Le modèle de génération vidéo d'Alibaba, Wan3.0, est entré en bêta publique le 24 août. La durée maximale par génération est portée à 30 secondes, et le modèle accepte pour la première fois des documents bureautiques comme doc, xls, ppt, pdf et md en entrée, convertissant directement du contenu existant en vidéo. Les utilisateurs peuvent le tester sur Alibaba Cloud Bailian, Wanjing Yike, le site officiel de Wanxiang et la version bureau de Qwen Chat ; sur l'application Qwen, l'accès est déployé progressivement (gray release).
L'intérêt de ce palier de durée se voit surtout à la table de montage. Un clip de moins de dix secondes ne contient guère plus qu'un seul plan, laissant peu de place à des mouvements de caméra continus ou à un plan-séquence ; à 30 secondes, une petite scène complète trouve enfin sa place. Dans la liste des capacités publiée par Alibaba, la cohérence occupe une place de choix — personnages, accessoires, son, relations spatiales et style doivent rester stables sur l'ensemble du segment, ce qui est justement le plus difficile à tenir sur une longue durée.
Le prix décide de son entrée en production
Le tarif de l'API est calculé à la seconde : 480P, 720P et 1080P coûtent respectivement 0,3, 0,6 et 1,2 yuan par seconde. Du 24 août au 23 septembre, une remise de 30 % ramène ces trois paliers à 0,21, 0,42 et 0,84 yuan par seconde.
Ramené à une production réelle : une vidéo de 30 secondes en 1080P coûte 36 yuans au tarif standard, 25,2 yuans en période promotionnelle ; la même durée en 480P coûte 9 yuans au tarif standard et 6,3 yuans en promotion.
En poussant le calcul, grossièrement, à l'échelle de la production. Un épisode de cinq minutes de mini-série IA, entièrement en 1080P et avec chaque plan réussi du premier coup, reviendrait à environ 360 yuans de coût de génération pur. Dans la pratique, les chutes sont inévitables ; en estimant un taux de réussite d'un sur trois, le coût dépasse les 1 000 yuans. C'est un tout autre ordre de grandeur que le tournage réel, et c'est aussi très loin des solutions facturées à la minute, qui coûtaient auparavant plusieurs dizaines de dollars. Pour les commanditaires qui ont besoin de gros volumes de mini-séries, de publicités ou de contenus touristiques, le coût est passé du stade « on peut essayer » à celui « ça rentre dans le budget ».
En répartissant les 30 secondes sur le nombre de plans, on voit mieux où se situe le seuil de difficulté. Une vidéo finale de 30 secondes, au rythme habituel, compte environ quatre à six plans, et le modèle doit garder le même visage, le même accessoire, le même décor sans déformation à chaque changement de plan. Sur les modèles de dix secondes, la brièveté masquait encore les défauts ; à 30 secondes, cette couverture disparaît, et le moindre problème de cohérence saute aux yeux. Le fait qu'Alibaba ait cette fois regroupé personnages, accessoires, son, relations spatiales et style dans sa liste de capacités est, au fond, une réponse à ce problème.
Sur ce seuil des 30 secondes par génération, Wan3.0 n'est pas le premier arrivé — Seedance 2.5, de ByteDance, avait déjà porté la durée à 30 secondes auparavant. Que plusieurs acteurs chinois relèvent simultanément le même indicateur à ce niveau montre que la continuité des plans longs a supplanté la résolution comme principal terrain d'affrontement de cette manche.
Déplacer le point d'entrée du prompt vers un fichier PowerPoint
La prise en charge des entrées doc, xls, ppt, pdf et md est le détail qui mérite le plus d'attention cette fois. Auparavant, pour réaliser une vidéo de présentation produit, il fallait qu'une personne lise tout le matériel, le découpe en scènes, puis rédige un prompt — cette étape de « traduction manuelle » prenait souvent plus de temps que la génération elle-même. Faire entrer directement le document dans le modèle supprime cette étape. Le prix à payer, c'est une perte de contrôle : le modèle décide lui-même quelle page devient une image et quel passage devient une narration, ce qui complique le repérage lors des retouches ; ce flux de travail convient donc mieux à du matériel déjà très standardisé.
Les usages côté entreprise correspondent bien à cela : supports de formation, manuels produits, présentations de résultats financiers, communications internes — des contenus qui existent déjà, la plupart du temps, sous forme de PPT et de PDF. Cette approche explique aussi en partie pourquoi Wan3.0 a été intégré à la version bureau de Qwen Chat et à Bailian — le modèle vise le flux de travail bureautique, pas la création spontanée sur les réseaux sociaux.
Sur la qualité de génération, Alibaba met en avant les détails du rendu des personnes réelles : les micro-expressions ainsi que le traitement de la peau et des yeux ont fait l'objet d'un travail particulier cette fois, avec aussi des ajustements sur l'harmonisation des couleurs et la fusion des styles. Les retours du secteur se concentrent sur trois mots : stable, réaliste, qualitatif. Les utilisateurs citent comme changement concret une narration plus fluide sur les séquences longues et moins d'allers-retours pour ajuster les paramètres.
Ces descriptions restent pour l'instant de l'ordre du ressenti, les comparatifs publics n'ont pas encore suivi. La vraie réponse viendra le mois suivant la fin de la promotion : combien de vidéos commerciales auront réellement été produites avec cet outil.
Sources : communiqué d'Alibaba Cloud, Quantum Bit, IT Home, CocoLoop ; la durée de 30 secondes par génération, la prise en charge des entrées doc/xls/ppt/pdf/md, la liste des plateformes disponibles, ainsi que les tarifs standard et promotionnels à -30 % pour 480P/720P/1080P (0,3/0,6/1,2 yuan par seconde) ont été vérifiés auprès des sources citées ; l'estimation du coût de production est un calcul approximatif de cette rédaction.