Guia de prompts do Wan 3.0: seis fórmulas oficiais, de uma linha a um roteiro multiplano

A Alibaba lançou o Wan 3.0 com um manual do criador, e a coisa mais útil dentro dele não é a lista de recursos — são seis fórmulas de prompt, cada uma com seus exemplos trabalhados e os clipes que esses exemplos produziram. Quase nada disso apareceu em português.

Este guia é aquela seção, aberta e traduzida: cada fórmula abaixo é a do próprio manual, e cada prompt está impresso por inteiro para você colar direto em um Playground. Quando o manual acompanha um prompt de um clipe, esse clipe está embutido ao lado.

Tudo aqui roda no Playground da Pixo com o Wan 3.0 — até 30 segundos, com áudio nativo.

Com o que o prompt tem para trabalhar

Antes das fórmulas, a caixa em que elas vivem. Os limites do Wan 3.0 são incomumente generosos, e várias das fórmulas só fazem sentido depois que você os conhece:

Duas dessas linhas mudam o jeito de escrever. O teto de 20.000 caracteres é o que torna a fórmula multiplano praticável — dá para roteirizar dez planos com diálogo e nem chegar perto. E a exclusão primeiro/último frame ↔ referência é uma bifurcação que você escolhe antes de escrever: ou você entrega um frame ao Wan e descreve o movimento, ou entrega referências e descreve quem faz o quê. Não existe prompt que faça as duas coisas.

Fórmula 1 — Básica: quem, onde, fazendo o quê

O ponto de entrada do manual, voltado a quem está gerando seu primeiro vídeo com IA. Três blocos, nada além:

Prompt = sujeito + cenário + movimento

• Sujeito — aquilo de que o vídeo trata. O manual é deliberadamente amplo aqui: uma pessoa, um animal, uma planta, um objeto ou algo que não existe fisicamente. É a âncora em que o resto do prompt se pendura, e o único bloco que você não pode deixar implícito.
• Cenário — o ambiente em que o sujeito está, fundo e primeiro plano inclusive, lugar real ou inventado. Pule-o e o modelo escolhe; nomeie-o e você já fixou metade do quadro.
• Movimento — o que se move, e quanto. A amplitude do próprio manual vale ser internalizada: movimento inclui a imobilidade, um movimento pequeno, um movimento amplo, o movimento de uma parte só ou uma deriva do quadro inteiro. «Movimento» não é apenas ação — declarar que algo permanece parado também é uma instrução de movimento, e o Wan 3.0 obedece.

A fórmula básica é também a que mais se beneficia de uma única palavra de estilo logo na frente. Aqui está a entrada da mesa de massinha do manual, mal mais longa que um tuíte e ainda assim entregando uma pequena história completa:

Animação desenhada à mão, pincelada de pintura a óleo, paleta de cores fria. Numa fazenda do interior americano, um disco voador se aproxima ao longe; um feixe de luz verde dispara de sua parte de baixo e leva embora uma das vacas da fazenda; não muito longe dali, num quarto do segundo andar, um menino vê tudo acontecer.

Leia contra a fórmula: palavras de estilo, depois cenário (uma fazenda do interior americano), depois sujeito (o disco), depois movimento em três tempos encadeados (aproxima-se, dispara o feixe, leva a vaca), depois um segundo sujeito cujo movimento é assistir. Duas frases, e todos os blocos preenchidos. É esse o padrão que a fórmula básica realmente pede — não extensão, cobertura.

Fórmula 2 — Avançada: mais três blocos

Quando os três básicos já viraram hábito, o manual acrescenta três. Mesma ordem, na sequência:

Prompt = sujeito + cenário + movimento
       + controle estético + estilização + som

Neste nível os três primeiros blocos também ganham descrições — o manual separa o substantivo do detalhe pendurado nele:

• Descrição do sujeito — o detalhe de aparência, escrito como adjetivos ou orações curtas. Os exemplos do manual: «uma jovem miao de cabelo preto em traje de minoria étnica», «uma imortal voadora de outro mundo, em vestes esfarrapadas mas ornamentadas, um par de asas estranhas feitas de fragmentos de ruínas aberto às costas». Substantivos concretos e materiais, não adjetivos de clima.
• Descrição do cenário — o mesmo tratamento para o ambiente, e o bloco que silenciosamente define sua iluminação. Nomear superfícies e o estado delas («terra alaranjada rachada», «guarda-corpos de metal molhados») dá ao renderizador algo em que rebater a luz; «uma fazenda» não dá nada, e você recebe de volta uma luz ambiente genérica.
• Descrição do movimento — amplitude, velocidade e o efeito que o movimento provoca. Os três exemplos do manual são exatamente isso: «balançando violentamente», «movendo-se lentamente», «quebrou o vidro». O terceiro é o interessante — descrever a consequência é uma instrução de movimento.

Depois, os três blocos novos:

• Controle estético — fonte de luz, ambiente de luz, escala de plano, ângulo de visão, lente, movimento de câmera. Este é o bloco de fotografia, e é de onde vem a maior parte do «valor de produção» percebido. Ser vago aqui significa que o modelo escolhe um plano médio seguro em luz chapada.
• Estilização — o nome da linguagem visual. Os exemplos do manual: «cyberpunk», «ilustração de linha», «terra devastada». Uma ou duas palavras, colocadas cedo, fazendo um trabalho enorme. A biblioteca de estilos no fim deste post são doze delas, cada uma com a formulação que a dispara.
• Som — ambiência de fundo, música de fundo, diálogo dos personagens, narração. E, crucialmente, o timbre é descritível em palavras: «uma voz grave e mista», «uma voz fofa». A fórmula 4 desmonta isso direito.

A entrada de filme-catástrofe do manual é a fórmula avançada em extensão total: um parágrafo global carregando estilo, sujeito e clima, depois dez tempos numerados, depois um parágrafo que dá trilha ao conjunto. Seu bloco de abertura:

Uma entrada de monstro marinho de 30 segundos com verdadeira textura de cinema; clima geral referenciado num blockbuster hollywoodiano de catástrofe com monstro. A história abre num pequeno barco pesqueiro lutando contra a tempestade, com a marcação «WAN» nitidamente visível no casco. A câmera primeiro estabelece o estado brutal do mar e o quanto o barco é pequeno e frágil, depois constrói pressão pelo detalhe — perturbação na superfície, uma sombra sob a água, o casco tremendo, uma ondulação antinatural — até que enfim uma vasta besta abissal, no estilo de um kaiju de Círculo de Fogo, irrompe para fora da água. O tempo inteiro: realismo, peso, escala verdadeira, impacto violento da água, luz de alto contraste sob chuva e relâmpagos; enfatizar a textura de efeitos visuais de cinema, o volume da água do mar, o detalhe úmido da pele da criatura e a presença opressiva de algo enorme.
Tempo 1: noite, mar açoitado pela tempestade, verdadeira textura de cinema. Um plano geral mostra um pequeno barco pesqueiro avançando entre ondas enormes — o casco velho, escorregadio, martelado pelo mar, as letras brancas «WAN» nitidamente visíveis na lateral. A água é violenta, o vento arrasta cortinas de chuva sobre ela, nuvens negras rolam acima e um relâmpago distante ilumina brevemente toda a paisagem marinha. Enfatizar a água do mar real, o ambiente de tempestade, o detalhe do casco e uma sensação de minúscula impotência.
Tempo 2: plano médio fechado na proa ou na lateral do convés. As ondas batem no casco e varrem o convés; cabos, redes e guarda-corpos de metal se debatem no vento e na chuva. A câmera rola com o barco para dar uma sensação real de jogo, com a chuva batendo na lente e nas superfícies do barco. A marcação WAN atravessa brevemente o quadro de novo. Enfatizar os materiais reais, o mau tempo, o metal e a madeira encharcados e um perigo de sobrevivência agudo.
Tempo 3: do ponto de vista do barco, olhando para a frente sobre o mar. Dentro da tempestade a ondulação desenvolve um inchaço enorme e antinatural, como se algo imenso estivesse se aproximando rápido por baixo. Um vórtice gigantesco se forma, a água se revolve errado, a crista é empurrada de baixo, as correntes ficam em desordem. Quando um relâmpago ilumina a superfície, uma sombra vaga e gigantesca é fracamente visível nas profundezas. Enfatizar o suspense, a pressão do mar e o pavor de um gigante que se aproxima.

Repare do que cada tempo é feito. Todos abrem nomeando um plano (geral / médio fechado / ponto de vista) e fecham com uma linha de intenção de direção — «enfatizar a água do mar real, o ambiente de tempestade, o detalhe do casco e uma sensação de minúscula impotência». Essa frase de fechamento é o hábito do manual que vale roubar: depois de descrever o que está no quadro, diga para que o quadro serve. No meio, os tempos passados no barco itemizam materiais (metal molhado, madeira, cabo, redes, guarda-corpos), enquanto os tempos em mar aberto, como o tempo 3, não nomeiam nenhum — lá fora não há nada em que tocar, então o orçamento de detalhe vai para o comportamento da água.

O bloco de som, neste mesmo prompt, é um parágrafo final que dá trilha aos 30 segundos como um arco:

Trilha no estilo de um filme hollywoodiano de catástrofe com monstro. Abrir com ambiência grave, um ronco sub-grave de mar profundo, percussão esparsa e cordas opressivas para construir o desconforto dentro da tempestade; conforme a superfície começa a se mover, sobrepor pulsos de grave mais fortes, uma sensação de impacto metálico e tensão de cordas se acumulando; logo antes de a criatura emergir, manter a música numa suspensão quase de respiração presa, que continua subindo; quando ela rompe a água, explodir em metais enormes, percussão pesada e impacto de baixa frequência para um clímax em escala de catástrofe; encerrar com notas longas pesadas, opressivas e apocalípticas e percussão que reforçam a imagem épica da besta erguida sobre o mar.

Quatro estados, pregados a quatro momentos da história. É um mapa de trilha, não um adjetivo — e é a diferença entre «música cinematográfica» e uma trilha que acerta quando o monstro acerta.

Fórmula 3 — Imagem e primeiro/último frame: só movimento e câmera

Quando você fornece um primeiro frame (ou um primeiro e um último), a imagem já decidiu o sujeito, o cenário e o estilo. Repeti-los no prompt é, na melhor hipótese, orçamento desperdiçado, e na pior, fonte de conflito. Então a fórmula encolhe para dois blocos:

Prompt = movimento + movimento de câmera

• Movimento — amarrado ao que está de fato visível na imagem: esta pessoa, este animal, correndo, acenando. O manual chama atenção especificamente para o uso de advérbios para controlar grau e velocidade — «rapidamente», «lentamente». Como o quadro está fixo, os advérbios são quase toda a superfície de controle que sobra.
• Movimento de câmera — só se você quiser um. Escreva de forma simples: «aproximação», «travelling para a esquerda». E o inverso importa tanto quanto — se a câmera não deve se mexer, o manual manda dizer isso, com «plano fixo». Silêncio aqui não é o mesmo que pedir uma câmera travada.

O espadachim em nanquim do manual é o caso de primeiro frame mais claro do livro. Entra uma imagem; o prompt é um roteiro de tempos marcados em que quase toda linha é uma instrução de câmera ou de movimento, e o estilo é mencionado uma única vez, bem no fim — como lembrete de preservar o visual do frame de entrada, não como nova direção de arte. Aqui está o primeiro dos seus cinco tempos:

Os arquivos de referência da demonstração

Nossa tradução do prompt oficial do manual para esta fórmula

(0:00 - 0:03) Câmera: plano médio.
Quadro: continuar a cena de bambuzal em nanquim de @Image1. O espadachim de chapéu de palha e manto negro como tinta, sua silhueta de pé no centro da névoa que gira e das sombras de bambu que oscilam.
Ação: a mão esquerda repousa de leve no punho; folhas de bambu descem ao vento.
Clima: silencioso, opressivo; o grão do lavado de nanquim nitidamente visível.

O tempo é escrito como linhas rotuladas, e os rótulos são escolhidos tempo a tempo em vez de fixos: só Câmera abre todos os cinco. Quadro e Detalhe aparecem na maioria; História, Ação, Luta, Clima e Texto na tela vão e vêm conforme o tempo precisa. O que é estável é a forma — câmera primeiro, depois uma linha rotulada por assunto, um assunto por linha. Repare também que Quadro é usado aqui para dizer continuar @Image1, não para redescrevê-la. O segundo tempo mostra os rótulos se deslocando quando a história chega:

(0:03 - 0:08) Tempo de história. Câmera: close.
 
História: o espadachim percebe intenção assassina.
Quadro: a câmera avança rápido até um close sob o chapéu.
Detalhe: na borda do chapéu, um par de olhos ferozes e resolutos, um olhar como uma lâmina. Uma «gota de suor» em nanquim escorre pela testa.
Ação: a mão direita aperta lentamente o punho, os nós dos dedos embranquecendo. As folhas de bambu caem mais rápido.

Duas coisas se generalizam. Primeiro, são os advérbios que fazem o trabalho — avançar rápido, apertar lentamente, folhas caindo mais rápido: grau e velocidade, exatamente como a fórmula pede. Segundo, o prompt fecha nomeando de novo a imagem de origem e instruindo que seu estilo de nanquim em preto e branco se mantenha no clipe inteiro. Com um primeiro frame, a instrução de estilo é uma instrução de preservação.

Fórmula 4 — Som: voz, efeitos, trilha

O Wan 3.0 gera áudio nativamente, então som não é pós-produção — é texto de prompt. O manual dá uma fórmula com três subfórmulas embaixo, e as subfórmulas são a parte útil:

Prompt = voz + efeitos sonoros + trilha (BGM)
 
voz            = «o que o personagem diz» + emoção + entonação
               + ritmo + timbre + sotaque
efeito sonoro  = material da fonte + a ação + o espaço ambiente
trilha (BGM)   = a própria música + o gênero dela

Voz. Seis blocos, e o primeiro não é negociável: escreva as palavras de verdade. O exemplo do manual é um homem fazendo stand-up que diz «Estude com afinco, melhore todo dia» — tom relaxado, ritmo moderado, voz clara e brilhante, inglês americano. Repare que o bloco de sotaque é independente do idioma do seu prompt, e que «timbre» é descritível em palavras comuns — o manual oferece em outro trecho uma voz grave e mista, uma voz fofa.

Efeito sonoro. Os três blocos existem para impedir que você escreva «um baque». O exemplo do manual: uma bolinha de vidro cai de uma mesa num piso de madeira, fazendo «bang», num ambiente interno silencioso. Material, ação, sala. Troque o material por borracha e a mesma frase produz um som completamente diferente; tire o material e você recebe uma média de todos.

Trilha. A subfórmula mais curta, e o exemplo do manual mostra que ela vem grudada numa cena, não flutuando: uma noite de chuva, um corredor estreito e sombrio com uma janela ao fundo, com música de fundo em estilo suspense. A cena e o gênero num fôlego só.

Um caso que as três subfórmulas não cobrem é o áudio que chega como upload em vez de descrição — para isso, a tabela de referências do manual tem uma entrada de dança que entrega um arquivo de áudio ao Wan e depois gasta o prompt inteiro descrevendo como o corpo deve responder a ele:

Vertical 9:16, plano de corpo inteiro, câmera fixa e estável. Uma jovem de cabelo longo e preto, em blusa branca de manga longa com bordado floral, saia plissada branca com cinto preto e tênis brancos plataforma, dança em estilo idol no ritmo do áudio fornecido, numa cozinha moderna minimalista. Fundo: armários cinza-claro, ilha branca, janelas com a noite escura; um painel de luz quadrado atrás dela forma uma luz de contorno; iluminação interna branca fria.
Coreografar conforme o ritmo, o andamento e as subidas emocionais do áudio fornecido: os tempos fortes pedem movimentos nítidos e amplos e poses sustentadas; as passagens suaves pedem ondas delicadas do corpo e desenhos de mãos; o refrão pede movimento mais denso e explosivo. Dança em estilo idol do começo ao fim — contínua, fluente, rítmica e expressiva, totalmente sincronizada ao pulso do áudio.
Movimento suave, proporções naturais dos membros.

O segundo parágrafo é um mapeamento, não uma descrição: tempo forte → este tipo de movimento, trecho calmo → aquele outro, refrão → mais denso. Esse é o gesto geral para qualquer áudio enviado — você não está descrevendo a música, está dizendo ao Wan como a imagem deve responder a cada um dos estados dela.

Fórmula 5 — Referência: dê @ no recurso e depois dirija

Referência-para-vídeo mantém as pessoas, os lugares e as vozes que você envia consistentes ao longo do clipe gerado. A fórmula tem três blocos:

Prompt = @recurso referenciado + ação + diálogo

• @recurso referenciado — cite os uploads por número, na ordem de envio: @Image1, @Video2, @Audio1. A dica-chave do manual: você pode dar @ no mesmo recurso várias vezes, em pontos diferentes do prompt, e é assim que o vínculo fica preciso em vez de aproximado. Um @ não é uma declaração feita uma vez no topo — é um ponteiro que você solta onde ele se aplica.
• Ação — o estado de movimento do sujeito referenciado: imobilidade, mudança de expressão ou de emoção, movimento corporal, uma força externa agindo sobre ele, uma mudança de posição. Uma imagem de referência é uma pose, e sem o bloco de ação o modelo tende a animar em torno dessa pose em vez de a partir dela. Nomear o estado de movimento é o que converte um estático em atuação — e «imobilidade» é uma resposta legítima, não uma resposta vazia.
• Diálogo — o que dizem. Um falante ou vários em conversa, e o timbre pode ele mesmo ser uma referência: «timbre de voz referenciado em @Audio1».

Duas variantes ficam sob a mesma fórmula:

• Referência temporal de vídeo — referenciar o conteúdo temporal de um clipe em vez do sujeito dele: a ação, o movimento de câmera, o efeito. A formulação do manual: «referenciar o trabalho de câmera de @Video1».
• Referência em modelo branco (previz) — jogar dentro uma prévia 3D em volumes cinza e convertê-la num plano acabado. O manual fornece a frase para copiar: «Transforme este vídeo de prévia 3D num filme acabado; substitua [X] na prévia pelo personagem [Y].»

O próprio exemplo de conto de fadas do manual é a demonstração compacta dos três blocos ao mesmo tempo:

Uma cena de conto de fadas infantil. @Image1 está pulando e brincando na grama; @Image2 toca piano sob uma macieira ao lado; uma maçã cai na cabeça de @Image2; @Image1, referenciando o timbre de @Audio1, aponta feliz para @Image2 e diz: «Você vai virar cientista!»

Três recursos, seis menções com @, uma fala escrita por extenso. @Image1 aparece duas vezes — uma como sujeito de uma ação, outra como quem fala — e @Image2 três: como pianista, como a cabeça em que a maçã cai e como aquilo para que se aponta. É a dica do «dê @ de novo onde se aplica» na prática: o recurso é recitado em cada ponto em que participa, não declarado uma vez só.

Aqui está a mesma gramática aplicada a uma prancha de storyboard, da tabela de referências do manual. Uma prancha enviada vira seis planos:

Referenciando o storyboard de @Image1. Plano 1: geral de uma pequena plataforma de trem numa noite de chuva — uma garota de cabelo longo está sozinha sob um guarda-chuva azul, luz quente escapando do prédio da estação atrás dela, montes verdes perdidos na bruma de chuva ao longe. Plano 2: médio — a garota com o guarda-chuva e um garoto de cabelo curto com mochila escolar estão frente a frente na plataforma, chuva caindo forte, os trilhos correndo entre eles. Plano 3: filmado através da cúpula transparente do guarda-chuva com as gotas escorrendo, um close no rosto da garota; os olhos vermelhos e ela diz baixinho {Me manda mensagem quando chegar}. Plano 4: por cima do ombro do garoto na direção da garota — ao longe um trem avança devagar com o farol aceso, o halo se espalhando na chuva. Plano 5: close nas mãos deles enquanto a garota aperta um bilhete dobrado na mão do garoto, com as pontas dos dedos tremendo de leve. Plano 6: a garota sozinha na beira da plataforma, olhando os trilhos correrem para longe, o garoto não mais ao lado dela, a chuva afrouxando.

Repare nas chaves do diálogo — ela diz baixinho {Me manda mensagem quando chegar}. O manual usa chaves para cercar a fala exata e separá-la da descrição em volta, um hábito útil em qualquer prompt em que narração e diálogo dividem a mesma frase.

Fórmula 6 — Multiplano: o prompt como roteiro técnico

A última fórmula é aquela para a qual o orçamento de 20.000 caracteres existe. Ela gera uma narrativa multiplano coerente numa única geração, mantendo sujeito, cenário e clima consistentes através dos cortes:

Prompt = descrição geral + número do plano + marcação de tempo + conteúdo do plano

• Descrição geral — um resumo curto do vídeo inteiro: tema, estilo narrativo, emoção dominante, o evento central. Existe para que o modelo tenha uma leitura global antes de começar pelo plano 1, e é o que mantém o plano 7 no mesmo filme que o plano 1.
• Número do plano — numere cada plano. Essa é a espinha estrutural; sem ela um prompt longo se lê como um bloco corrido e o modelo decide onde ficam os cortes.
• Marcação de tempo — a faixa de tempo que cada plano ocupa, que é o que amarra a lista de planos à duração real da saída. Dez planos em 30 segundos é um filme diferente de três, e as marcações de tempo são como você diz qual.
• Conteúdo do plano — para cada plano, o comportamento concreto das pessoas e objetos dentro dele: ação, fala, expressão, postura. Dentro de um plano você está escrevendo um prompt normal de plano único — as fórmulas anteriores valem sem mudança.

O exemplo trabalhado do manual é deliberadamente pequeno, para que a estrutura fique visível:

Contada em terceira pessoa, esta é uma peça curta sobre desistir e reencontrar a esperança. Plano 1 [0-3 s] Um garoto está sentado sozinho num canto do pátio, cabeça baixa sobre uma carta nas mãos, e então suspira baixinho, com um olhar perdido. Plano 2 [4-6 s] Corte seco, câmera fixa, focada nos olhos do garoto — lágrimas brilhando, cheias de perda e desamparo. Plano 3 [7-10 s] Corte seco, a cena muda para uma sala de aula simples. Uma garota de olhar gentil e firme, vestida com simplicidade, um sorriso gentil e firme no rosto, caminha até ele para consolá-lo.

Uma linha de resumo, depois três planos que carregam cada um um número, uma faixa de tempo entre colchetes, a transição de entrada, a câmera e a atuação. Dez segundos de filme em quatro frases.

Ampliado, o mesmo esqueleto produz um curta de 30 segundos. O plano-sequência da Costa Oeste do manual abre com a descrição geral mais um bloco de personagem, depois quatro planos numerados com faixas de tempo — e todo plano depois do primeiro começa com «Sem corte», que é como uma lista de planos produz uma tomada contínua em vez de quatro planos separados:

Um espetáculo visual em plano-sequência de 30 segundos, padrão de cinema e alta intensidade. Estilo geral: «fantasismo de rua da Costa Oeste» — uma linguagem visual que cruza o grão do vídeo de skate de rua dos anos 90 com o acabamento de um blockbuster publicitário moderno. Colorizar o filme inteiro para um «sol da Califórnia» extremo: um céu azul saturado em contraste duro com as sombras das palmeiras sob sol direto, o ar carregado do calor do asfalto, o raspar metálico das rodas de um carrinho de compras e uma insolência adolescente sem medo. A perspectiva do espaço se estica conforme o herói acelera; a câmera constrói força visual por meio de um acompanhamento em contra-plongée extrema e de uma travessia física do cenário em alta velocidade.
 
O herói é um moleque estiloso de camisa listrada em blocos de cor e boné de beisebol preto, cuja expressão passa da preguiça largada à euforia quando ele rompe seu limite; na segunda locação o herói é o mesmo moleque, mas aparece na dimensão real na postura de um observador.
 
Plano 1, 0-6 s:
Abrir num close — o moleque largado dentro de um carrinho de compras de aço vermelho, atrás dele uma avenida californiana reta e icônica e palmeiras altíssimas. Quando a música estoura, a câmera executa um recuo extremamente rápido e afunda até o nível do chão, colada à roda em contra-plongée bem baixa. O moleque começa a descer disparado a ladeira íngreme, o carrinho martelando o asfalto, os carros dos dois lados arrancando para trás, a câmera capturando uma sensação de aceleração quase enlouquecida.
 
Plano 2, 7-15 s:
Sem corte. A câmera acompanha rente ao chão como um skatista e, no instante em que ele passa uma rampa tosca de compensado, sobe junto com o movimento numa parábola graciosa. O carrinho decola; a câmera passa por baixo dele. À frente, um outdoor gigante preenche rapidamente todo o campo de visão, e a câmera avança contra ele numa aproximação «de retículo» improvável, mirando direto o centro do outdoor.
 
Plano 3, 16-24 s:
Sem corte. O moleque e o carrinho se encravam direto no outdoor gigante, quebrando a parede dimensional. No instante do contato, seu corpo tridimensional se achata; textura real de papel rasgado e tinta com glitch colorido aparecem no quadro. Ainda mantendo a postura de descida, ele virou uma peça de arte plana no outdoor. A câmera então executa uma órbita horizontal de 180 graus e depois mergulha do alto de volta ao nível do chão.
 
Plano 4, 25-30 s:
Sem corte. A câmera pousa suavemente na rua bem embaixo do outdoor, onde aparece outra versão «real» do moleque. Ele para, abaixa devagar a aba do boné e olha para cima, para o seu eu congelado no outdoor, com um sorriso levemente divertido. A câmera segue a linha do olhar dele num zoom rápido e se fixa no buraco rasgado ao lado da palavra «WAN» no outdoor. A trilha funde uma batida de hip-hop de alta energia com o som físico de filme rodando na bobina; a informação visual é altamente condensada e cheia de rebeldia fashion.

O mesmo cabeçalho de plano numerado funciona também com um plano único, que é como o manual escreve sua entrada de comédia — uma tomada de 30 segundos cuja estrutura inteira são panorâmicas rápidas entre dois rostos, declarada uma vez num cabeçalho e depois executada linha a linha:

Plano 1 [0 s-30 s]
Close, na altura dos olhos, panorâmicas rápidas contínuas, plano-sequência (um único movimento de câmera ininterrupto):
À esquerda do quadro, um diretor de colete de diretor preto e fashion e headset profissional de alto padrão, uma enorme câmera de cinema profissional posicionada abaixo e à esquerda dele. À direita, um galã apadrinhado de maquiagem impecável, franja coreana em vírgula na moda e terno sob medida. O fundo é um estúdio profissional espaçoso: um chroma verde enorme, vários tripés C de nível cinematográfico erguidos bem alto, cabos emaranhados e eletricistas, maquiadores e demais equipe circulando atarefados por ali.
Iluminação de estúdio profissional. Uma fonte LED em softbox entra pela direita, iluminando os rostos dos protagonistas de forma uniforme, com a cor da cena cheia e rica. O equipamento de câmera e o chroma ao fundo projetam sombras leves sob a farta luz de estúdio, dando a textura real e atarefada de um set moderno de grande orçamento.

O prompt completo segue num único parágrafo longo que alterna uma fala do diretor com uma panorâmica chicote até o rosto do ator e uma reação descrita, seis vezes seguidas — diálogo escrito por extenso a cada vez e «não cortar» repetido a cada panorâmica. Quando um plano só tem que carregar um filme inteiro, a repetição é a instrução.

A biblioteca de estilos: doze visuais e o que os dispara

A tabela de abertura do manual são doze entradas, cada uma um gênero com um prompt completo e o clipe que ele produziu. Lida como referência, ela é um livro de frases: a segunda coluna é a frase que de fato define o visual, e quase sempre ela está na primeira sentença do prompt.

Algumas notas sobre como ler esta tabela. A linha 12 é rotulada como massinha no manual, mas o prompt dela pede animação desenhada à mão com pincelada a óleo — o rótulo descreve a linha da tabela, o prompt descreve a saída, e foi o prompt que decidiu o visual. As linhas 3, 4, 6 e 12 são os mesmos clipes usados como exemplo antes neste post; o manual também os reaproveita entre seções.

Mais útil ainda: repare em como poucas delas são de uma palavra só. As que aguentam 30 segundos combinam um meio («animação 2D», «curta 3D», «plano-sequência cinematográfico») com uma regra de luz ou de cor («iluminação cinematográfica de alto contraste», «ciano e laranja», «luar branco e frio como luz principal dura»). «Cyberpunk» sozinho te dá um chute; «cyberpunk, luz principal de neon de alto contraste, sombras dessaturadas» te dá um visual que dá para repetir de plano em plano.

Juntando as seis

As fórmulas se aninham em vez de competir. Na prática:

1. Comece pela básica. Sujeito, cenário, movimento. Se a linha única já está perto, acabou — o Wan 3.0 realmente faz filmes a partir de frases isoladas.
2. Acrescente os blocos avançados onde a saída te decepcionou. Imagem chapada? Isso é controle estético. Genérica? Isso é estilização. Muda ou com trilha errada? Isso é o bloco de som.
3. Escolha o modo de entrada antes de escrever. Primeiro/último frame ou referências — nunca os dois. Com um frame, largue tudo menos movimento e câmera. Com referências, dê @ nelas repetidamente e escreva o diálogo por extenso.
4. Recorra à fórmula multiplano quando a ideia tiver um meio. Descrição geral, planos numerados, marcações de tempo, conteúdo. Acrescente «Sem corte» entre os planos se quiser uma tomada contínua em vez de uma sequência.

Rode isso na Pixo

1. Crie uma conta em pixo.video — contas novas começam com créditos gratuitos.
2. Abra o Playground e escolha Wan 3.0 como modelo.
3. Cole qualquer prompt deste guia, anexe seus arquivos de referência e gere — de 2 a 30 segundos, de 480p a 1080p, com áudio nativo.