Douze secondes est une longueur inconfortable, et ce prompt est la démonstration la plus nette de la page sur la façon d’écrire pour elle.
En dessous de huit secondes environ, un prompt Wan 3.0 devrait décrire une action. Il n’y a pas de place pour séquencer, les connecteurs n’achètent rien, et les meilleurs résultats viennent d’un seul verbe clair avec un seul mouvement de caméra attaché. Au-dessus de quinze environ, c’est l’inverse : le modèle a plus de temps que le prompt n’a de consignes, et si vous n’avez pas dit ce qui se passe dans le dernier tiers, il inventera quelque chose — en pratique une lente dérive vers l’extérieur et un fondu. Douze se situe entre les deux, ce qui veut dire que le prompt doit séquencer sans avoir la place d’une histoire.
La solution ici est de choisir une forme et de la décrire arrivant, se dispersant et se reconstituant. Trois temps, aucune intrigue. Les danseuses se rassemblent autour d’un centre, elles s’ouvrent vers l’extérieur, elles se referment. Il ne se passe rien au sens où il se passe une histoire, et pourtant le clip a un début, un milieu et une fin, parce que le prompt nomme les trois.
L’indication de caméra est celle que l’on est le plus tenté de contester, elle mérite donc d’être défendue. C’est un plan large verrouillé, et il le dit. L’instinct sur une pièce pareille est d’écrire une lente avancée, parce qu’une avancée est ce que fait une caméra quand un cinéaste veut vous faire ressentir quelque chose — mais une avancée sur cinq corps en mouvement oblige le modèle à décider lequel reste dans l’image, et chaque seconde passée sur cette décision est une seconde qu’il ne passe pas sur le tissu. Nommer le cadre comme fixe supprime la question. Cela supprime aussi la dérive qu’un clip Wan 3.0 se fournit tout seul quand la couche caméra est laissée vide, et c’est le vrai risque : une caméra non écrite n’est pas une caméra fixe, c’est une caméra que le modèle choisit à votre place.
La clause d’éclairage est la partie à voler. « One hard backlight and no fill » fait deux consignes, dont l’une est une soustraction. Les modèles vidéo génératifs tendent par défaut vers des images flatteuses, lisibles et uniformément éclairées, parce que c’est à cela que ressemble la plupart des images dont ils ont appris. Chaque image très contrastée que vous voulez doit être demandée en retirant quelque chose, et le retrait doit être explicite. « Backlit » tout seul produit un contre-jour plus assez de déboucheur pour voir les visages. « No fill » est ce qui produit ceci.
La phrase de son finale est l’autre soustraction, et chez Wan 3.0 elle n’est pas facultative comme elle le serait sur un modèle muet. L’audio est généré dans la même passe que l’image. Il n’y a ni indicateur de sourdine ni prompt audio séparé — le silence est une chose que vous décrivez. Ce prompt le décrit précisément : trois sons nommés et une exclusion nommée. Nommer les sons est aussi une indication de rythme, parce qu’un pas doit tomber à un moment, et c’est une deuxième façon, plus faible, d’épingler la chorégraphie.
Une chose sur laquelle il faut être honnête : ce clip a été publié sans son prompt, et le texte ci-dessus a été écrit en regardant les images. C’est donc une reconstruction, et le lancer vous donnera un plan de ce genre plutôt que ce plan. Ce qui survit à la reconstruction, c’est la structure — trois temps ordonnés, une clause d’éclairage bâtie sur une soustraction, et une phrase de son qui dit ce qu’il ne faut pas ajouter. Cela se transfère à n’importe quel sujet. Ces danseuses-là, non.
Vidéo