Cinq secondes ne suffisent pas à une histoire, et ce prompt en obtient une quand même. Comprendre comment vaut plus que le prompt lui-même.
L’astuce est dans l’endroit où le renversement est placé. Une défaite aux échecs est, dans la réalité, un événement d’échiquier : un coup est joué, une position s’effondre, quelqu’un réalise. Rien de cela n’est visible à une distance de caméra qui montre aussi une place de ville, et tout cela prend plus de cinq secondes. Le prompt déplace donc le retournement sur un visage — « his confident smile slowly disappears » — et un visage est lisible en une seule seconde à presque n’importe quelle échelle. L’échiquier n’a jamais besoin d’être lisible. La foule n’a jamais besoin de réagir. Une expression porte tout le contenu dramatique du clip.
C’est une technique générale, pas une technique d’échecs. Quand une scène est trop longue pour la durée dont vous disposez, cherchez le temps qui peut s’exprimer comme un changement sur le visage de quelqu’un, et n’écrivez que celui-là. Le reste devient de l’exposition, et l’exposition se comprime librement.
La phrase de caméra est l’autre chose à copier. « The camera starts with close-ups of the chess pieces, then gently circles around both players as the crowd gathers closer » est une suite, et la suite est la seule grammaire d’ordonnancement dont dispose Wan 3.0. Il n’y a pas de syntaxe de code temporel, pas de numérotation de plans, aucun moyen de dire qu’un coup se produit à 2,4 secondes. Ce qu’il y a : starts with, then, after that, finally. Ces mots sont porteurs, et le dernier l’est le plus — un long clip Wan 3.0 qui ne dit jamais comment il finit inventera une fin, et la fin inventée est en général une dérive lente.
Maintenant la partie qui parle vraiment du modèle plutôt que du prompt. Cet exemple a tourné sur `wan3.0-video-prime`, et la tentation sur une page comme celle-ci est de présenter les exemples Prime comme les bons. Ils ne le sont pas. Alibaba documente Prime comme la version haute vitesse, et la spécification de sortie publiée est identique à celle du modèle standard : les mêmes trois résolutions, la même plage de deux à trente secondes, les mêmes trente images par seconde. Il coûte environ moitié plus cher à la seconde et revient plus tôt. C’est toute la différence.
Ce qui veut dire que la lecture honnête de cette page est : l’astronaute a tourné sur le palier standard, celui-ci sur Prime, et si vous les mettez côte à côte, vous regardez deux prompts différents, pas deux niveaux de qualité. Si un clip revient moins bien que voulu, le palier n’est pas la molette. La durée l’est, et après elle, le prompt.
Une chose que le prompt omet et qui mérite d’être ajoutée à la relance : une phrase de son. Une place animée fabrique un lit plausible toute seule, mais « no music, just square ambience and the pieces on the board » aurait nommé les deux sons qui comptent et supprimé une musique que personne n’a demandée. Chez Wan 3.0, la couche audio n’est pas de la décoration — elle est générée dans la même passe que l’image, donc nommer un son programme aussi le moment où il se produit.
Vidéo