C’est le clip le plus long de la bibliothèque et celui qui démontre le mieux le mode d’échec des requêtes Wan 3.0 longues : le temps non écrit.
La durée chez Wan 3.0 est un nombre que vous réglez, de deux à trente secondes entières, et le modèle remplit exactement cette quantité. Il ne s’arrête pas plus tôt parce que le prompt est épuisé. Un prompt qui décrit trois temps dans une requête de quinze secondes a donc environ un tiers de clip auquel rien n’est assigné, et le modèle fait quelque chose de ce tiers. En pratique, c’est presque toujours la même chose : la caméra recule doucement, le mouvement ralentit, et le plan se fond. C’est une fin plausible, elle est faite avec compétence, et ce n’est pas celle que vous avez demandée parce que vous n’en avez pas demandé.
La correction est le quatrième temps. « Finally it rears up onto its hind legs, the core in its chest burns to full brightness, it roars once straight down the lens, and the shot holds there. » Cette phrase fait trois choses d’un coup. Elle assigne une action au dernier tiers, elle précise une composition à atteindre, et la clause « the shot holds there » dit au modèle qu’arriver est l’état final plutôt qu’un point de passage. Des trois, la dernière est celle que l’on omet et celle qui compte le plus.
Le milieu du prompt mérite d’être lu pour une autre raison. La transformation est décrite entièrement en termes mécaniques — les panneaux se fendent le long des jointures, les roues pivotent en pattes, le toit s’ouvre en dos, une mâchoire se déplie du capot — et n’emploie jamais le mot qui nomme l’événement entier. C’est délibéré. Un modèle génératif à qui l’on donne le verbe « transforms » doit inventer la mécanique, et inventer une mécanique à grande vitesse est ce qui produit ces images intermédiaires fondantes et topologiquement confuses qui font paraître ces clips bon marché. Avec la mécanique fournie, il n’a plus qu’à la représenter.
Il vaut aussi la peine de remarquer ce que la mécanique ne dit pas. Nulle part le prompt ne nomme l’animal. Il donne quatre pattes, un dos plaqué, une longue mâchoire et une fin cabrée, et laisse la forme découler des pièces — ce qui est à la fois plus fiable que de demander une espèce et plus transférable, parce que les mêmes quatre clauses construiront tout autre chose à partir d’une camionnette ou d’un hélicoptère. Nommer les pièces est une règle à large rayon : elle fonctionne ici comme elle fonctionne sur un visage, une machine ou un bâtiment.
L’autre chose qui tient le plan, c’est l’asphalte mouillé, et il vaut la peine de dire pourquoi une surface a été spécifiée. Les scènes sombres sont difficiles pour les modèles vidéo d’une façon précise : sans rien à réfléchir, le modèle n’a aucun moyen économique de vous montrer où sont les lumières, et il compense en montant le niveau d’ambiance jusqu’à ce que la scène soit grise plutôt que sombre. Un sol réfléchissant donne à chaque lumière une seconde copie pointée dans l’autre sens. L’image reste noire et se lit quand même comme éclairée. Les rues luisantes de pluie et les parkings mouillés sont partout dans ce genre exactement pour cette raison, et c’est une technique plutôt qu’un cliché.
L’indication de caméra est liée à un événement plutôt qu’à une horloge : elle s’élève « as the machine stands ». Wan 3.0 n’a aucun moyen d’accepter « à 6,5 secondes, commence une élévation ». Ce qu’il comprend, c’est un mouvement attaché à une action, et comme l’action est déjà ordonnée par les connecteurs, attacher la caméra à elle hérite de cet ordre. C’est la technique générale pour programmer le travail de caméra dans un modèle sans grammaire de code temporel, et elle se dégrade proprement — si le modèle comprime la séquence, la caméra se comprime avec elle au lieu de se désynchroniser.
Enfin, la phrase de son fait un double travail. Le métal sur métal appartient au pliage, la détente hydraulique à la mise debout, l’impact sourd au pas. Trois sons projetés sur trois temps constituent un énoncé second et indépendant de la conduite, et comme Wan 3.0 écrit l’image et l’audio en une passe, c’est un énoncé que le modèle lit pendant qu’il décide quand les choses arrivent. Bien écrire la couche de son est l’une des façons les moins chères de resserrer le rythme d’un long clip, et presque personne ne le fait. Comme partout dans ce groupe, le clip est arrivé sans prompt et celui-ci a été relu à partir des images : ce qui se transfère, c’est la structure plutôt que cette voiture en particulier.
Vidéo