Qu'est-ce que les modèles vidéo Wan et comment les utiliser ?

Réponse courte : Wan est la famille de modèles de génération vidéo d'Alibaba. Elle produit de courts clips à partir d'une scène que vous décrivez (texte vers vidéo) ou d'une photo que vous importez (image vers vidéo). Les premières versions ont été publiées à poids ouverts ; vous pouvez donc télécharger les modèles et les faire tourner sur votre propre ordinateur. Les versions plus récentes sont proposées par API via Alibaba Cloud Model Studio. Dans cet article, nous présentons ce que représente chaque version, les limites indiquées dans la documentation officielle et la façon d'écrire un prompt.

Qu'est-ce que Wan et qui l'a développé ?

Wan est une famille de modèles de génération vidéo publiée par Alibaba. Les dépôts officiels se trouvent sur GitHub, dans le compte Wan-Video ; la documentation des versions cloud, elle, se trouve sur Alibaba Cloud Model Studio. Il existe donc deux accès distincts, qui n'offrent pas la même chose : les dépôts ouverts fournissent des poids que vous exécutez sur votre matériel, tandis que Model Studio documente les versions que vous appelez comme un service.

Cette distinction compte, car lorsque vous voyez un nom comme « Wan 2.6 » dans un article ou une vidéo, vous devez savoir s'il s'agit d'un modèle téléchargeable ou d'un modèle accessible par API. Les sections suivantes reprennent uniquement ce qui est écrit dans les dépôts et la documentation officiels.

Quelles sont les versions Wan à poids ouverts ?

Selon les dépôts officiels, deux familles de versions ont été publiées à poids ouverts, toutes deux sous licence Apache 2.0.

Version	Publication (section actualités du dépôt)	Modèles principaux	Information officielle sur la résolution
Wan2.1	25 février 2025	T2V-14B, T2V-1.3B, I2V-14B, FLF2V-14B, VACE	480P et 720P (480P recommandé pour T2V-1.3B)
Wan2.2	28 juillet 2025	T2V-A14B, I2V-A14B, TI2V-5B ; S2V-14B et Animate-14B ajoutés ensuite	480P et 720P (720P pour TI2V-5B)

Le dépôt de Wan2.1 couvre la génération à partir de texte, la génération à partir d'image, la génération à partir de première et dernière image et la retouche vidéo avec VACE. Il indique pour le plus petit modèle de texte vers vidéo, T2V-1.3B, une mémoire vidéo d'environ 8,19 Go, et une génération d'un clip de 5 secondes en 480P en environ 4 minutes sur une RTX 4090. Il existe donc un modèle que l'on peut essayer même sur une carte graphique grand public.

Le dépôt de Wan2.2 décrit l'architecture à « mélange d'experts » (MoE) : les modèles A14B totalisent 27 milliards de paramètres, mais environ 14 milliards seulement sont actifs à chaque étape. Un expert établit la composition générale aux premières étapes, un autre traite les détails aux étapes finales. Le modèle TI2V-5B, qui accepte à la fois texte et image, est présenté en 720P à 24 images par seconde ; le dépôt indique qu'une seule carte graphique doit disposer d'au moins 24 Go de mémoire vidéo. Pour les modèles A14B, ce seuil est de 80 Go.

Le dépôt a ensuite ajouté des modèles pour le son et l'animation de personnages : en août 2025, la vidéo pilotée par le son (S2V-14B) et, en septembre 2025, l'animation et le remplacement de personnages (Animate-14B). La section actualités du dépôt ne mentionne pas Wan2.5 ni les versions suivantes.

Que proposent les versions cloud ?

La documentation d'Alibaba Cloud Model Studio liste les versions plus récentes comme des modèles API. Voici la liste de la documentation texte vers vidéo :

Nom du modèle	Durée	Options de résolution	Son
wan2.1-t2v-turbo / plus	5 secondes fixes	480p-720p / 720p uniquement	Muet
wan2.2-t2v-plus	5 secondes fixes	480p et 1080p	Muet
wan2.5-t2v-preview	5 ou 10 secondes	480p, 720p, 1080p	Généré par défaut
wan2.6-t2v	De 2 à 15 secondes	720p et 1080p	Généré par défaut
wan2.7-t2v	De 2 à 15 secondes	720p et 1080p	Entrée audio facultative ; sans elle, le modèle génère de la musique ou des effets

Selon la documentation, à partir de la version 2.5, vous pouvez fournir votre propre fichier audio (WAV ou MP3) ; si le son est plus long que la vidéo, il est coupé, et s'il est plus court, la fin reste muette. Seules les versions 2.6 et 2.7 permettent de décrire des plans dans le prompt pour une vidéo multi-plans. La sortie est au format MP4 (H.264). Attention : la documentation de Model Studio indique que les liens des vidéos produites et les identifiants de tâche sont valables 24 heures ; téléchargez donc le résultat immédiatement.

Comment fonctionnent la génération à partir de texte et à partir d'image ?

Texte vers vidéo : vous rédigez uniquement le prompt ; le modèle construit le sujet, la scène et le mouvement tels que vous les décrivez. Selon la documentation, à partir de la version 2.5, le prompt peut comporter jusqu'à 1 500 caractères (800 pour les versions 2.1 et 2.2), et le prompt négatif jusqu'à 500 caractères ; au-delà, le texte est coupé.

Image vers vidéo : vous importez une photo, et le modèle l'utilise comme première image de la vidéo, puis l'anime. La documentation accepte pour l'image d'entrée les formats JPEG, PNG (sans transparence), BMP et WEBP, des dimensions de côté comprises entre 240 et 8 000 pixels, et une taille de fichier maximale de 20 Mo pour les versions 2.5 et 2.6. La sortie conserve approximativement le format de l'image d'entrée ; pas exactement, car les dimensions doivent être des multiples de 16.

La documentation présente la version 2.7 avec des modes supplémentaires, comme la première et la dernière image ou la suite d'une vidéo ; la génération à partir d'une photo ne se limite donc pas à la première image. Vérifiez dans votre propre interface quels modes sont activés dans l'outil que vous utilisez.

Comment écrire un bon prompt pour Wan ?

Le guide de prompt d'Alibaba propose une formule simple : sujet + scène + mouvement. La version plus avancée y ajoute le contrôle esthétique (lumière, prise de vue) et le style. Selon ce guide, les prompts faibles omettent le plus souvent le contrôle esthétique et le style ; le résultat est alors une caméra immobile dans un décor flou.

Faible : A woman walks in a city.

Meilleur : A young woman in a yellow raincoat walks along a wet cobblestone street at dusk, medium shot, camera slowly pushes in, warm streetlamp light reflecting on the stones, soft film look.

Autres points mis en avant par le guide :

• Langage de la caméra : la taille du plan (gros plan, plan moyen, plan large), l'angle (à hauteur des yeux, contre-plongée, vue plongeante) et le mouvement (rapprochement, éloignement, orbite, caméra fixe) peuvent être décrits séparément. Pour un mouvement en orbite, le guide conseille de garder l'arc en dessous de 45 degrés.
• Lumière : la lumière du jour, une lumière douce ou dure, une lumière latérale ou de contre-jour, des tons chauds ou froids orientent nettement le résultat.
• Mouvement : indiquez l'amplitude et la vitesse (« lentement », « rapidement »). Gardez des actions simples et courtes ; les chorégraphies longues donnent de mauvais résultats. Un clip doit être un seul plan continu ; les changements de scène se font d'un clip à l'autre.
• Image vers vidéo : l'image définit déjà le sujet, la scène et le style ; dans le prompt, indiquez seulement ce qui doit bouger et ce que fait la caméra.
• Multi-plans : pour les versions 2.6 et 2.7, le guide propose une description générale suivie de plans numérotés avec des plages horaires, par exemple « Shot 1 [0-3 s] ».
• Son : à partir de la version 2.5, vous pouvez ajouter la parole, un effet ou de la musique à côté du prompt visuel.

Image vers vidéo : The girl slowly turns her head toward the window and smiles; curtains sway in a gentle breeze; the camera stays fixed.

Alibaba propose aussi le réglage prompt_extend : activé par défaut, il fait enrichir un prompt court par un modèle de langage. La documentation indique que cela améliore la qualité mais ajoute de la latence. Les dépôts ouverts recommandent la même idée : l'extension du prompt est conseillée pour enrichir les détails de la vidéo.

Seed et reproductibilité

Dans Model Studio, la seed est un entier compris entre 0 et 2 147 483 647 ; si vous n'en donnez pas, une valeur est tirée au hasard. Une seed fixe rend le résultat plus reproductible, mais la documentation précise que la génération reste probabiliste : même avec la même seed, le résultat peut différer. La seed est donc une indication de direction, non un bouton d'enregistrement.

Quelles sont les limites officielles connues ?

• Texte et synchronisation labiale : le guide de prompt d'Alibaba indique qu'il ne faut pas attendre un texte entièrement lisible à l'écran, ni une synchronisation labiale fiable sur des mots précis.
• Noms de personnes réelles : le guide recommande de ne pas écrire le nom de personnes réelles ; les plateformes peuvent les refuser ou produire des résultats incohérents.
• Mouvement circulaire : en génération à partir d'image, la documentation signale que le modèle wan2.6-i2v-flash peut se bloquer brièvement lorsqu'un objet rond tourne en continu.
• Matériel : si vous faites tourner les modèles ouverts vous-même, les modèles A14B demandent au minimum 80 Go de mémoire vidéo sur une seule carte ; pour la plupart des personnes, la version cloud ou un petit modèle est donc plus réaliste.
• Fréquence d'images : la documentation API n'indique pas la fréquence d'images des versions cloud ; vous ne pouvez la connaître qu'en regardant la sortie de votre outil.

Vous avez aussi une responsabilité : avant d'animer la photo de quelqu'un, demandez son autorisation et indiquez que la vidéo a été produite par l'IA. La licence Apache 2.0 ne revendique aucun droit sur le contenu produit, mais le dépôt souligne que la responsabilité de l'usage incombe à l'utilisateur.

Pour qui, et quand choisir Wan ?

• Vous voulez essayer sur votre ordinateur : Wan2.1 T2V-1.3B ou Wan2.2 TI2V-5B sont les options les plus proches des cartes graphiques grand public.
• Vous voulez des clips plus longs et avec son : les versions 2.5, 2.6 et 2.7 de Model Studio, avec une durée allant jusqu'à 15 secondes et la prise en charge du son.
• Vous voulez animer une photo fixe : les modes image vers vidéo ; un prompt court et centré sur le mouvement suffit.

Erreurs fréquentes

• Confondre version ouverte et version cloud : les dépôts s'arrêtent à 2.2 ; les versions 2.5, 2.6 et 2.7 apparaissent dans la documentation comme des modèles API.
• Demander plusieurs scènes dans un seul prompt : un clip doit être un plan continu ; racontez l'histoire clip par clip ou utilisez l'écriture multi-plans.
• Ne pas décrire la caméra : si vous ne la précisez pas, le résultat est souvent une caméra fixe.
• Redécrire l'image en image vers vidéo : ne comptez pas ce qui figure déjà sur la photo ; décrivez le mouvement.
• Écrire une chorégraphie complexe : les actions simples et courtes donnent des résultats plus nets.
• Oublier de télécharger le résultat : les liens cloud sont valables 24 heures.

En résumé

• Wan est la famille de modèles vidéo d'Alibaba ; Wan2.1 et Wan2.2 sont à poids ouverts (Apache 2.0), et 2.5 à 2.7 sont proposés par API sur Model Studio.
• Selon la documentation, les versions cloud 2.6 et 2.7 produisent des clips de 2 à 15 secondes en 720p et 1080p ; le son est pris en charge depuis la version 2.5.
• Un bon prompt combine sujet, scène, mouvement, lumière et caméra ; pour l'image vers vidéo, décrivez seulement le mouvement et la caméra.
• La seed rend le résultat plus reproductible sans le garantir.
• Le texte à l'écran, la synchronisation labiale et les noms de personnes réelles sont des points faibles connus.
• Téléchargez vos résultats rapidement, demandez l'autorisation pour une photo de quelqu'un et indiquez que la vidéo est produite par l'IA.