做电商视频的朋友应该都有过这种体验素材库里商品图、实拍片段、早期录好的口播旁白全都齐了可真拿 Wan 3.0 这类 AIGC 工具生成一条 30 秒商品视频时反而不知道该把哪些素材喂给模型。图片参考要传几张视频参考是给全部还是给片段声音参考到底影响画面哪里全都一股脑拖进去生成结果经常四不像。这篇文章不聊理论就讲实际干活时的分工思路。我会用“多张图、视频参考、声音参考”三种输入同时使用时的组合逻辑配合一条 30 秒商品视频的完整制作流程拆开来说清楚每一种参考在什么时候用、用多少、怎么配合提示词。适合正在做电商详情页视频、信息流广告、抖音商品卡内容的运营同学以及所有想用 AI 视频工具提效的创作者。1. 先搞清楚三种参考到底在控制什么1.1 图片参考给商品“画脸”先把一个基本概念说清楚Wan 3.0 这类模型接收图片参考不是把图片直接贴进视频而是从图片里提取视觉要素——商品主体轮廓、颜色、材质、光影关系、构图方式、背景环境。换句话说图片参考决定了视频每一帧“长什么样”角色是“定基准”。如果你只传一张商品图模型会默认以这张图的整体视觉为主体如果你传多张模型需要在多张之间做信息融合这时候就轮到我们给它排优先级了。我在实际使用中最稳的做法是第 1 张放“主视觉图”也就是这条视频里最想让观众记住的形态比如产品 45 度角展示图后面再放 1 到 2 张细节补充图比如材质特写、使用场景、包装字体。数量上尽量控制在 4 张以内超过这个量模型容易把不同图的元素交叉混合最典型的表现就是产品轮廓变了、logo 位置飘了、背景颜色掺在一起。还有一个很容易被忽略的细节参考图的背景比产品本身更影响画面氛围。如果主图是干净白色背景细节图却选了暖黄色台灯场景模型生成出来的画面大概率会把两种环境光做混合出来的色调既不像白天也不像黄昏。所以图片参考之间要尽量保持统一的色温和背景逻辑至少要保证主图和前两张补充图“看起来像同一个影棚里拍的”。1.2 视频参考给镜头“写动作”视频参考解决的不是画面内容而是“运动”。模型会分析参考视频里的镜头运动方向、主体动作幅度、转场速度、景别变化模式然后把这些运动特征应用到新的画面生成中。这也是很多人踩坑的地方以为传一段商品实际拍摄视频模型就会照着生成同一款商品。其实参考视频更像一份“动作底稿”模型提取的关键是运动轨迹而不是画面内容。比如你传一段相机围绕产品缓缓推进的实拍视频Wan 3.0 会学着用这种“环绕推进焦点固定”的方式去运镜但画面里的产品样式来自图片参考。所以工作流上建议把视频参考当成“镜头动作库”来用专门负责告诉模型这一段怎么转、怎么看、怎么切换景别。准备视频参考时尽量截取 5 到 10 秒、画面无跳剪、运动轨迹连贯的片段。我常用的几类动作库包括产品旋转展示、镜头推进与拉远、液体倾倒、布料飘动、光照变化。每类视频对应不同的商品表现——卖咖啡机我会截一段豆仓转动或咖啡液流入杯中的视频卖服饰我会截一段同材质布料自然摆动的视频。要特别提醒的是参考视频里如果有非常明显的环境噪音比如风声、人声、电流声也可能会干扰模型对音频信号的理解最好在导入前把参考视频静音处理。1.3 声音参考给视频“定情绪”声音参考是目前很多用户还没充分利用的功能。Wan 3.0 在生成视频时支持原生音频输出声音参考的作用就是让模型知道这段视频的音频风格、语速、情绪、音乐节奏应该参考哪条素材。打个比方图片参考是“模特定妆照”视频参考是“走位路线图”声音参考就是“背景乐谱和台词提示卡”。如果一条 30 秒商品视频的定位是“高级感冷淡风”那声音参考最好是语速偏慢、间隔明显的口播或者节奏舒缓的音乐如果定位是“带货冲动消费”声音参考就要找语速快、重音多、BGM 鼓点清晰的素材。模型会根据声音参考的情绪强度反过来约束画面的镜头切换速度——这点很多人没意识到。实际操作中声音参考还可以帮助对齐画面节奏。我会把声音参考里的重音位置和关键停顿标出来再在提示词里写明“声音在第 X 秒出现重音时画面切换为产品细节特写”这种音画同步的效果远好于单纯依赖模型随机生成音频。后面第 3.4 节我会专门讲怎么“卡点式”嵌入声音参考。2. 动手前先把素材盘明白2.1 图片素材的分拣、命名与色彩统一我自己的习惯是先在本地建一个临时文件夹把这条视频可能用到的所有图片丢进去然后按“使用优先级”重新命名。推荐的排序规则是01_主视觉产品整体外观图画面干净最好没有复杂背景02_细节特征产品质感、纹理、按键、材质特写03_使用场景产品在实际使用中的照片带人的效果更好04_包装文案需要展示的品牌 logo、包装盒、卖点文字这个顺序有两个隐藏作用。第一第 1 张图决定了主画面的第一印象模型默认会对前序图片分配更高融合权重第二后续图片是补充线索模型在生成每个镜头时会在提示词的引导下从这些参考图里提取对应元素。图片分辨率也是个变量。如果参考图太小比如只有 480p模型会强行放大再提特征出来的商品细节经常糊成一团但太高的分辨率又可能让模型过度纠结图片里的噪点和瑕疵。我建议参考图统一处理到适合生成模型的输入分辨率附近比例保持 1:1 或者 4:3 都行。至于格式JPG 和 PNG 都能用但不要用带透明通道的 PNG——透明区域在融合时经常变成灰色色块处理起来很麻烦。最后检查一遍所有参考图里不要出现和商品无关的显著文字、水印、二维码。这些元素会被模型当成画面内容生成出来非常难修。曾经有一张参考图右下角带了一个很小的摄影工作室水印生成出来的视频里水印被放大成了背景里的“品牌logo”删都删不掉。2.2 参考视频的截取、静音与动作取样参考视频不是越长越好。过长的视频会引入太多无关运动模型难以判断到底要学哪个动作。我建议截取 5 到 10 秒并且只保留单一运动逻辑的片段。什么叫单一运动逻辑就是这一段里镜头或主体只做一件事要么是旋转要么是推进要么是平移别一会推近一会拉远再横摇。视频参考最大的作用是提供“干净的动作样本”动作越纯净生成视频的运镜越可控。预处理时我一般做三件事。第一把视频裁剪到只保留主体区域去掉无关的背景杂物第二把音轨静音导出避免环境音干扰模型对声音参考的判断第三如果原视频有镜头抖动先做一次轻度稳定处理不然模型会把“抖动”当成本次风格生成结果全是微晃镜头。如果模型支持视频参考的权重参数我一般设置在中高。理由是这样既能保留参考视频的运镜习惯又不会让生成结果完全照抄原视频的画面构图。2.3 声音参考的类型、时长与格式预处理声音参考分成两类一类是口播旁白一类是纯 BGM。两类在生成时都建议控制在 15 秒以内太长的音频会让模型抓不住重点。口播旁白参考我会提前剪出“完整的一句话”作为参考比如“每天一杯唤醒全天”语速、重音、情绪都要典型。不要给一段读得很平淡的素材模型学出来就是平调。如果手里没有合适的口播素材也可以用 TTS 先合成一版“标准语气”作参考虽然音色不一定最终使用但情绪轮廓是准的。纯 BGM 参考重点关注节奏和重音。你不需要懂音乐理论只要听出一首曲子大概每分钟多少拍、重音在哪、有没有明显的情绪起伏。更实用的是在本地剪辑工具里把音频波形打开看一眼重音之间的大致间隔然后把这个节奏信息写进提示词。格式上我建议用 WAV 或者高码率 MP3采样率不用追求极限16bit/44.1kHz 就够用但声音不能过载发闷。如果有条件把声音参考以“前 0.5 秒静音正式内容后 0.5 秒静音”的形式导出方便模型分辨声音起点和终点。3. 30 秒商品视频的实操分工方案3.1 先写一条“三段式”分镜脚本30 秒不算长但按照观看逻辑仍然可以拆成三段前段建立认知中段展示细节末段引导转化。我在写提示词之前一定会先在文档里把这三段写清楚否则参考资料一多模型很容易在各个参考之间“反复横跳”。假设这个商品是一款便携咖啡机我的 30 秒脚本大概是时间段画面内容镜头设计主要参考资料0-10 秒白色桌面背景咖啡机从正面缓缓旋转半圈随后镜头缓慢推进旋转 推近01_主视觉图 产品旋转视频11-22 秒切换至细节特写萃取口流出咖啡液按键指示灯亮起水箱装配过程侧上方 45 度俯拍02_细节图 液体流动视频23-30 秒镜头拉远咖啡机回到全景旁边放上一杯成品咖啡灯光渐暖配合口播拉远 定帧01_主视觉图 声音参考口播这三段里每一段都被分配了“主角参考”。第一段的主角是主视觉图加旋转动作视频参考第二段的主角是细节图加液体流动类视频参考第三段又回到主视觉图加上声音参考里的口播情绪。这样分工每一种参考资料都在有限的时间里各管一段不会互相打架。3.2 分段投放参考图与提示词配置在实际操作时我会把图片参考、视频参考、声音参考一起上传然后在提示词里明确指定每段使用哪张参考图、采用什么镜头动作。Wan 3.0 对提示词中的“第一张参考图”“第二张参考图”这类表述通常有较好的理解你可以写“第一张图中的产品”“第二张图中的特写细节”来指代。给一个可以直接参考的提示词模板第 1 段提示词“以第一张参考图中的产品外观为准白色桌面干净背景镜头从正面缓慢顺时针旋转约 90 度随后缓慢推近画面焦点始终在咖啡机机身画面内不要出现其他无关物品时长约 8 秒。”第 2 段提示词“画面切换到第三张参考图中的使用场景镜头从侧上方 45 度俯拍咖啡液从萃取口落入杯中水流速度中等注意保持产品主体颜色与第一张参考图一致持续约 10 秒。”第 3 段提示词“镜头缓慢拉远回到第一张参考图的整体视角桌面上出现一杯成品咖啡暖色灯光画面自然结束保留空间给口播文案时长约 8 秒。”这里有个关键技巧每段提示词里都要提到“参考图”但不用把所有参考图都写进去。比如第二段只用第三张场景图和液体流动视频参考就不要在提示词里提“第二张细节图”否则模型会把不相关的细节也强行加进来。给模型做“减法”比做“加法”更容易得到干净画面。3.3 生成参数与权重怎么搭配运行前把分段提示词分别填入如果工具支持一次生成多段再拼接可以分段生成后统一剪辑如果不支持就按镜头粒度多次生成最后用剪辑工具合成。这里说一下我常用的参数区间你以自己所用版本的选项为准参数我的常用值说明分辨率1080P保证后期裁剪空间不要低于 720P帧率24-30fps商品视频 24 帧即可30 帧更顺滑时长5-10 秒/段3 段合成 30 秒逐段控制图片参考数量2-4 张超过 4 张容易串味视频参考时长5-10 秒单一运动逻辑视频参考权重中高保留运镜但不照抄画面声音参考时长12-18 秒留出静音尾巴提示不是所有界面都支持把同一段视频分段生成如果你的工具不支持分段提示词就按 5 秒左右的镜头为单位多次生成再通过剪辑合成 30 秒。这样可控性更高也方便逐段筛选最满意的一条。3.4 声音参考的“卡点式”嵌入把声音参考当作一条时间轴来管理。我实际操作时会在声音参考里找到三个关键时间点开场 BGM 进入点、中间节奏重音点、结尾口播结束点。然后把这几个点换算成视频时间写在每一段的提示词里。比如声音参考的 BGM 在第 4 秒出现重音那么第 1 段提示词可以写成“第 4 秒左右完成旋转画面随节奏切换到特写”。不要小看这个细节音画同步是最能提升“高级感”的一环很多 AI 生成的视频刚出来时画面好看却总觉得“说不上来的怪”多半就是声音和画面各走各的。如果工具支持关闭原生音频建议先关闭生成时自带的 BGM只保留提示词的节奏引导然后在后期剪辑时把真正的声音参考素材对准卡点位置放上去。这个做法可以避免模型又生成画面又生成音频导致的声音混乱尤其在声音参考是人声口播的时候模型自动生成的音乐经常会跟口播打架。4. 生成时的常见问题与排查技巧4.1 多图参考后产品“串味”现象给了 4 张图生成视频里的产品既不像第 1 张也不像第 2 张变成一个四不像。排查思路先把参考图减到 2 到 3 张只保留主视觉和一张细节图看问题是否消失。如果消失了就是参考图过多导致模型自主融合如果没消失再检查是不是背景色调差距过大。另外一个高频原因是产品图本身带了水印或背景文字模型把文字当成商品的一部分生成出来这个前面已经说过。参考图里尽量用去水印、纯背景的素材。4.2 视频参考动作与预期不符现象上传了“产品旋转”参考视频生成结果却是画面卡顿或者镜头乱动。原因多半是参考视频里主体不够居中、背景环境复杂模型学着学着就把无关动作也学进去了。解决方法是换一段目标单一、背景干净的动作视频或者把参考视频的运动方向写进提示词比如“自右向左水平旋转”“镜头匀速推进”。还有一个小技巧把参考视频的画面裁剪到只保留产品区域模型能更聚焦地提取运动。如果生成结果出现明显的镜头抖动优先检查参考视频是不是手持拍摄、没有稳定处理。模型会认为“抖动”是这个运镜的一部分生成时就给你复刻出来。解决办法是换稳定器拍摄的参考视频或者先对参考视频做运动稳定再喂给模型。4.3 声音与画面各走各的现象旁白说了三句话画面在第二句时就已经结束或者 BGM 重音和转场对不上。我排查的第一步是检查声音参考时长和视频总时长是否匹配。声音参考超过 30 秒模型很容易在视频后半段丢失节奏声音参考太短视频后半段就变成无声的“哑剧”。建议声音素材控制在 12 到 18 秒留出足够的静音尾巴。第二步是在提示词里明确写出卡点时间比如“第 6 秒转场”“第 12 秒特写”让模型按时间轴执行。还有一种情况声音参考里人声和 BGM 混在一起模型分不清主次生成的音频里人声特别小、BGM 特别大。这时可以把声音参考拆成两条——一条纯人声口播、一条纯 BGM分别上传再在提示词里写明“人声为主背景音乐约 30% 音量”效果会好很多。4.4 商品文字和 logo 生成乱码Wan 3.0 对文字生成已经比早期模型强很多但遇到产品名、标语这类精确文字仍然可能输出错误字符。不要指望它一次生成完美稳妥做法是图片参考里给一张干净的 logo 图提示词里写“保留第一张图中的 logo 不改变”生成后在剪辑工具里重新叠加产品名文字层。注意如果视频里有大段卖点文案宁可在剪辑阶段用字幕方式加大也别让模型在画面里直接生成长句。画面内文字越短成功率越高比如单个产品名或一句四个字的品牌 slogan 可以尝试直出超过 10 个字的文案建议后期叠加。4.5 反复失败时的排查顺序我一般按照“图片参考 - 视频参考 - 声音参考 - 提示词”的顺序逐个调整一次只改一个变量。先换主图看主体是否稳定再换动作视频看运镜是否流畅再换声音参考看节奏是否同步最后才调提示词措辞。千万不要因为一次失败就把所有参考资料全换掉那样根本定位不了问题。记录一下每次生成时的“参数组合”也很有用。我习惯给每次生成起一个简单编号比如“coffee_v1_4img_rot_ref_bgm”下次翻看历史记录就知道哪次用的什么配置避免重复试错。5. 从生成到成品一条能直接上架的 30 秒视频5.1 生成后的二次剪辑补全模型生成的结果很少能直接当最终交付物。我会把生成的多段片段导入剪辑工具先做粗剪把最顺眼的镜头连起来然后叠加字幕、品牌 logo、卖点贴纸最后把声音参考里的口播和 BGM 对准时间线重新铺上。这里有一个细节AI 生成的画面如果有一段特别喜欢但声音不好可以单独把画面片段剪出来把音频替换成干净的声音参考素材不必所有内容都靠模型一次完成。把模型当成“画面生成器”把剪辑台当成“最终合成器”效率反而更高。另外生成视频的收尾经常会有“突然结束”的感觉这是因为模型对结尾动作的约束不够。在剪辑时我会给最后一段加一个 5 到 10 帧的落幅停留或者在末尾叠一层品牌 logo 渐隐让视频结束得干净利落而不是硬生生掐断。5.2 交付前要做的平台适配与画质检查不同电商平台的商品视频尺寸和时长要求不太一样比如淘宝主图视频常用 1:1 方形抖音带货视频常用 9:16 竖版信息流广告可能又需要 16:9 横版。生成前想清楚你这条视频主要是给哪个渠道用再决定生成长宽比。关于文件大小和码率主流平台对视频大小有限制导出时建议用 H.264 编码、分辨率不超过 2K、码率控制在 8Mbps 以内兼顾清晰度和上传速度。时长控制在 30 秒左右最长不要超过 35 秒否则完播率会明显下降。前 3 秒一定要出现商品本体或者明确卖点用户手指一划就走不能指望他等 5 秒才看到商品。最后交付前最好用手机预览一遍检查字体大小在移动端是否清晰、声音参考的 BGM 有没有压过人声、画面颜色是否过曝。还有一个我很在意的小事视频里的商品方向一定要跟详情页里的主图保持一致比如详情页里产品拉环在左边视频里却在右边用户会下意识觉得“这不是同一个商品”。我个人在实际操作里的体会是Wan 3.0 做商品视频最大的变化不是生成质量提升而是工作习惯被改过来了。以前做一条 30 秒视频先找素材、再写脚本、再找配音、再剪辑一条条线性推进现在反而是先把参考资料分好类、标好优先级让模型一次性给出几版粗胚再从中挑胚子打磨。图片参考、视频参考、声音参考哪个优先级高哪个就该在提示词里被点名而不是让模型自己去猜。如果你也想上手试建议先拿一个商品把“三段式脚本 三类参考”跑通一遍跑完之后你自然会摸到每种素材的脾气。
