Parmi les modèles de génération visuelle qui viennent de Chine, ce nom ne se contourne pas. Tongyi Wanxiang est un modèle de génération visuelle développé en interne par le laboratoire Tongyi, présenté sur son propre site comme un modèle de référence pour la vidéo et l'image générées par IA. La version mise en avant en page d'accueil est la troisième génération de Wan, un montage tout-en-un qui replie texte vers vidéo, image vers vidéo, références multimodales et montage vidéo dans un seul modèle.

Trente secondes en une passe, avec le son

La documentation officielle indique que la troisième série est un modèle vidéo tout-en-un, amélioré sur la vidéo à son natif, les références multimodales et le montage : une génération unique de trente secondes au maximum, une sortie à trente images par seconde, et des dialogues, une musique de fond et des effets produits d'origine. Mis bout à bout, ces chiffres font tomber l'essentiel de l'ancienne routine — produire des images muettes, chercher des voix, caler les pistes.

Le texte vers vidéo ne demande qu'un prompt, sans matériel à téléverser. La documentation annonce la prise en charge native de récits multi-plans jusqu'à trente secondes, avec dialogues, musique et effets synchrones générés par le modèle. Les formats plan unique et multi-plans sont tous deux disponibles, chaque plan durant de quatre à six secondes et portant un horodatage. La résolution se choisit en trois paliers jusqu'à la pleine haute définition, la durée va de deux à trente secondes, et il existe une durée automatique où le modèle décide lui-même de la longueur.

Références : images, vidéo, audio, et documents aussi

C'est la partie de la troisième génération qui mérite sa propre section. Une requête accepte jusqu'à vingt références multimodales, à travers images, vidéo, audio, documents et pages web. Les limites précises : dix images de vingt mégaoctets chacune, cinq clips totalisant quinze secondes au plus, cinq pistes audio totalisant quinze secondes au plus, et les trois catégories se combinent librement — images avec vidéo, images avec audio, ou les trois ensemble.

Les documents et les pages web sont le tour le plus rare. En réglant le type de référence sur fichier ou sur lien — l'un ou l'autre, un élément de chaque —, le système analyse le contenu d'un document ou d'une page et en tire la vidéo. Un manuel produit, un document de projet ou un tableau de données peut devenir la structure et la direction visuelle d'un clip.

Première et dernière image, et le montage ensuite

Côté image vers vidéo, le mode à image d'ouverture existe comme celui à ouverture et fermeture : deux images fixes épinglent le début et la fin au pixel près par rapport à la référence, et le mouvement entre les deux revient au modèle. Dans le mode à deux images, il fabrique lui-même la transition, ce qui est bien plus proche du plan qu'on a en tête qu'une phrase de description.

La documentation couvre aussi le montage et la prolongation. Pour le montage, on règle le type de matériel sur une vidéo de référence et on laisse le prompt porter l'intention — supprimer, remplacer, transformer —, et les éléments s'ajoutent, s'effacent ou changent, les styles se transfèrent, la lumière s'ajuste et les dialogues se réécrivent. La prolongation travaille en avant, en arrière ou dans les deux sens. Autrement dit, ce qui déplaît se corrige dans le même modèle, et la séquence peut continuer.

Le côté image n'est pas un accessoire

La vidéo est la scène principale, mais l'image n'est pas faible. Le site décrit le système comme un modèle de vidéo et d'image, et le côté image couvre texte vers image et image vers image, avec mélange de plusieurs images et recombinaison créative, constance d'un sujet à un niveau professionnel d'une sortie à l'autre, transfert d'éléments esthétiques et contrôle précis de l'objectif et de la lumière. Les mises en page mêlant images et texte sont également possibles, plusieurs images et le texte naissant ensemble, ce qui convient aux albums illustrés et aux infographies où l'agencement doit tenir. Le portrait réaliste est une direction assumée, avec la promesse d'équilibrer composition et lumière pour atténuer l'effet d'image générée.

La famille et l'accès

La page de publication indique que la famille Wan couvre désormais plus de dix capacités de création visuelle — texte vers image, texte vers vidéo, image vers vidéo, vidéo à partir d'une voix et génération de mouvement entre autres — et a produit à ce jour trois cent quatre-vingt-dix millions d'images et soixante-dix millions de vidéos. Plus de vingt modèles ont été publiés ouvertement à la suite, avec plus de trente millions de téléchargements dans les communautés open source et sur des plateformes tierces. Au quotidien, le modèle s'essaie sur le site officiel ou s'appelle via un service de modèles en nuage pour une production par lots.

Les limites, nommées

Quelques limites de la documentation valent d'être connues d'avance. Les liens vers un document ou une page ne fonctionnent que pour des pages publiques sans connexion ; ce qui se trouve derrière une authentification n'entre pas. Les plafonds de référence s'appliquent comme indiqué. Et le mode à deux images ne se mélange pas avec d'autres types de référence — fournir une ouverture et une fermeture exclut une référence audio dans la même requête. Ce ne sont pas des pièges, mais des contraintes à intégrer avant de choisir.

En résumé : ce que la troisième génération comble, c'est l'écart entre un script et un montage final qui exigeait plusieurs outils. Trente secondes, avec le son, multi-plans, référençable, modifiable — le tout dans un seul modèle. Qui travaille sur de la série courte, de la publicité ou de la vidéo commerciale devrait l'inscrire sur sa liste d'essais. Qui veut seulement une image de temps en temps se contentera de l'entrée côté image.