Maîtriser Wan 3.0

Ce qu'est Wan 3.0

Wan 3.0 est le modèle de génération vidéo d'Alibaba, désormais disponible dans Text to Video, Image to Video et Video to Video sur ZenCreator, affiché dans l'interface sous le nom de Wan 3.0 Spicy, la version NSFW du modèle pour cette plateforme.

Sa grande avancée par rapport aux générations Wan précédentes et à Seedance 2.0, c'est l'échelle : Wan 3.0 génère jusqu'à 30 secondes en une seule passe, suit des prompts longs façon scénario réparti sur plusieurs plans, compose sa propre bande-son et accepte des images, des clips vidéo et de l'audio comme références en même temps. Les limites exactes dépendent de l'outil (voir ci-dessous).

Ce qui la distingue

• Des clips bien plus longs, multi-plans. Jusqu'à 30 secondes, écrits par horodatage : le modèle gère les transitions entre plans en une seule génération, du moment que vous les avez nommés.

• Audio natif optionnel. Un interrupteur Generate Audio (désactivé par défaut) permet à Wan 3.0 de composer sa propre bande-son (dialogue, bruitages et musique) dans le cadre de la génération. S'il est activé et que vous n'avez pas décrit le son, le modèle l'invente lui-même. Décrivez donc un son précis (ou le silence) explicitement si cela compte pour vous.

• Pas de prompt négatif. Il n'existe pas de champ séparé pour « ce qu'il faut éviter » : tout élément indésirable (personnes en trop, tremblement de caméra, musique de fond) doit être indiqué dans le prompt principal lui-même.

• Plusieurs références à la fois. Images, clips vidéo et audio peuvent tous être joints et référencés directement dans le prompt via une balise, pas seulement images et audio comme dans Seedance 2.0. Dans Image to Video : jusqu'à 9 images et 3 clips audio. Dans Video to Video : jusqu'à 9 images et 3 clips vidéo (plus l'audio). Text to Video n'accepte aucune référence : prompt uniquement.

• Gamme complète de résolutions. 480p, 720p ou 1080p, au choix pour chaque génération : le prix évolue directement avec la résolution et la durée.

• Génération asynchrone. Pas de barre de progression ni d'estimation de temps : la demande part dans une file d'attente et un lien vers le résultat arrive une fois prêt. Comptez généralement 15 à 55 minutes ; 30 secondes en 1080p peuvent prendre nettement plus longtemps. Téléchargez les résultats rapidement, car ils ne restent pas disponibles indéfiniment.

Les quatre entrées : qui fait quoi

Même logique que pour Seedance : chaque type d'entrée a son propre rôle :

• Le texte contrôle le spatial : apparence, ambiance, style, environnement.

• L'image contrôle l'identité : l'apparence exacte d'un personnage, d'un objet ou d'une scène.

• La vidéo contrôle le temporel : le timing, le rythme, le mouvement de caméra. Dans Video to Video, le clip que vous modifiez est lui-même la référence vidéo.

• L'audio contrôle le rythme et le son : le tempo, la façon dont le mouvement se synchronise avec le son.

Règle générale : texte et image pour l'apparence des choses, vidéo et audio pour la façon dont elles bougent et sonnent.

Syntaxe des balises de référence

Lorsque vous téléversez du matériel de référence, taguez-le directement dans le prompt pour que le modèle sache duquel il s'agit. Vérifiez le texte indicatif du champ prompt pour connaître la syntaxe exacte de cet outil :

• Images : [img1], [img2]... (numérotées selon l'ordre de téléversement)

• Vidéos : [vid1], [vid2]...

• Audio : [audio1], [audio2]...

Une référence n'est pas juste une « inspiration » : c'est un objet adressable. Indiquez précisément au prompt ce qu'il doit en tirer : un visage, une tenue, un produit, un style. Vous pouvez mentionner la même référence plusieurs fois pour contrôler exactement où elle s'applique.

Rédiger le prompt : adapter sa taille à la durée

Wan 3.0 a été entraîné sur des descriptions détaillées. Un prompt court n'est pas de la concision : c'est céder le contrôle au modèle, qui complétera lui-même l'intrigue, les répliques, la musique et le nombre de plans. Comme repère approximatif (5000 caractères est le plafond strict) :

• 5 secondes (environ 700–1200 caractères, 1–2 plans) : un paragraphe compact couvrant sujet, scène et mouvement.

• 10 secondes (environ 1200–2200 caractères, 2–3 plans) : ajoutez le détail de la caméra, l'éclairage et le son.

• 15 ou 20 secondes (environ 2200–3500 caractères, environ 4 plans) : découpez le clip en plans par horodatage (p. ex. Shot 1 [0–3s]: ...), chacun avec son cadrage, son action, sa caméra, sa lumière et son son.

• 25 ou 30 secondes (environ 3500–5000 caractères, 5–8 plans) : la même structure par plans et horodatages, simplement avec plus de plans.

Quand vous découpez un clip en plans, assurez-vous qu'ils couvrent toute la durée sans trou : si votre dernier plan se termine avant la longueur demandée, le modèle comble le reste comme bon lui semble.

Pour les générations image vers vidéo (animation d'une image téléversée), décrivez uniquement le mouvement et la caméra : l'image définit déjà l'apparence du sujet, la répéter entre en conflit avec l'image et la ressemblance peut dériver.

Modifier une vidéo terminée

Wan 3.0 peut aussi modifier un clip existant plutôt que de générer à partir de zéro : ajouter un accessoire, retirer une personne, changer la lumière ou le style, prolonger la scène ou changer une réplique. Ces modifications demandent des prompts bien plus courts qu'une génération : quoi modifier + quoi faire suffit généralement, le modèle reprenant tout le reste de la vidéo source.

Problèmes fréquents et comment les résoudre

• Le résultat paraît générique → sujet/action trop faibles dans le prompt. Placez le sujet et une action claire dès les premiers mots.

• Le personnage change entre les générations → réutilisez la même image de référence, taguez-la de façon cohérente et ajoutez « maintaining consistent [subject] ».

• Le mouvement de caméra semble aléatoire → nommez le mouvement explicitement, idéalement avec un chiffre (p. ex. « dolly forward at 2 ft/s ») plutôt qu'un adverbe comme « slowly », car Wan 3.0 suit la vitesse numérique à la lettre.

• La fin semble précipitée ou improvisée → les plans ne couvraient pas toute la durée demandée ; vérifiez que votre dernier horodatage correspond à la longueur commandée.

• Un son ou dialogue indésirable apparaît (avec Generate Audio activé) → il n'y a pas de prompt négatif, alors indiquez explicitement ce qui ne doit pas se produire (« no dialogue », « no background music », « silence ») si c'est votre objectif.

Envie d'aller plus loin ?

Cet article couvre l'essentiel. Pour le parcours complet (les sept formules de prompt, le timing plan par plan, le vocabulaire d'éclairage et d'étalonnage, ainsi qu'une bibliothèque d'exemples réels de Wan 3.0 avec leurs prompts), consultez le cours complet sur Wan 3.0 à l'intérieur de ZenCreator.