Ce prompt fait quelque chose que les cinq autres ne font pas : il commence par un pronom. Pas « a young man with a camera » — juste « he ». Ce n’est possible que parce qu’une première image est jointe, et c’est la démonstration la plus nette de la bibliothèque de ce que l’image vers vidéo change réellement à la manière d’écrire.
L’économie est plus grande qu’il n’y paraît. Une version texte vers vidéo de ce plan demanderait un paragraphe avant que quoi que ce soit ne puisse se produire : l’âge, la carrure, les vêtements, l’appareil qu’il tient, la place, l’heure, la lumière. Tout cela existe déjà dans l’image de référence, avec plus de détail et sans risque de se contredire. Le supprimer ne fait pas que raccourcir le prompt — cela retire chaque endroit où les mots et l’image pourraient entrer en conflit, et c’est dans le conflit que les lancements image vers vidéo deviennent mous.
La deuxième technique est le double. Le prompt a besoin de deux instances d’un même visage, ce qui est normalement la chose la plus difficile à demander à un modèle génératif, et il y arrive en ne décrivant jamais la seconde : « someone standing there who appears to be himself ». La silhouette est définie par sa relation à un visage que le modèle voit déjà. Il n’y a rien à moyenner, parce qu’il n’y a qu’une description en jeu. Comparez avec ce qui se passe si vous détaillez l’apparence du double — il y a désormais deux descriptions de ce qui est censé être une personne, et le modèle les traite comme deux personnes qui se ressemblent.
Le rythme mérite d’être volé tel quel. Quatre verbes passent à vitesse calme — il baisse, il regarde, il lève, il se tourne lentement — puis un adverbe change de registre : « suddenly noticing ». Un clip de cinq secondes a la place d’exactement un temps fort, et voilà comment le dépenser. Les verbes calmes ne sont pas du remplissage ; ce sont eux qui rendent le soudain lisible comme soudain. Retirez-les et la prise de conscience n’a plus rien dont elle serait le changement.
Puis il y a la ligne contre laquelle ce modèle existe pour argumenter. « The camera alternates between his viewpoint and a slow push toward his stunned face » demande deux découpes distinctes en cinq secondes. Chacune a besoin d’un moment pour s’établir avant de signifier quoi que ce soit, et il n’y a pas deux moments disponibles. Le conseil honnête est de choisir, et de choisir l’avancée — la vue subjective montre une tour, l’avancée montre une réaction, et la réaction est l’histoire. Ne gardez l’alternance que si vous montez la durée.
Celui-ci a tourné sur Prime, et il vaut la peine de redire ce que cela a acheté et n’a pas acheté. Prime est le modèle haute vitesse. Alibaba publie la même spécification de sortie pour les deux paliers — mêmes résolutions, même plage de deux à trente secondes, trente images par seconde — et fixe Prime à environ moitié plus cher à la seconde. Il est revenu plus vite. Il n’a pas rendu une meilleure image, et rien dans ce prompt ne l’exigeait.
Ce qui manque, c’est le son, et ici c’est une perte plus lourde que sur les autres modèles. Le temps fort est une prise de conscience, et la grammaire de cinéma habituelle pour une prise de conscience, c’est que le monde se tait. Wan 3.0 génère l’audio dans la même passe que l’image, donc une phrase comme « square ambience that drops away as he turns, no music » aurait programmé le temps de l’image autant que celui du son. Ne pas l’écrire, c’est laisser le modèle choisir, et une place animée qui reste animée est la version où l’on a l’impression qu’il ne se passe rien.
Vidéo