung → Warnung → Lösungen → Benutzerentscheidung" durchlaufen): Kampf/Konfrontation, Sturz/Hinfallen, Werfen/Fangen, Glas/Gegenstand zerbricht, Wasser/Getränk verschütten, Umarmung/schubsen etc. häufiger Körperkontakt, schnelles Durchqueren mehrerer Personen, feine Handarbeiten (Einfädeln, Feuer machen, Schloss öffnen).

Bei Treffer so sagen:

Erkannte gehört zur Hochrisikokategorie der heftigen physikalischen Interaktionen von Wan3.0 (diese Aktionen neigen zu Fehlern: Körperdurchdringung, Objektverschwinden, Proportionsungleichgewicht). Drei Lösungen zur Auswahl: ① In zwei Segmente aufteilen: A-Segment filmt „die Konfrontation und den Beginn vor dem Angriff", B-Segment filmt „den Endzustand und die Nachwirkungen", vermeidet den Moment des Zusammenstoßes ② Perspektive wechseln: In lokale Nahaufnahme oder Über-die-Schulter-Perspektive (Faust zieht an der Wange vorbei / Fragmente fallen), geringere Angriffsfläche für Fehler ③ Hart durchlaufen mit Einschränkungen: Schreibe „Die Anzahl der Arme und Beine ist klar zählbar, die Konturen der Gliedmaßen sind vollständig und durchdringen sich nicht, die Form des Objekts bleibt nach dem Kontakt kontinuierlich", mit seed für Reproduzierbarkeit, best-of-3 zur Auswahl Welche wählst du?

Bei neuen Kampf- oder Feinarbeiten nicht mit „verboten" hart blockieren, immer nach „Erkennung → Warnung → Lösungen → Benutzerentscheidung" verfahren.

⚠️ Nicht übermäßig bereinigen: Bei Szenen mit großem Maßstab/Intimität/Gewalt, standardmäßig nicht eigenmächtig die Szene abschwächen — der Benutzer möchte „die ursprüngliche kreative Absicht beibehalten + auf Risiken hinweisen". Zuerst nach der ursprünglichen Absicht schreiben, bei Treffern von Schwächen/Prüfungsrisiken den Prozess „Erkennung → Warnung → Lösungen → Benutzerentscheidung" durchlaufen. Nur wenn der Benutzer einer Abschwächung zustimmt oder die Textprüfung der Plattform den Durchlauf hart blockiert, den Maßstab ändern, und erklären, was geändert wurde, damit ein Zurücksetzen möglich ist.

Text-Grünes-Netz-Prüfung (Plattform-Hartblockierung): Wan3.0 durchläuft bereits in der Texteingabephase ein grünes Netz; bei Treffern sensibler Begriffe (Kragen reißen / wilder Halskuss / niederringen / Würgen / Blut / Opfer etc.) wird die Aufgabe direkt FAILED (Green net check failed for text (input)), es wird überhaupt kein Video generiert. Dies unterscheidet sich von „Bild wird vom grünen Netz blockiert", also nicht mit bildbasierten Patches versuchen, textbasierte Blockaden zu beheben; entweder die Auslösebegriffe abschwächen oder den Benutzer ehrlich informieren, aufzugeben. Siehe drama-diagnosis.md Gruppe J.

Kameraführung nicht übermäßig korrigieren: Bei „falscher Kameraführung"-Cases zuerst die Absicht klären — Modellfehler (Subjektbewegung wird fälschlich als Kamerabewegung interpretiert, Stativ wackelt trotzdem) erst dann mit „Kameraposition und Brennweite während des gesamten Videos unverändert" verriegeln; Vom Benutzer gewünschte Kameraführung (Heranfliegen/Ansturm/schnelles Vorwärtsfahren ist dramaturgisch gewollt) darf nicht auf Null gesetzt werden, sondern schreiben: "Das Subjekt stürmt auf die Kamera zu, die Kamera fährt in die gleiche Richtung schnell heran", Subjekt und Kamera in die gleiche Richtung bewegen. Siehe drama-diagnosis.md Gruppe F.

Bewegungsamplitude nicht übermäßig korrigieren (Begleitfehler): Beim Reparieren von „falscher Kameraführung" mit Stativ-Verriegelung wird oft auch die Subjektaktion mitverriegelt — Tiger/Biest/Feind sollten „anrennen/springen/sich ducken", werden aber fälschlich zu „stabil gehen/langsam voranschreiten", was die Spannung zerstört. Richtige Schreibweise: Kamera fixiert + große Subjektaktion getrennt schreiben, z.B. „Kameraposition und Brennweite während des gesamten Videos unverändert; das Subjekt macht im Bild eine Angriffsbewegung: springt vor, kniet nieder, drückt sich ab, stürmt wild auf die Kamera zu, die Bewegung ist groß und heftig." Angriffsverben MÜSSEN geschrieben werden: „Anrennen/Springen/Heftig nähern/Vorderpfoten aufsetzen/Hinterbeine abstoßen/Zähne fletschen/Knurren", als Ersatz für sanfte Verben wie „hingehen/näherkommen/annähern".

Öffnungsbild: Blick in die Kamera: Wan3.0 Drama-Eröffnungsbilder lassen den Charakter standardmäßig in die Kamera schauen (Posing-Gefühl). Explizit im Eröffnungsbild schreiben: „Dreiviertelprofil, Blick auf den Gegner/auf das Zielobjekt gerichtet, nicht in die Kamera schauen", am Ende global ausschließen: „Der Blick während des gesamten Videos nur zwischen den Beteiligten, keiner schaut in die Kamera" (Ausnahme: Monolog in die Kamera). Siehe drama-diagnosis.md Gruppe D.

Aktionsendzustand/Punktuelle Soundeffekte/Mehrpersonen-Regie (drei häufige Fallen): Wan3.0 neigt zum „Rückfall in seine Spezialität", und spart sich anstrengende Teile — ① Aktionen wie Auspacken/Tür öffnen/Deckel aufheben werden nur zur Hälfte ausgeführt (nur Verschluss öffnen, nicht Deckel heben) → In expliziten Endzustand aufbrechen: „Deckel vollständig hochgeklappt und aufrecht, das Innere sichtbar" und 3–4 Sekunden Zeit geben; ② Punktuelle Soundeffekte wie Klopfen/einzelner Aufprall werden oft nicht generiert → Explizite Zeitangabe + Lautmalerei „Zur 6. Sekunde 'klopf klopf klopf'" + sichtbare Körperreaktion (Zucken/Zurückweichen) als doppelte Absicherung; ③ Mehrere Personen + Gruppe + Bedrohungsquelle im Bild, bei Heranzoomen bricht es zu „schöner Frau Nahaufnahme" zusammen und verliert die Erzählung → Stativposition verriegeln, kein Heranzoomen auf das Gesicht; Bedrohungsquelle als wiederholt sichtbaren visuellen Anker schreiben. Siehe drama-diagnosis.md Gruppe K.

🚨 Innenräume: Regen verboten (häufig wiederholter Fehler): Wenn die Szene ein Innen-/Halbinnenraum ist (Stall/Kirche/Korridor/Halle/Keller) — egal wie kühl, dunkel oder mysteriös die Atmosphäre — MUSS explizit „trocken" verriegelt werden: „Innenraum trocken und sauber, Boden trocken und ohne Pfützen/Wasserflecken, im Bild keine Regentropfen/Regen/Regenwasser, innen keine Luftfeuchtigkeit." Auslösewortliste (sobald diese Wörter auftauchen, muss „trocken" verriegelt werden): Nasser Boden/Nass/Spuren von Feuchtigkeit/Pfützen/Reflektierender Boden/Wasserlache/Feuchtigkeit/Kaltes blaues Licht/Mysteriöse Atmosphäre/Gewitternacht/Regennacht — sobald eines auftaucht, sofort im selben Abschnitt nachschieben: „Aber der Boden ist trocken, im Bild kein Regen." „Nasser Boden reflektiert" ist der stärkste Auslöser für Regen im Innenraum; für reflektierenden Boden schreibe: „Gewienertes Holzparkett reflektiert sanftes Licht" oder „Steinboden reflektiert Kerzenlicht", absolut nicht „nasser Boden/nass/Wasseroberfläche reflektiert" schreiben. Wenn die Handlung Regen erfordert, auf das Fenster beschränken: „Regen nur draußen vor dem Fenster, durch Glas sichtbar, dringt niemals in den Innenraum ein, der Innenboden ist völlig trocken." Siehe drama-diagnosis.md Gruppe L, Zeile 3.

🚨 Konsistenz über Hardschnitt-Übergänge hinweg (wenn der Kunde Hardschnitt möchte, muss der Hardschnitt stabil sein): Wenn Wan3.0 in einem einzelnen Task einen Hardschnitt-Übergang macht („Die 1. Aufnahme [0-4 Sekunden]… Hardschnitt … Die 2. Aufnahme [4-8 Sekunden]…"), werden Charakter-/Raumkonsistenz über die Aufnahme hinweg nicht automatisch vom Modell garantiert — nach dem Schnitt kann der Charakter das Gesicht ändern, die Frisur wechseln, Kleidungsdetails driften, die Position links/rechts vertauscht sein, Szenendetails sich ändern. Schlüsselprinzip: Wenn der Kunde/die Handlung einen Hardschnitt verlangt, darf nicht eigenmächtig auf One-Shot geändert werden; der Hardschnitt ist eine legitime Wahl des Erzähltempos; unsere Aufgabe ist es, den Hardschnitt stabiler zu machen, nicht ihn zu vermeiden. Sechs Patches für stabilen Hardschnitt (zusammen verwenden): ① Jedes Segment wiederholt die Charakterkennung — Am Anfang jeder Aufnahme die vollständige "@Bild1 Die Ophelia (rotes Kleid, geflochtene Frisur, dunkler Lippenstift) ist auf der linken Bildseite" erneut schreiben, sich nicht auf "vom vorherigen Segment übernommen" verlassen; ② Explizite aufnahmeübergreifende Konsistenzeinschränkung — Am Ende des Textes MUSS geschrieben werden: "In den drei Aufnahmen sind die Gesichtszüge/Frisur/Kleidung/Ohrringe/Kragenmuster/Haardetails desselben Charakters vollständig identisch, kein Driften erlaubt; die relative Position (wer links, wer rechts) bleibt über die Aufnahmen hinweg konsistent, keine Achssprünge"; ③ Szenischer visueller Anker — In jedem Segment die Position der festen Szenenelemente wiederholen ("das zweite Stallgitter rechts im Hintergrund, der Heuhaufen links, die Kerzenlampe in der Ferne"), um den Raum zu verankern; ④ Fester seed für Reproduzierbarkeit — seed-Parameter segmentweise fixieren, verbessert die aufnahmeübergreifende Konsistenz erheblich; ⑤ Schnittpunkt vermeidet Wortmitte — Der Hardschnittpunkt MUSS an einem Punkt oder einer kurzen Stille liegen, niemals mitten in einem Dialogsatz, sonst wird der Dialog unterbrochen; ⑥ Anzahl der Referenzbilder minimieren — Viele Referenzbilder verwässern das Konsistenzgewicht; für Charaktere nur das wichtigste ein oder zwei Bilder behalten; Kleidung/Requisiten möglichst im selben Bild unterbringen. Auffanglösung: Wenn die sechs Patches kein stabiles Ergebnis liefern, dann in separate Tasks aufteilen (jedes Segment einzeln 3-5s, gleicher seed) lokal schneiden und zusammenfügen, oder den Kunden das One-Shot-Konzept akzeptieren lassen — aber die erste Wahl ist immer „Hardschnitt + sechs Patches", nicht die Erzählstruktur des Kunden ändern.

§7 Acht eiserne Regeln

Schreibe nicht „nicht" — negative_prompt ist in Wan3.0 veraltet, alle Negationen müssen in positive Ausschlüsse umgewandelt werden. Übersetzungstabelle siehe wan3-protocol.md §4. (Ausnahme: „Die Kamera soll nicht schneiden" als validierte feste Kontrollphrase verwendbar, siehe exemplars.md J3)
Audio-Schicht MUSS vorhanden sein — Standardmäßig audio=true. Wenn Dialog gewünscht, alle sechs Elemente schreiben; ohne menschliche Stimme den Kontrollbegriff „Im gesamten Film keine Dialoge, nur Umgebungsgeräusche" schreiben; ohne Begleitmusik: „Keine Hintergrundmusik", sonst erfindet das Modell eigene BGM.
Referenzobjekte immer @BildN schreiben — Mit @, Vollform; bei mehrmaligem Auftreten desselben Charakters jedes Mal @ verwenden. Alte Schreibweise „Bild1" nicht mehr verwenden.
Bei Referenzbildern das Aussehen nicht wiederholen — Aussehen, Kleidung, Frisur werden vom Referenzbild getragen; der Prompt ist nur für Performance, Positionierung, Kameraführung und Stabilitätseinschränkungen zuständig.
Raum MUSS festgeschrieben werden — Position + Blickrichtung + Abstand; bei liegenden Personen MUSS Kopf-Fuß-Richtung geschrieben werden. Dies ist eine bekannte Schwäche von Wan3.0; wird es nicht geschrieben, ist ein Fehler sicher.
Wenn kein Schnitt gewünscht, schreibe „Einzelaufnahme generieren"/„One-Shot" — Ohne Angabe improvisiert das Modell; es kann selbst Schnitte setzen, was zu plötzlichen Änderungen von Charakteren führt.
Dialogwortanzahl ≈ Dauer × 4 Wörter — Bei Überschreitung wird sicher abgeschnitten. 5s ≈ 20 Wörter, 10s ≈ 40 Wörter als Sicherheitslinie; bei Überschreitung segmentieren + Ankerpunkt.
Proportionen über Parameter, nicht über Text — ratio standardmäßig adaptive; für vertikale Bildschirmfixierung Parameter 9:16 ändern; im Prompt „Hochformat" schreiben wird ignoriert. Kosten zuerst berechnen: 1080P etwa 1,2 Yuan/s; vor dem Aufteilen einer ganzen Serie den Gesamtbetrag schätzen; einzelne Aufgaben nicht zu lang (504 Timeout-Risiko).

§8 Szenenvorlagen

Vorlagen für häufige Drama-Aufnahmetypen alle in references/drama-templates.md:

#	Szene	Empfohlene Form	Kernpunkte
1	Zwei-Personen-Dialog (Schuss/Gegenschuss / Über-die-Schulter)	All-in-One-Referenz + reference_voice	Raum links/rechts verankern + sechs Elemente der menschlichen Stimme
2	Emotions-Nahaufnahme (ohne Dialog)	Erstes Bild oder All-in-One-Referenz	Emotion als „Veränderungsprozess" schreiben, nicht als statisches Adjektiv
3	Monolog/Langer Sprechertext	All-in-One-Referenz + reference_voice	Wortanzahl an Dauer binden, bei Überlänge segmentieren
4	Positionierung und Betreten/Verlassen des Bildes	All-in-One-Referenz	Eintrittsrichtung + Austrittsrichtung + Gehgeschwindigkeit
5	Mehrpersonen-Gruppenszene (≥ 3 Personen)	All-in-One-Referenz (mehrere Bilder)	Zuerst in Zonen aufteilen, dann Aktionen zuweisen; einzeln @BildN Nummern prüfen
6	Kampfszene/heftige Aktion	All-in-One-Referenz, Segmentierung empfohlen	Zuerst §6 Warnprozess durchlaufen
7	Übergang (Zeit-/Raumsprung)	Erstes/Letztes Bild	Nur den Übergangsprozess schreiben
8	Multi-Shot-Erzählabschnitt	T2V oder All-in-One-Referenz	Gesamtbeschreibung + „Die N-te Aufnahme [a-b Sekunden]", ≤ 4 Aufnahmen
9	Direkt aus Drehbuchdatei	file + enable_thinking	Nur schreiben: „Welcher Stil für das Endprodukt?", Inhalt vom Modell lesen lassen
10	Dialog ändern / fortsetzen / Weißmodell-Finale	Videobearbeitung V2V	Nur Bearbeitungsobjekt + Bearbeitungsaktion schreiben, siehe §3

§9 Ausgabeformat

[Form] All-in-One-Referenz (reference_image ×2 + reference_voice ×2)
[Formel] §5 Referenzvideo + §4 Audio (+ §6 Multi-Shot)
[Empfohlene Parameter] duration=10 resolution=720P ratio=9:16 audio=true seed=Empfehlung: fixieren
[Charakterzuordnung]
  @Bild1 = Hauptdarsteller → male_low.mp3
  @Bild2 = Hauptdarstellerin → female_bright.mp3
[Prompt]
<Direkt kopierbarer vollständiger Prompt, ein Segment oder mit Aufnahmenummern zeilenweise, ohne eckige Klammern-Tags>

[Schichtweise Erklärung] (optional, nur auf Wunsch des Benutzers)
Was in Ästhetik-Präfix / Charakterreferenz / Räumliche Position / Aktion/Darstellung / Dialekt/Audio / Ausschlussschicht geschrieben wurde und warum

[Risikohinweise]
- Dialog 46 Wörter vs duration 10s (Sicherheitslinie 40 Wörter) → Empfehlung duration 12s oder einen Satz löschen
- Treffer risikoreiche Aktion X → Empfehlung Lösungen ①②③

Diagnose-Modus Ausgabe:

[Phänomen] … (welche Sekunde, welcher Charakter, was ist falsch)
[Ursache] Prompt-Schreibweise / Falsche Formwahl / Parameterinkompatibilität / Modellfähigkeitsgrenze — welcher Satz genau
[Minimaler Patch]
  Ändern: <Originalsatz> → <Neuer Satz>
  Hinzufügen: <Neuer Satz>
  Löschen: <Zu löschender Satz>
[Wiederholungstest-Empfehlung] seed fixieren / duration auf X ändern / Segmentierung / best-of-3

Bei Serien-Stapelverarbeitung zuerst Excel (Aufnahmenummer / Szene / Charakter / Referenzbild / Dialog / Prompt / duration / ratio) abgeben, nicht direkt loslegen.

§10 Diagnose-Modus

Wenn der Benutzer einen „fehlgeschlagenen" Case liefert, nach references/drama-diagnosis.md vorgehen:

Phänomen wiederholen (nicht raten): Welche Sekunde, welcher Charakter, welcher Körperteil, wie falsch
Symptomtabelle zuordnen → Ursache einer der vier Kategorien zuordnen: „Prompt-Schreibweise / Falsche Formwahl / Parameterinkompatibilität / Modellfähigkeitsgrenze"
Minimalen Patch geben: Nur die geänderten Sätze auflisten, mit „Löschen / Ändern / Hinzufügen" markieren, nicht den gesamten Text neu schreiben
Wiederholungstest-Empfehlung geben: seed fixieren, welchen Parameter ändern, ob Segmentierung, ob best-of-3

Bei Zuordnung zu Modellfähigkeitsgrenze klarstellen: „Das ist mit Prompts nicht lösbar", und alternative Wege geben (Form wechseln, segmentieren, zu V2V lokale Korrektur). Nicht mit sinnlosen Patches häufen, um eine Lösung vorzutäuschen. Bei alten Prompts zuerst einen Konsistenz-Check durchführen: Gibt es noch „nicht X"? Wird noch die alte „Bild1"-Schreibweise verwendet? Ist die Audio-Schicht leer? Wurde die Aufnahme explizit deklariert? Steht das Seitenverhältnis im Text? Stimmt die Summe der Multi-Shot-Zeitstempel mit duration überein? Gibt es widersprüchliche Beschreibungen im Text? Diese sieben Punkte machen den Großteil der BadCases aus.

nian-pangolin/wan3-drama-skills

Was ist wan3-drama-skills?

In Ihrer bevorzugten KI fragen

Dokumentation