Wan 3.0 Prime 音乐视频：参考图怎样分工才清楚

准备音乐视频时，很容易挑出三张各自都漂亮的图，却忘了它们可能在讲三个不同的镜头。一张人物对了，一张房间好看，还有一张机位很有感觉。要把它们一起用起来，先说明每张图负责什么，比继续找更多图更重要。

阿里云 Wan 3.0 优速版文档介绍了参考图生成视频。本文围绕这一输入方式讨论镜头准备，没有实测生成结果；Raindance AI 也没有接入 Wan 3.0 Prime。

先定音乐里的那个瞬间

举一个小镜头：成年歌手站在空排练室里，一句人声结束后，轻轻低头，把目光从麦克风转向窗外。这个镜头要留住的是唱完之后的停顿。环绕运镜、连续换姿势，可能会把本来简单的情绪冲淡。

先在音乐里记下它的位置。比如稳定的 100 BPM、4/4 拍，一拍 0.6 秒，两小节就是 4.8 秒。你可以把 4.8 秒作为最终剪辑的目标，但别据此认定生成器一定提供这个时长选项。按实际可用控制生成，再在剪辑器里修到需要的位置。

人物、房间和构图各管一件事

第一张只负责人物和衣服。这个例子可以用一张原创或获准使用的成年人物照片：脸部清楚，奶油色衬衫，靛蓝色领口，三分之二侧脸。别同时塞进两个人。背景越杂，后续越难判断输出里的某个细节到底来自哪里。

第二张负责场地。准备一间没有人的淡紫色排练室，高窗旁放一支麦克风架。窗户交代光从哪里来，麦克风则给人物的目光变化提供了明确对象。尽量别挑一张歌手比房间更醒目的环境图，否则它也会带来另一个人物的暗示。

第三张是构图草图：侧面机位，麦克风在左，人物在右，头顶留出一点空间。有条件的话，用同一个原创人物做这张构图。它是机位说明，不是第二个人物来源。不同平台对多图顺序、优先级和图片称呼的理解可能不同，实际上传前仍要看选中模式的输入说明。

提示词先写成一份镜头说明

可以先在本地写：“人物照片负责歌手长相和奶油色衬衫、靛蓝领口；空房间图片负责淡紫色墙面、高窗和麦克风位置；侧面草图负责构图。歌手站在麦克风旁，略微低头，然后把目光转向窗外。镜头保持稳定，结束时停留在安静的侧脸姿态。”

这是一份策划草稿，不是可直接照抄的 API 请求，也不是经过实测的成功提示词。三张策划图不代表每个 Wan 模式都接受三张图片上传。 如果需要明确的起始构图，可以考虑首帧或首尾帧输入；官方模型发布页将这些模式与 Omni 参考模式分开，一次选择一种。三张策划图不保证精确机位。把其中的角色分工对应到所用工具真正提供的输入控件。如果模式容纳不了这么多图，就简化参考包。不要因为某张房间图漂亮，把本来负责人物的图片替换掉。

把图和说明一起存下来。下一次只改一个决定，例如把窗光调暗一点，或者把动作减成单纯转眼。这样才容易知道哪项调整有用。一次同时更换人物、衣服、房间和运镜，得到不同结果也很难解释原因。

这份说明没有要求对口型、复现歌词或自动踩准某个鼓点，因为那些是另外的任务。如果只需要情绪画面，一个可信的静音转头镜头就可能够用，不必让人物看起来每个字都在演唱。

检查动作之后，再把它放回音乐

先看开头、转头和结束姿态，再完整播放。核对领口、脸和麦克风的位置。比起墙面颜色略有差别，麦克风突然换边、穿过人物或者衣领变样，更容易打断观看。选一段两端都有少许停留的素材，剪辑时会更从容。

在剪辑器里先定位那句人声结束的位置，再移动画面，让转向窗外的动作接住它。音乐留白时，可以多停几帧；如果动作太短，插入一个物件特写往往比硬拉慢人脸动作更自然。Anijam 四镜头策划练习就用了吊坠特写来连接前后两个人物镜头。

选生成工具和选现成场景，是两件事

如果你其实想要一段已有主题的人物表演，可以先看本站场景库。那里使用各自的场景指令和输入控制，不能拿来执行上面的 Wan 参考包。Raindance 照片 MV同样是固定歌曲流程，不是可以导入任意配乐的通用剪辑器。

Raindance AI 编辑团队撰写。文档核对日期：2026 年 10 月 22 日。付费尝试前，请在提供方页面核对当时的可用性、输入控制和商业条款。