Wan 3.0 多模态参考视频生成器Wan 3.0 Reference to Video

Reference to Video 会在提示词之外加入图片、视频片段或音频。Wan 3.0 最多可接收 10 张图片、5 段视频和 5 段音频，让不同素材分别指导主体、风格、动作、运镜、节奏或声音。

图片转视频通常用一张图片或首尾帧确定镜头基准。Reference to Video 可以为多份模型支持的素材分别安排用途，包括视觉参考、动作视频和音频线索。

可以。Wan 3.0 的多模态参考模式最多可组合 10 张图片、5 段视频和 5 段音频。请为每份素材安排明确用途，并用对应的 @ 标记在提示词中引用；不必为了填满数量上限而加入作用重复的素材。

先上传素材，再在提示词中输入 @ 并选择对应的参考标记。随后说明素材用途，例如主体来自 @image1、镜头运动参考 @video1、节奏参考 @audio1。把指令写在对应标记附近；如果两份素材控制同一项决策，还要说明优先级。

镜头需要固定的起点和终点时选择首尾帧；需要让多张图片、动作视频或音频线索分别影响场景时选择多模态参考。

页面默认选择 Wan 3.0，因为它能同时接收图片、视频和音频参考。当其他模型的输入类型、时长、分辨率、声音控制或成本更适合项目时，仍可切换。

先写清 Wan 3.0 需要生成的新场景，再为每份上传素材安排一个明确任务：哪张图片控制主体或视觉风格，哪段视频演示动作或运镜，哪段音频提供对白、节奏、环境声或音效。按时间顺序描述画面中的动作，并写明结束状态。无法用一句话说明用途的素材应当删除。

Wan 3.0 最多支持 10 张参考图片，但每张图片都应有独立用途。用尽量少的素材覆盖主体身份、商品细节、服装、环境、构图或视觉风格，并在对应 @ 标记旁写明职责。如果一张图片负责人物身份，另一张负责灯光与色彩，需要明确区分；提交前还应删除近似重复或相互冲突的图片。

用对应的 @ 标记引用视频，并只写明需要借用的运动特征，例如镜头速度、人物动作、走位、转场时机或动作节奏。新主体和新环境应由其他图片参考或提示词单独定义。Wan 3.0 最多支持 5 段参考视频；如果多段视频影响同一个动作，还要写清哪一段优先。

Wan 3.0 最多支持 5 段音频参考。用 @ 标记引用每段音频，说明它负责对白节奏、音乐节拍、环境声还是某个音效，再把关键声音节点与提示词时间线中的可见动作对应起来。所有动作应能放进所选的 2–30 秒时长；生成后分别开关声音检查同步和画面可读性。

把提示词变成核对表：主体身份是否来自指定图片，动作是否遵循指定视频，节奏或声音是否来自指定音频。随后检查主体连续性、运镜、背景稳定、商品或面部细节、结束状态和声音时机。如果某份素材没有完成指定职责，下一版先替换该素材或修改它附近的指令，不要同时改动无关设置。

记录 Wan 模型、提示词、时长、分辨率、声音设置、上传文件名、@ 标记对应关系，以及每份参考素材的职责。每个新版本只测试一个变量，例如更换身份图片或动作视频，并用这个变化命名结果。在“我的作品”中保留最佳版本，再用同一份身份、动作、运镜和声音核对表比较。

先按项目目标排列主体身份、商品属性、动作、运镜、风格和声音的优先级，再让每份素材只承担一个主要职责。两张图片对颜色或造型给出不同答案时，应在 @ 标记旁指定哪张控制最终结果；视频动作与静态构图不兼容时，先用更简单的镜头验证主体。删除无法解释用途的素材，通常比继续叠加限制更有效。