Wan 3.0 プロンプトガイド:公式6つの型、一行からマルチショット脚本まで

Alibaba は Wan 3.0 をクリエイター向けマニュアルとともに公開しましたが、その中で一番役に立つのは機能一覧ではありません——6つのプロンプトの型と、それぞれの実例、そしてその実例が生成した映像です。そのほとんどは日本語圏にはまだ届いていません。

この記事はそのセクションを開いて訳したものです。以下の型はすべてマニュアル自身のもので、プロンプトはすべて全文で載せてあります。そのまま Playground に貼り付けられます。マニュアルがプロンプトに映像を添えている箇所では、その映像を隣に埋め込みました。

ここに書かれていることはすべて Pixo の Playground の Wan 3.0 で動きます——最長30秒、ネイティブ音声つきです。

プロンプトが使える枠

型の前に、型が置かれている箱を見ておきます。Wan 3.0 の上限は異例なほど寛大で、いくつかの型はこの数字を知って初めて意味が通ります:

このうち2つは書き方そのものを変えます。20,000 文字という上限こそが、マルチショットの型を実用にしているものです——セリフつきで10ショット書いても、上限には遠く届きません。そして first/last フレーム ↔ 参照の排他は、書き始める前に選ぶ分岐です:Wan に1枚のフレームを渡して動きを書くか、参照素材を渡して誰が何をするかを書くか。両方をやるプロンプトは存在しません。

型 1 —— 基本:誰が、どこで、何をしているか

マニュアルの入口で、初めて AI 動画を作る人に向けたものです。枠は3つだけ:

プロンプト = 主体 + シーン + 動き

• 主体 —— 動画が何についてのものか。マニュアルはここを意図的に広く取っています:人、動物、植物、物、あるいは物理的に実在しない想像上の対象。プロンプトの残り全部がぶら下がる錨であり、唯一「書かずに済ませられない」枠です。
• シーン —— 主体が置かれている環境。背景も前景も含み、実在の場所でも架空の場所でも構いません。省けばモデルが選び、書けば画面の半分近くを自分で決めたことになります。
• 動き —— 何が、どれだけ動くか。マニュアルの示す幅は覚えておく価値があります:動きには静止、小さな動き、大きな動き、一部だけの動き、画面全体の流れが含まれます。「動き」はアクションだけではありません——何かが動かないでいると宣言することもまた動きの指示であり、Wan 3.0 はそれに従います。

基本の型は、冒頭にスタイル語を1つ置くことの恩恵が最も大きい型でもあります。以下はマニュアルのクレイアニメ表の農場の項目で、ツイートよりわずかに長いだけなのに、小さな物語がきちんと成立しています:

手描きアニメーション、油彩のタッチ、寒色寄りのカラーパレット。アメリカ郊外の農場に、遠くから空飛ぶ円盤が近づいてくる。円盤の下から緑色の光の柱が伸び、農場の牛を一頭吸い上げていく。少し離れた二階の部屋から、小さな男の子がその一部始終を見ている。

型に照らして読み直してみてください。まずスタイル語、次にシーン(アメリカ郊外の農場)、次に主体(円盤)、次に3つ連なる動き(近づく、光を放つ、牛を吸い上げる)、そして動きが見ることである第二の主体。2文で、すべての枠が埋まっています。基本の型が本当に要求している水準はこれです——長さではなく、網羅です。

型 2 —— 応用:さらに3つの枠

基本の3つが習慣になったら、マニュアルはさらに3つを足します。順序はそのまま、後ろに追加です:

プロンプト = 主体 + シーン + 動き
           + 美的コントロール + スタイル指定 + 音

この段階では、最初の3つの枠にも描写が付きます——マニュアルはそれぞれを、名詞そのものと、そこにぶら下がるディテールに分けています:

• 主体の描写 —— 外見のディテールを、形容詞や短い節で書きます。マニュアルの例:「少数民族の衣装をまとった黒髪のミャオ族の少女」、「異世界から来た飛天の仙女。ぼろぼろだが華麗な衣をまとい、背には廃墟の破片でできた奇妙な一対の翼を広げている」。気分を語る形容詞ではなく、具体的な名詞と材質です。
• シーンの描写 —— 環境に対する同じ扱いであり、密かに照明を決めている枠でもあります。表面とその状態を名指しすること(「ひび割れたオレンジ色の乾いた大地」「濡れた金属の手すり」)は、レンダラーに光を跳ね返す相手を与えます。「農場」では何も渡していないので、返ってくるのは一般的な環境光です。
• 動きの描写 —— 振幅、速度、そして動きがもたらす効果。マニュアルの3つの例はまさにそれです:「激しく揺れる」、「ゆっくり動く」、「ガラスを割った」。3つめが面白いところで——結果を書くこともまた動きの指示なのです。

そして新しい3つの枠:

• 美的コントロール —— 光源、光環境、ショットサイズ、視点、レンズ、カメラワーク。撮影監督の枠であり、体感される「制作費の高さ」のほとんどはここから出てきます。ここを曖昧にすると、モデルは無難なミディアムショットをフラットな光で選びます。
• スタイル指定 —— 映像言語の名前。マニュアルの例:「サイバーパンク」、「線画イラスト」、「ウェイストランド」。1〜2語を前の方に置くだけで、とてつもない量の仕事をします。この記事の末尾のスタイル集は、こうした語を12個、それぞれを発動させる言い回しとともに並べたものです。
• 音 —— 環境音、BGM、キャラクターのセリフ、ナレーション。そして重要なのは、声色は言葉で描写できるということです:「低く混じり合った声」、「かわいらしい声」。型 4 でこれをきちんと分解します。

マニュアルのディザスター映画の項目は、応用の型をフルに展開したものです:スタイル・主体・ムードを担う全体段落、次に番号付きの10ビート、そして全体に劇伴をつける段落。その冒頭ブロック:

本物の映画的質感を持つ、30秒の海洋巨獣登場シーン。全体のムードはハリウッドのディザスター・モンスター大作を参照。物語は暴風雨の中を苦しく進む小型漁船から始まり、船体には「WAN」の標識がはっきり見える。カメラはまず荒れ狂う海況と、船がいかに小さく脆いかを提示し、続いてディテールで圧迫感を積み上げていく——海面の異変、水中の影、震える船体、不自然なうねり——そしてついに、『パシフィック・リム』の怪獣を思わせる巨大な深海の獣が海面を破って現れる。全編を通して:写実的、重厚、実寸のスケール感、激しい水の衝撃、豪雨と稲光の下の強いコントラスト。映画レベルのVFX質感、海水のボリューム感、生物の皮膚の濡れたディテール、そして巨大なものが持つ圧迫感を強調すること。
ビート1:夜、暴風雨の海面、本物の映画的質感。ワイドショットで、小型漁船が巨大な波を割って進む——船体は古く、濡れて滑り、海に打ちのめされ、側面には白い文字で「WAN」がはっきり見える。海は荒れ、風が雨の帳を横に引きずり、黒雲が頭上を転がり、遠くの稲光が一瞬海全体を照らす。本物の海水、暴風雨の環境、船体のディテール、そしてちっぽけで無力な感覚を強調。
ビート2:船首または甲板側面に寄ったミディアムクローズ。波が船体を叩き、甲板を洗う。ロープ、網、金属の手すりが風雨の中で激しく揺れる。カメラは船の揺れに合わせてローリングし、実際のピッチングの感覚を出す。雨がレンズと船体表面を打つ。WAN の標識が再び一瞬フレームを横切る。本物の材質、荒天、ずぶ濡れの金属と木材、そして切迫した生存の危機を強調。
ビート3:船からの主観で、海面の前方を見る。嵐の中、波が不自然で巨大なうねりを見せ始める。まるで途方もなく大きな何かが下から高速で近づいてくるかのように。巨大な渦が生まれ、水はおかしな方向にかき回され、波頭が下から押し上げられ、潮の流れが乱れる。稲光が海面を照らすと、深部に漠然とした巨大な影がかすかに見える。サスペンス、海面の圧迫感、そして迫りくる巨大なものへの恐怖を強調。

各ビートが何でできているかに注目してください。どのビートも冒頭でショットサイズ(ワイド / ミディアムクローズ / 主観)を名指しし、末尾は演出意図の一文で閉じます——「本物の海水、暴風雨の環境、船体のディテール、そしてちっぽけで無力な感覚を強調」。この締めの一文こそ、マニュアルから盗む価値のある習慣です:フレームに何があるかを書いたあとで、そのフレームが何のためにあるかを言う。その間で、船の上のビートは材質(濡れた金属、木材、ロープ、網、手すり)を列挙し、ビート3のような外洋のビートは何も列挙しません——外洋には触れるものがないので、ディテールの予算は水の挙動に回されます。

同じプロンプトの中で音の枠は、30秒全体を1本のアーチとして劇伴化する締めの1段落です:

ハリウッドのディザスター・モンスター映画のスタイルで劇伴をつける。冒頭は低い環境音、深海のようなサブベースの轟き、まばらなドラム、圧迫感のある弦で、嵐の中の不安を立ち上げる。海面が動き始めるにつれて、より強いベースのパルス、金属的な衝撃感、積み上がる弦の緊張を重ねる。生物が浮上する直前は、音楽を息を止めたような宙吊りに保ち、そのまま上昇させ続ける。海面を破った瞬間、巨大な金管、重い打楽器、低域の衝撃が炸裂し、災害規模のクライマックスを作る。締めは重く、圧迫的で、終末的なロングトーンとドラムで、海上にそびえる獣の叙事詩的な絵を補強する。

4つの状態が、物語の4つの瞬間に釘付けにされています。これは形容詞ではなくキューシートであり、「シネマティックな音楽」と、怪獣が来る瞬間にちゃんと当たる劇伴との差はここにあります。

型 3 —— 画像と first/last フレーム:動きとカメラだけ

first フレーム(または first と last の両方)を渡した時点で、画像がすでに主体・シーン・スタイルを決めています。それをプロンプトで言い直すのは、よくても予算の無駄、悪ければ矛盾の原因です。だから型は2つの枠に縮みます:

プロンプト = 動き + カメラワーク

• 動き —— 画像に実際に写っているものに紐づけて書きます:この人物、この動物が、走る、手を振る。マニュアルは程度と速度を副詞でコントロールすることをはっきり挙げています——「素早く」、「ゆっくりと」。画面が固定されている以上、副詞が残された操作面のほとんどです。
• カメラワーク —— 欲しいときだけ書きます。素直に書けば十分です:「カメラを寄せる」、「左にトラッキング」。そして逆も同じくらい重要です——カメラを動かしてほしくないなら、マニュアルは*「固定ショット」*と明言せよと言っています。ここで黙っていることは、フィックスを頼んだことにはなりません。

マニュアルの水墨画の刀客は、本書で最も明快な first フレームの事例です。入るのは画像1枚。プロンプトはタイムスタンプ付きのビート表で、ほぼ全行がカメラか動きの指示であり、スタイルは最後に一度だけ言及されます——新たなアートディレクションではなく、入力フレームの見た目を保てというリマインダーとしてです。5つのビートのうち最初のもの:

このショーケースの参考ファイル

この型に対する公式マニュアル掲載プロンプトの翻訳

(0:00 - 0:03) カメラ:ミディアムショット。
画面:@Image1 の水墨の竹林シーンをそのまま引き継ぐ。笠をかぶり墨色の長衣をまとった刀客。その影が、渦巻く霧と揺れる竹の影の中心に立っている。
動作:左手が軽く柄に置かれ、竹の葉が風に舞い落ちる。
ムード:静寂、圧迫感。水墨のにじみの粒子感がはっきり見える。

ビートはラベル付きの行として書かれ、ラベルは固定ではなくビートごとに選ばれています:5つすべての冒頭に来るのはカメラだけ。画面とディテールはほとんどに登場し、物語、動作、立ち回り、ムード、画面上の文字はビートの必要に応じて出入りします。安定しているのは形です——カメラが先、あとは関心ごとに1行ずつ、1行に1つの関心。そして画面がここで果たしている役割は、@Image1 を引き継ぐと言うことであり、描き直すことではありません。2つめのビートは、物語が始まるとラベルが移り変わる様子を見せてくれます:

(0:03 - 0:08) 物語の導入。カメラ:クローズアップ。
 
物語:刀客が殺気を察する。
画面:カメラが素早く寄り、笠の下のクローズアップへ。
ディテール:笠の縁から、鋭く決然とした一対の目がのぞく。刃のような眼差し。水墨のにじみでできた「汗の粒」が額を滑り落ちる。
動作:右手がゆっくりと柄を握りしめ、指の関節が白くなる。竹の葉が落ちる速度が増す。

一般化できることが2つあります。第一に、仕事をしているのは副詞です——素早く寄る、ゆっくり握る、葉がより速く落ちる:程度と速度、まさに型が求めているものです。第二に、このプロンプトは最後にもう一度ソース画像を名指しし、その白黒水墨のスタイルをクリップ全体で保つよう指示して終わります。first フレームがあるとき、スタイル指示は保存の指示なのです。

型 4 —— 音:人声、効果音、劇伴

Wan 3.0 は音声をネイティブ生成するので、音はポストプロダクションではなくプロンプトのテキストです。マニュアルは1つの型と、その下に3つのサブ公式を置いていますが、有用なのはサブ公式のほうです:

プロンプト = 人声 + 効果音 + BGM
 
人声   = 「キャラクターが話す内容」 + 感情 + 抑揚
       + 話速 + 声色 + アクセント
効果音 = 音源の材質 + 動作 + 環境音
BGM    = 楽曲そのもの + ジャンル

人声。 6つの枠があり、最初の1つは交渉の余地がありません:実際の言葉を書くこと。マニュアルの例は漫談をしている男性で、「よく学び、日々進歩せよ」と言います——口調はリラックス、話速は中庸、声は明るく澄んで、アメリカ英語。アクセントの枠はプロンプトを書いている言語とは独立していること、そして「声色」は普段の言葉で描写できること(マニュアルは別の箇所で低く混じり合った声、かわいらしい声を挙げています)に注意してください。

効果音。 3つの枠は、「ドスンという音」と書かせないために存在します。マニュアルの例:小さなガラス玉が机から木の床に落ちて「バン」という音を立てる。屋内の静かな環境。 材質、動作、部屋。材質をゴムに変えれば同じ文がまったく違う音になり、材質を抜けば全材質の平均が返ってきます。

BGM。 最も短いサブ公式で、マニュアルの例はそれがシーンに貼りついているもので、浮いているものではないことを示しています:雨の夜、突き当たりに窓のある陰鬱で狭い廊下、サスペンス調の BGM 付き。 シーンとジャンルをひと息で。

3つのサブ公式が扱っていないケースが1つあります。記述ではなくアップロードとして渡される音声です。それについては、マニュアルの参照素材表にダンスの項目があり、Wan に音声ファイルを渡したうえで、プロンプト全体を「身体がそれにどう応えるか」の記述に費やしています:

縦位置9:16、全身ショット、固定した安定カメラ。黒髪ロングの若い女性が、花刺繍の白い長袖トップス、黒いベルト付きの白いプリーツスカート、白い厚底スニーカーという装いで、モダンでミニマルなキッチンで、与えられた音声のビートに合わせてアイドル系のダンスを踊る。背景:ライトグレーのキャビネット、白いアイランド、夜景の暗い窓。人物の背後に置かれた四角い補助光がリムライトを作る。室内は寒色系の白い照明。
与えられた音声のリズム、テンポ、感情の起伏に合わせて振付する:ダウンビートには切れのある大きな動きと止めのポーズ、穏やかなパートには柔らかなボディウェーブと手の形、サビにはより密度が高く爆発的な動き。全編アイドル系のダンス——連続的で滑らか、リズミカルで表現力があり、音声のビートに完全に同期していること。
動きは滑らかに、手足のプロポーションは自然に。

第2段落は記述ではなく対応表です:ダウンビート → この種の動き、静かなパート → あの種の動き、サビ → より密度高く。これがアップロードされた音声一般に対する動き方です——あなたは音楽を描写しているのではなく、その各状態に対して映像がどう応えるべきかを Wan に指示しているのです。

型 5 —— 参照:素材を @ してから演出する

参照から動画への生成は、アップロードした人物・場所・声を、生成されるクリップ全体で一貫させます。型は3つの枠です:

プロンプト = @参照対象 + 動作 + セリフ

• @参照対象 —— アップロード順の番号で指名します:@Image1、@Video2、@Audio1。マニュアルの要点はここです:同じ素材をプロンプトの異なる位置で何度でも @ してよい——そうすることで結びつきが大まかではなく正確になります。@ は冒頭で一度する宣言ではありません。当てはまる場所すべてに置くポインタです。
• 動作 —— 参照対象の運動状態:静止、表情や感情の変化、身体の動き、外力による動き、位置の変化。参照画像はポーズであり、動作の枠がないとモデルはそのポーズから出発するのではなく、その周りでアニメートしがちです。運動状態を名指しすることが、静止画を演技に変えます——そして「静止」は空欄ではなく、正当な答えです。
• セリフ —— 何を話すか。1人でも複数人の会話でも構いません。声色そのものも参照にできます:「声色は @Audio1 を参照」。

同じ型の下に2つの変種があります:

• 動画の時系列参照 —— クリップの主体ではなく時間的な内容を参照する:動作、カメラワーク、エフェクト。マニュアルの言い回し:「@Video1 のカメラワークを参照」。
• ホワイトモデル(プリビズ)参照 —— グレーボックスの3Dプレビューを入れて完成ショットに変換します。マニュアルはそのままコピーできる文を示しています:「この3Dプレビュー動画を正式な完成映像に変換し、プレビュー内の[X]を[Y]のキャラクターに置き換えてください。」

マニュアル自身のおとぎ話の例は、3つの枠が同時に働く様子のコンパクトな実演です:

子どもらしいおとぎ話のシーン。@Image1 が草の上で跳ねて遊んでいる。@Image2 はそのそばのリンゴの木の下でピアノを弾いている。リンゴが1つ @Image2 の頭に落ちる。@Image1 は @Audio1 の声色を参照して、うれしそうに @Image2 を指さして言う:「きみは科学者になるんだね!」

素材3つ、@ の言及6回、全文で書かれたセリフ1行。@Image1 は2回——一度は動作の主体として、一度は話し手として——@Image2 は3回:ピアノを弾く人として、リンゴが落ちる頭として、指さされる対象として登場します。これが「当てはまる場所でもう一度 @ する」というコツの実践です:素材は関与するすべての地点で再指名され、冒頭で一度宣言されるのではありません。

同じ文法を絵コンテ画像に適用したものが以下です。マニュアルの参照素材表からで、アップロードした絵コンテ1枚が6ショットになります:

@Image1 の絵コンテを参照。ショット1:雨の夜の小さな駅のホームの全景——ロングヘアの少女が青い傘をさして一人で立ち、背後の駅舎から暖かい光がこぼれ、遠くの緑の山は雨霧に消えている。ショット2:ミディアム——傘をさした少女と、通学かばんを背負ったショートヘアの少年がホームで向かい合って立ち、大雨が降り注ぎ、線路が二人の間を遠くへ伸びている。ショット3:雨粒が滑り落ちる透明な傘の面越しに撮った少女の顔のクローズアップ。目の縁を赤くして、彼女は小さな声で{向こうに着いたら連絡してね}と言う。ショット4:少年の肩越しに少女の方を見る——遠くで一本の列車がヘッドライトを灯してゆっくり近づき、光の輪が雨の中に広がる。ショット5:二人の手のクローズアップ。少女が折りたたんだ紙片を少年の手に押し込み、指先がわずかに震える。ショット6:少女がホームの端に一人で立ち、遠くへ伸びる線路を見送る。少年はもう隣にいない。雨は弱まっていく。

セリフの波括弧に注目してください——小さな声で{向こうに着いたら連絡してね}と言う。マニュアルは波括弧で、話される正確な言葉を周囲の描写から囲い出しています。ナレーションとセリフが同じ文に同居するプロンプトでは、どこでも役に立つ習慣です。

型 6 —— マルチショット:プロンプトを撮影台本として書く

最後の型は、20,000 文字の予算が存在する理由そのものです。一度の生成で一貫したマルチショットの物語を作り、カットをまたいで主体・シーン・ムードを保ちます:

プロンプト = 全体説明 + ショット番号 + タイムスタンプ + ショット内容

• 全体説明 —— 動画全体の短い要約:テーマ、語りのスタイル、支配的な感情、中心となる出来事。ショット1に取りかかる前にモデルに全体像を持たせるためのもので、ショット7をショット1と同じ映画の中に留めているのもこれです。
• ショット番号 —— すべてのショットに番号を振ります。これが構造の背骨で、これがないと長いプロンプトはひと続きの文章として読まれ、どこで切るかはモデルが決めます。
• タイムスタンプ —— 各ショットが占める時間範囲。ショットリストを実際の出力尺に結びつけるものです。30秒に10ショットと3ショットではまったく別の映画であり、タイムスタンプはそのどちらかを伝える手段です。
• ショット内容 —— ショットごとに、そこにいる人や物の具体的なふるまい:動作、発話、表情、姿勢。ショットの内側では普通の単一ショットのプロンプトを書いているだけです——これまでの型がそのまま当てはまります。

マニュアルの実例はあえて小さく作られていて、構造が見えるようになっています:

三人称の視点で語られる、あきらめと希望の取り戻しについての短いドラマ。 ショット1 [0-3秒] 少年が運動場の隅に一人で座り、手にした手紙にうつむいている。やがて静かにため息をつき、目には迷いがにじむ。 ショット2 [4-6秒] ハードカット、固定カメラ、少年の目に寄る——涙が光り、喪失感と無力感に満ちている。 ショット3 [7-10秒] ハードカット、場面は簡素な教室へ移る。優しく芯のある眼差しの少女が、質素な服装で、優しく芯のある笑みを浮かべて、彼を慰めに歩み寄る。

要約1行、そして3つのショット。それぞれが番号、角括弧の時間範囲、そこへの転換、カメラ、そして芝居を持っています。4文で10秒の映画です。

スケールを上げても、同じ骨格が30秒の短編を生みます。マニュアルの西海岸ワンテイクは、全体説明に加えてキャラクターのブロックで始まり、続いて時間範囲付きの番号ショットが4つ——そして最初以外のすべてのショットが「カットしない」で始まります。これが、ショットリストを4つの別々のショットではなく1本の連続したテイクにする方法です:

30秒、映画レベル、高強度のワンテイク視覚スペクタクル。全体のスタイルは「ウェストコースト・ストリート・ファンタジズム」——90年代のストリートスケート映像のざらつきと、現代のコマーシャル大作の洗練を掛け合わせた映像言語。全編を極端な「カリフォルニアの陽光」でグレーディングする:彩度の高い青空と、直射日光の下のヤシの木の影が強いコントラストを作り、空気にはアスファルトの熱、ショッピングカートの車輪が擦れる金属音、そして恐れを知らない思春期の反抗心が漂う。主人公が加速するにつれて空間のパースは引き伸ばされ、カメラは極端なローアングルの追走と高速の物理的な空間移動で視覚的な力を作り上げる。
 
主人公は、カラーブロックのストライプシャツに黒いベースボールキャップをかぶったスタイリッシュな少年。表情は気だるい弛緩から、限界を突破する高揚へと一変する。2つめのロケーションでも主人公は同じ少年だが、そこでは観察者の姿勢で現実の次元に現れる。
 
ショット1、0-6秒:
クローズアップで開ける——赤いスチール製のショッピングカートの中に気だるく寝そべる少年。その背後には、まっすぐ伸びるカリフォルニアの象徴的な大通りと、そびえ立つヤシの木。音楽が炸裂すると、カメラは極めて速いプルバックを実行し、地面すれすれまで沈み込み、極端なローアングルで車輪に貼りつく。少年は急な坂を滑り下り始め、カートは路面を打ちつけ、両側の車が後方へ吹き飛ぶように過ぎ、カメラはほとんど狂気じみた加速感を捉える。
 
ショット2、7-15秒:
カットしない。カメラはスケーターのように地面に貼りついて追走し、彼が粗いベニヤ板のランプを越えた瞬間、その動きに乗って優雅な放物線を描いて上昇する。カートが宙に舞い上がり、カメラはその下をくぐる。前方では巨大なビルボードが急速に視界いっぱいを占め、カメラはありえない「照準」のような寄りでビルボードの中心を真っすぐ狙って突っ込む。
 
ショット3、16-24秒:
カットしない。少年とカートは巨大なビルボードにそのまま埋め込まれ、次元の壁を破る。接触の瞬間、三次元だった身体が平面化し、画面には本物の紙が裂ける質感とカラーグリッチのインクが現れる。滑走の姿勢を保ったまま、彼はビルボード上の平面のアート作品になっている。カメラはここで180度の水平オービットを実行し、続いて高所から地上へと急降下する。
 
ショット4、25-30秒:
カットしない。カメラはビルボードの真下の路上に滑らかに着地し、そこにもう一人の「現実の」少年が現れる。彼は足を止め、ゆっくりと帽子のつばを下げ、ビルボードの上で静止した自分をわずかに面白がる笑みで見上げる。カメラは彼の視線を追って高速のズームインを行い、ビルボードの「WAN」の文字の横にある裂けた穴で止まる。劇伴は高エネルギーのヒップホップビートとフィルムが巻き上がる物理音を融合させ、視覚情報は高度に凝縮され、ファッショナブルな反抗心に満ちている。

同じ番号ショットのヘッダは単一ショットでも機能します。マニュアルのコメディの項目はまさにそう書かれていて——30秒のワンテイクで、その構造全体が2つの顔の間を高速でパンし続けることであり、それをヘッダで一度宣言してから、一行ずつ実行していきます:

ショット1 [0秒-30秒]
クローズアップ、目線の高さ、連続する高速パン、ワンテイク(途切れない単一のカメラムーブ):
画面左には、黒いファッショナブルな監督用ベストと高級なプロ用ヘッドセットを身につけた監督。その左下に巨大なプロ用シネマカメラが置かれている。右には、完璧なメイク、流行の韓国風コンマ前髪、オーダーメイドのスーツを着たコネ持ちの美形俳優。背景は広々としたプロの撮影スタジオ:巨大なグリーンスクリーン、そびえ立つ映画用Cスタンドが数本、絡まったケーブル、そして照明技師やメイクアップアーティストなどのスタッフが忙しく行き交っている。
プロのスタジオ照明。柔らかなLEDソフトボックスの光源が右から差し込み、主役たちの顔を均一に照らし、シーンの色は豊かに満ちている。背景のカメラ機材とグリーンスクリーンは、十分なスタジオ光の下で淡い影を落とし、現代の大予算の現場らしい、本物で慌ただしい質感を与えている。

完全なプロンプトはこのあと1つの長い段落へと続き、監督のセリフ、俳優の顔へのウィップパン、描写された反応を6回繰り返します——セリフは毎回全文で書かれ、パンのたびに「カットしない」が繰り返されます。1つのショットが映画1本を背負わなければならないとき、その繰り返し自体が指示なのです。

スタイル集:12の質感と、それを発動させる言い回し

マニュアル冒頭の表は12項目で、それぞれがジャンルと、完全なプロンプトと、それが生成した映像です。リファレンスとして読むと、これはフレーズ集です:2列目こそが実際に質感を決めている言い回しで、それはほぼ常にプロンプトの最初の一文の中にあります。

この表を読むうえでの注意をいくつか。12行目はマニュアルではクレイアニメとラベルされていますが、そのプロンプトが求めているのは手描きの油彩タッチのアニメーションです——ラベルは表の行を説明し、プロンプトは出力を説明するもので、見た目を決めたのはプロンプトのほうです。3、4、6、12行目は、この記事の前半で例として使ったのと同じ映像です。マニュアル自身もセクションをまたいで使い回しています。

より役に立つのはこちらです:単語1つで済んでいるものがほとんどないことに注目してください。30秒持ちこたえるものは、媒体(「2Dアニメーション」「3D短編」「映画的な長回し」)と光または色のルール(「ハイコントラストな映画的照明」「シアンとオレンジ」「冷たい白い月光をハードなキーライトに」)を対にしています。「サイバーパンク」だけなら返ってくるのは当てずっぽうですが、「サイバーパンク、ハイコントラストなネオンのキーライト、低彩度の影」なら、ショットをまたいで再現できる見た目が返ってきます。

6つの型をまとめて使う

これらの型は競合するのではなく入れ子になります。実務では:

1. 基本から始める。 主体、シーン、動き。一行でもう十分近いなら、それで完了です——Wan 3.0 は本当に一文から映像を作ります。
2. 出力に不満があった箇所に、応用の枠を足す。 画がのっぺりしている?それは美的コントロールです。ありきたり?それはスタイル指定です。無音、あるいは劇伴が的外れ?それは音の枠です。
3. 書き始める前に入力モードを決める。 first/last フレームか参照か、両方は不可。フレームがあるなら、動きとカメラ以外はすべて落とす。参照があるなら、繰り返し @ して、セリフは全文で書く。
4. アイデアに「中盤」があるならマルチショットの型へ。 全体説明、番号付きショット、タイムスタンプ、内容。連続したワンテイクにしたいなら、ショットの間に「カットしない」を入れます。

Pixo で試す

1. pixo.video で登録——新規アカウントには無料クレジットが付きます。
2. Playground を開き、モデルに Wan 3.0 を選びます。
3. このガイドのプロンプトを貼り付け、参照ファイルを添付して生成——2〜30秒、480p〜1080p、ネイティブ音声つき。