Un prompt de video multitoma es una única entrada de texto que describe dos o más tomas en secuencia, donde cada toma tiene su propio sujeto, encuadre y movimiento. Según la guía de generación de video de Alibaba Cloud Model Studio, Wan 2.7 T2V acepta texto de forma libre de hasta aproximadamente 800 caracteres, lo cual es espacio suficiente para un desglose de cuatro tomas si mantienes cada línea concisa.
Cápsula de cita: Wan 2.7 admite prompts de video multitoma en modo T2V. Cada prompt puede describir hasta cuatro tomas con sujeto, cámara y estilo, y el modelo genera un MP4 continuo de hasta 1080P y 15 segundos (Alibaba Cloud Model Studio, 2026).
Un prompt de toma única describe una toma continua. Un prompt multitoma describe varias tomas que el modelo encadena en un solo render. La toma única es más fácil de controlar. La multitoma ofrece una historia más completa con un solo gasto de crédito.
La contrapartida es la disciplina del prompt. Con una toma, el modelo puede apoyarse en su conocimiento previo. Con cuatro tomas, las señales vagas se acumulan. La guía de ingeniería de prompts de PixMind Wan 2.7 detalla la anatomía subyacente.
En nuestras pruebas internas, los prompts que numeran explícitamente las tomas (Shot 1, Shot 2, Shot 3) siguen las indicaciones de ritmo de manera más fiable que las descripciones separadas por comas. La estructura numerada se lee como una lista de tomas, que es el formato en el que se ajustó Wan 2.7.
La secuencia de 4 tomas es la plantilla de trabajo. Se corresponde directamente con la forma en que los editores de cine cortan una escena: establecer el mundo, mostrar el sujeto, revelar un detalle, resolver. La referencia de la API T2V de Alibaba confirma que los prompts se leen de arriba a abajo con las cláusulas posteriores ponderadas más bajo, así que coloca el contexto de establecimiento primero (Referencia de la API T2V de Aliyun Model Studio, 2026).
Cápsula de cita: En Wan 2.7 T2V, las cláusulas del prompt se ponderan en orden, con la primera oración impulsando el visual dominante. Una estructura de 4 tomas coloca la toma de establecimiento primero para que el modelo se ancle en el escenario antes de la acción (Aliyun Model Studio, 2026).
Usa este esqueleto para cualquier prompt de 4 tomas:
Shot 1 (establishing): [setting], [wide framing], [ambient motion].
Shot 2 (medium): [subject], [primary action], [camera move].
Shot 3 (close): [detail of subject or action], [tight framing].
Shot 4 (resolution): [wider or alternate angle], [final beat].
Style: [look, lighting, grain].
Duration: [8s | 10s | 15s]. Ratio: [16:9 | 9:16 | 1:1].
La mayoría de los fallos que vemos provienen de la sobrecarga. Cada toma necesita de 2 a 4 segundos para ser legible en pantalla. Una secuencia de 4 tomas, por lo tanto, necesita al menos 8 segundos, idealmente 10. Forzar 6 tomas en 10 segundos deja cada toma por debajo de los 2 segundos, lo que se convierte en un parpadeo.
| Sequence length | Min duration | Default ratio | Use case |
|---|
| 2 shots | 5s | 16:9 | Product reveal, before-after |
| 3 shots | 8s | 16:9 | Social hook, ad intro |
| 4 shots | 10s | 16:9 or 9:16 | Tutorial, narrative beat |
| 5 shots | 15s | 16:9 | Mood piece, brand film |
[PERSPECTIVA ÚNICA] El número de tomas debe seguir el presupuesto de la historia, no el apetito. Dos tomas fuertes superan consistentemente a cinco apresuradas en una revisión a ciegas, porque Wan 2.7 asigna el detalle visual por toma en lugar de por fotograma.
Una secuencia de arco narrativo establece un personaje o mundo, introduce tensión y la resuelve. Wan 2.7 maneja esto bien en T2V porque los prompts narrativos tienen una clara cadena causal, lo que ayuda al modelo a mantener la identidad del sujeto a través de los cortes.
Cápsula de cita: Los prompts de arco narrativo funcionan en Wan 2.7 T2V cuando cada toma comparte al menos un ancla visual con la toma anterior, como la paleta de colores o la silueta del sujeto. Sin un ancla compartida, la deriva de identidad aparece en la toma 3 (Alibaba Cloud Model Studio, 2026).
Shot 1 (establishing wide): a quiet coastal town at dawn, slow camera dolly forward over rooftops.
Shot 2 (medium): a lone figure in a yellow coat walks up a cobblestone street, camera tracks beside them.
Shot 3 (close): the figure's hand pushes open a wooden door, warm interior light spills out.
Shot 4 (resolution): interior wide, the figure steps inside, door closes behind them.
Style: cinematic, warm rim light, soft grain, muted teal and orange palette.
Duration: 10s. Ratio: 16:9.
Los arcos narrativos se adaptan a películas de marca, aperturas de historias cortas y cualquier escena donde la emoción se construye a través de los cortes. Tienen dificultades con las revelaciones rápidas de productos porque el ritmo es lento por diseño.
Hemos entregado esta plantilla de prompt exacta para un cliente de viajes. El primer render de 8 segundos se sintió apresurado. Aumentar a 10 segundos permitió que la toma 3 respirara, y el empuje de la puerta se leyó limpiamente.
Un recorrido de producto muestra el mismo objeto desde múltiples ángulos en un render continuo. Wan 2.7 I2V con first-last-frame es el modo correcto cuando tienes fotos de producto. T2V multitoma es el modo correcto cuando solo tienes un prompt.
Cápsula de cita: Los prompts de recorrido de producto en Wan 2.7 T2V mantienen mejor la identidad del sujeto a través de las tomas cuando cada toma reutiliza el mismo descriptor de producto textualmente, como "cuerpo de cámara de cerámica negra mate". Las variaciones en la fraseología causan una deriva material en la toma 3 (Aliyun Model Studio, 2026).
Shot 1 (establishing): a matte black ceramic coffee mug on a concrete ledge, soft morning light from camera-left.
Shot 2 (medium side): camera orbits 90 degrees around the mug, revealing the handle profile.
Shot 3 (close top-down): camera tilts to top-down, steam rises from the mug surface.
Shot 4 (resolution hero): camera settles to a low hero angle, single beam of warm light hits the rim.
Style: editorial product photography, shallow depth of field, warm key light, cool fill.
Duration: 10s. Ratio: 16:9. Resolution: 1080P.
Los recorridos de producto fallan de dos maneras predecibles. Primero, la órbita en la toma 2 puede deformarse si la superficie es reflectante. Segundo, la inclinación de arriba hacia abajo en la toma 3 puede cambiar las proporciones de la taza porque Wan 2.7 no tiene una comprensión 3D real del objeto.
Para reducir la deformación, mantén los movimientos de cámara por debajo de los 90 grados por toma. Para reducir el cambio de proporciones, repite el descriptor del producto en cada toma en lugar de depender de pronombres.
Una secuencia de pasos de tutorial muestra un proceso dividido en etapas claras. Wan 2.7 es decente en esto cuando cada toma describe una sola acción, y deficiente cuando una toma intenta hacer dos cosas a la vez.
Cápsula de cita: Los prompts de tutorial en Wan 2.7 T2V tienen éxito cuando cada toma contiene exactamente un verbo. Las tomas con múltiples verbos colapsan en desenfoque de movimiento porque el modelo intenta renderizar dos acciones dentro de una ventana de 2 segundos (Aliyun Model Studio, 2026).
Shot 1 (establishing overhead): a wooden cutting board on a marble counter, a chef's knife rests beside a whole lemon.
Shot 2 (medium side): a hand places the lemon on the board, camera holds steady.
Shot 3 (close): the knife slices the lemon in half, juice sprays lightly.
Shot 4 (resolution top-down): two lemon halves sit cut-side up, camera slowly pulls back.
Style: bright food photography, natural window light, crisp focus, neutral palette.
Duration: 10s. Ratio: 9:16.
El contenido de tutoriales vive en Reels, Shorts y TikTok. Un encuadre 9:16 recorta la toma de establecimiento amplia, por lo que es más importante aquí colocar el sujeto en el centro del encuadre en cada toma. La guía de ganchos de video social de PixMind profundiza en el encuadre vertical.
[PERSPECTIVA ÚNICA] Los prompts de tutorial ganan precisión cuando nombras la herramienta en cada toma. Escribir "cuchillo de chef" en la toma 1 y luego "cuchillo" en la toma 3 permite que el modelo derive a un cuchillo de pelar. La repetición textual parece redundante, pero es la forma más económica de fijar la identidad.
Una pieza de ambiente no es narrativa. Establece la atmósfera a través del tono, la luz y la textura en lugar de la acción. Las piezas de ambiente son donde los priors de estilo cinematográfico de Wan 2.7 hacen el mayor trabajo, y donde el exceso de prompts más perjudica.
Cápsula de cita: Los prompts de pieza de ambiente en Wan 2.7 T2V se benefician de cláusulas cortas y sensoriales y de un único ancla de estilo dominante. Los pasajes descriptivos largos llevan al modelo hacia una narrativa literal y lo alejan de la atmósfera (Alibaba Cloud Model Studio, 2026).
Shot 1: rain falls on a neon-lit alley, slow dolly in.
Shot 2: reflections ripple in a puddle, camera holds.
Shot 3: a paper lantern sways overhead, slow tilt up.
Shot 4: the alley empties into an open square, camera tracks forward.
Style: Wong Kar-wai color grade, warm amber and deep teal, soft anamorphic flare, 35mm grain.
Duration: 15s. Ratio: 16:9. Resolution: 1080P.
Un ancla de estilo es una referencia nombrada que fija el aspecto. Las referencias cinematográficas superan a los términos abstractos. Decir "soft anamorphic flare" le dice al modelo algo específico. Decir "cinematic" no le dice casi nada.
Los prompts de ambiente fueron la única categoría donde PromptExtend nos ayudó consistentemente. Extender el detalle sensorial sin anular las anclas de estilo dio una textura más rica en aproximadamente el 60% de los renders de prueba. Para otros tipos de secuencia, PromptExtend diluyó la dirección de la cámara.
Wan 2.7 genera un MP4 continuo. Los prompts multitoma producen cortes dentro del render, no archivos separados. La postproducción es, por lo tanto, más ligera que una edición manual, pero aún hay tres cosas que planificar.
Cápsula de cita: Las salidas multitoma de Wan 2.7 llegan como un único MP4 con cortes duros en los límites de las tomas. Añadir un fundido cruzado de 200ms en cualquier NLE suaviza el corte, ya que el modelo no inserta transiciones entre tomas (Aliyun Model Studio, 2026).
Algunos fallos no son reparables en postproducción. Vuelve a renderizar si la identidad del producto varía más del 20% entre tomas, si el movimiento de la cámara contradice el prompt, o si falta una toma por completo. El color, el ritmo y las transiciones son territorio de postproducción. La identidad y la estructura son territorio del prompt.
Para una comparación más profunda de cómo Wan 2.7 se compara con Sora 2 y VEO 3 en consistencia multitoma, consulta nuestra prueba de prompts de Wan 2.7 versus Sora 2 y el enfrentamiento de Wan 2.7 versus Kling versus VEO.
Sí, con límites. Wan 2.7 T2V acepta prompts multitoma de hasta aproximadamente 800 caracteres. Cada toma debe durar de 2 a 4 segundos dentro de un render de 10 a 15 segundos. Las secuencias más largas colapsan en un parpadeo. Consulta la guía de generación de video de Alibaba Cloud para conocer el límite de longitud de entrada.
No directamente. I2V se ancla en la imagen de entrada como el primer fotograma. La multitoma es un patrón nativo de T2V. Para multitoma con anclas de imagen, ejecuta múltiples renders I2V con first-last-frame y únelos en postproducción. El clúster first-last-frame de PixMind cubre ese flujo de trabajo.
Repite el descriptor del sujeto textualmente en cada toma. Evita los pronombres. Si describiste una "taza de cerámica negra mate" en la toma 1, reutiliza la misma frase en las tomas 2, 3 y 4. La deriva de identidad se correlaciona con la deriva del descriptor en nuestras pruebas.
10 segundos como mínimo, 12 segundos como valor predeterminado seguro. Eso le da a cada toma de 2.5 a 3 segundos, lo cual es suficiente para que la acción se lea. Forzar a 8 segundos deja cada toma por debajo de los 2 segundos, lo que se convierte en un carrete parpadeante.
El generador de video PixMind Wan 2.7 expone T2V con la ventana completa de prompts. Pega cualquier plantilla de esta guía, ajusta el sujeto y el estilo, y renderiza primero a 720P para iterar de forma económica antes de pasar a 1080P.
Relacionado en X: Rel1vs — Discute el uso de Claude o Grok para prompts multitoma de Wan 2.7.
Un estudio de caso compuesto que muestra cómo un cortometraje independiente utilizó Wan 2.7 para la previsualización cinematográfica en cuatro tipos de tomas: de establecimiento…
Leer Más
El modo impulsado por audio I2V de Wan 2.7 convierte un retrato estático más una voz en off limpia en un video de cabeza parlante sincronizado con los labios.…
Leer Más
Convierta cualquier foto de producto en un video de marketing 1080P con el modo de primer fotograma I2V de Wan 2.7. Aquí está el flujo de trabajo de 5 pasos con tres plantillas de…
Leer Más