Wan 3.0 参照素材から動画を生成

プロンプトに画像、動画、音声などの元素材を加えて、新しい動画を作る方法です。Wan 3.0では画像10枚、動画5本、音声5本まで使用でき、人物、スタイル、動き、カメラ表現、リズム、音などの役割を各素材に割り当てられます。

画像から動画は通常、ショットを固定する1枚の画像または最初と最後のフレームから始めます。参照素材から動画では、画像、動きの動画、音の合図など複数素材に別々の役割を割り当てられます。

はい。マルチモーダル参照モードでは画像10枚、動画5本、音声5本まで組み合わせられます。各素材に別の役割を与え、対応する@トークンで指定してください。利用枠をすべて埋めるより、役割が明確な素材に絞る方が演出しやすくなります。

素材をアップロードし、プロンプトで@を入力して対応する参照トークンを選びます。例えば、人物は@image1、カメラワークは@video1、リズムは@audio1と役割を記述します。指示をトークンの近くに置き、同じ判断に矛盾する素材を割り当てる場合は優先順位を説明してください。

開始画面と到達画面を固定する必要がある場合は最初と最後のフレームを選びます。個別の画像、動きの動画、音の合図をシーンに反映したい場合はマルチモーダル参照を選びます。

Wan 3.0は画像、動画、音声の参照を同時に扱えるため、初期モデルとして選択されています。入力形式、長さ、解像度、音声設定、コストが別のモデルの方が制作に合う場合は切り替えられます。

まず、意図する成果を一文で書き出し、次に参照資料とその資料が左右する決定事項をリストアップします。可視化されたアクションを時系列順に並べ、カメラの動きを説明し、音声キューを特定の瞬間に関連付けます。最後に終了状態や編集ポイントで締めくくります。ブリーフを明確にまとめられない場合は、別々のショットに分けるか、結果に影響を与えない参照を削除してください。

サブジェクト参照素材は、人、製品、キャラクター、またはオブジェクトなど、認識可能であり続ける必要があるものを定義します。スタイル参照素材は、パレット、照明、テクスチャ、構図、または視覚的処理を導きます。プロンプトでその違いを明確にして、芸術的なヒントが誤ってアイデンティティのヒントを置き換えないようにしてください。1つの画像が両方の役割を果たす場合は、保持すべき具体的な属性と変化してもよい品質を名前で示してください。

参照動画を指定し、取り入れたい動きの特徴を説明します。たとえばカメラ速度、被写体のジェスチャー、切り替えのタイミング、立ち位置、リズムです。新しい被写体と背景は別に指定してください。こうすると、見た目全体ではなく動きを参照する意図が伝わります。スタイルを調整する前に、カメラの軌道と動作のタイミングが狙いどおりか確認しましょう。

オーディオに、会話の間隔、音楽のリズム、部屋の雰囲気、または目に見える動作に同期した効果音など、明確な機能を割り当てます。キューが入るタイミングとその瞬間に画面上で何が起こるかを説明してください。完成したクリップを音ありと音なしで確認します: 最初に視覚的にシーンが伝わっているかを確認し、その後、タイミング、明瞭さ、バランス、オーディオが意図したペースをサポートしているかをチェックします。

オリジナルのブリーフをスコアカードとして使用します。各ソースが割り当てられた役割を果たしたかどうかを確認し、その後、被写体の連続性、動きの論理、カメラの動き、背景の安定性、小さな詳細、フレーム内のテキスト、および音声のタイミングを検査します。必ず修正すべき問題とオプションの仕上げ項目を分け、最も強い結果を『マイ作品』に保持し、次のバージョンを生成する前に、影響の大きい指示や参照の一つを修正します。

プロンプト、モデル、出力設定、アップロードした素材名と役割を記録してください。各結果には今回変更した要素を一つだけ記し、同じ基準でフィードバックを集めます。制作過程を追跡でき、チームで公平に比較しながら、被写体、動き、音に関する有効な判断を次の生成へ引き継げます。