Test de Wan 3.0 d’Alibaba : le modèle vidéo n°1 à l’épreuve

👁 117 lectures

Wan 3.0 d’Alibaba domine le classement vidéo d’Artificial Analysis : 1335 points Elo en text-to-video, devant Gemini Omni Flash et MiniMax H3. Il produit jusqu’à 30 secondes de vidéo en une seule passe, avec du son synchronisé, et peut générer un film directement à partir d’un document. Nous avons dépensé 7,10 dollars pour nos essais : cinq clips, incluant un dialogue en polonais, une enseigne néon, un plan-séquence de 30 secondes et un court-métrage issu d’un fichier PDF. Voici le compte-rendu complet de nos résultats, réussites comme échecs.

Les montants en EUR sont des conversions indicatives des prix publiés en USD, calculées au taux de référence de la BCE du 2026-10-12 : 1 EUR = 1.1181 USD. Il ne s’agit pas de tarifs locaux confirmés ni de montants finaux toutes taxes comprises. Le fournisseur et la banque peuvent appliquer d’autres taux ou frais. ECB.

Quatre plans issus de nos tests de Wan 3.0 : dialogue, néon, prise de 30 secondes et café versé. Rendu 720p sans retouche.

Fiche technique et caractéristiques de Wan 3.0

Le même tarif s’applique sur la plateforme fal.ai, via laquelle nous avons réalisé nos tests. Une variante nommée Wan 3.0 Prime y est également proposée : plus rapide, à 0,1252 EUR (0,14 USD) la seconde en 720p.

Classement Artificial Analysis : une courte tête d’avance

Trois points d’avance sur Gemini Omni Flash représentent pratiquement une égalité sur un classement basé sur des votes humains comparatifs. Détail notable : le quatrième modèle, HappyHorse, provient aussi d’Alibaba mais d’une entité distincte (ATH), ce qui place deux équipes du même groupe dans le top 4 mondial.

Test 1 : dialogue parlé et synchronisation audio

Le prompt décrivait un café à Varsovie par une soirée pluvieuse avec deux répliques en polonais pour tester la gestion des langues non anglophones : une femme dit « Nie wyjadę bez ciebie. Słyszysz? Nie wyjadę. » (« Je ne partirai pas sans toi. Tu m’entends ? Je ne partirai pas. »), et un homme répond « Wiem. » (« Je sais. »).

Quatre photogrammes d’un clip de 8 secondes. Les personnages, la table, la lampe et la pluie sont constants tout au long de la scène.

Nous avons soumis la piste audio au modèle de reconnaissance vocale Whisper. Résultat : « Nie wyjadę bez Ciebie, słyszysz? Nie wyjadę. » et « Wiem. » mot pour mot, avec une identification de la langue polonaise certifiée à 99 %. Les répliques interviennent dans l’ordre chronologique exact demandé : la première entre 0 et 4 secondes, la seconde à la 5e seconde. C’est une réelle avancée, d’autres outils comme Seedance échouant complètement sur ce type d’exercice.

Coût : 0,80 USD. Temps de génération : 3 minutes 38 secondes.

Test 2 : rendu de texte diacritique dans l’image

Une ruelle de vieille ville de nuit, une enseigne néon rouge affichant « ŻÓŁTA GĘŚ » (« Oie jaune ») et une affichette en vitrine indiquant « Otwarte do północy » (« Ouvert jusqu’à minuit »). Ce choix permettait de tester plusieurs caractères accentués et diacritiques complexes à la suite : Ż, Ó, Ł, Ę, Ś.

Néon avec accents corrects répété deux fois, le modèle ayant ajouté un deuxième néon dans la vitrine.

Le néon est parfaitement rendu : tous les signes diacritiques sont en place, et ce sur deux emplacements différents, le modèle ayant spontanément dupliqué l’enseigne dans la vitrine. Il a également ajouté un panneau « 100 ŻÓŁTA 121 GĘŚ », sans faute d’orthographe mais avec des numéros inventés.

Affichette en vitrine agrandie. Le premier mot est lisible, la suite est brouillée.

L’affichette montre toutefois les limites actuelles : le mot « Otwarte » est lisible, mais « do północy » est déformé. En 720p, avec des caractères de seulement quelques pixels de haut, le modèle perd sa précision. Alibaba concède d’ailleurs dans sa communication que la précision du texte incrusté « continue d’être améliorée ». Retenez cette règle pratique : les grandes enseignes fonctionnent, les petits caractères non.

Test 3 : cohérence physique et mouvements des mains

Un plan fixe rapproché : des mains versent du café depuis une carafe en verre, le filet s’amincit puis s’arrête, une main soulève la tasse tandis que l’autre y dépose un morceau de sucre.

Dix photogrammes, seconde par seconde. Le versement s’interrompt vers la 6e seconde, la tasse est soulevée, le sucre tombe à la 9e seconde.

L’écoulement du liquide, son interruption, la vapeur et les mouvements des mains paraissent naturels. La chronologie des actions respecte scrupuleusement la consigne. À l’analyse image par image, l’anatomie des doigts reste correcte. Coût : 1,00 USD, temps : 4 minutes.

Test 4 : plan-séquence de 30 secondes sans coupure

Le test le plus exigeant : un plan continu filmé caméra à l’épaule durant 30 secondes. Un jeune homme vêtu d’une veste jaune traverse un marché, longe des étals de pommes et de poissons, achète du pain, paie, hoche la tête et débouche sur une rue où passe un tramway.

Dix photogrammes espacés de 3 secondes sur un plan unique de 30 secondes : étals, achat du pain, sortie sur la rue et tramway.

Tous les événements se succèdent dans l’ordre demandé et le personnage conserve son identité sur 30 secondes : même visage, même veste et pain tenu en main. Le détecteur de changement de plan d’ffmpeg n’a réagi qu’entre la 20e et la 22e seconde ; après vérification image par image, il s’agit d’un panoramique rapide et fluide derrière le sujet, et non d’une coupure de montage. Seul écart par rapport au prompt : la rue apparaît sous un ciel couvert au lieu du soleil demandé.

Ce test a cependant connu un accroc : la première tentative a été bloquée par le filtre de contenu de fal.ai, indiquant que le rendu violait les règles de modération, alors que la scène ne comportait qu’un marché, du pain et un tramway. La seconde tentative avec le même prompt a abouti sans problème. Le filtre présente donc un comportement non déterministe avec de faux positifs, ce qui devient frustrant quand on attend un quart d’heure. La génération réussie a requis 13 minutes 35 secondes et a coûté 3,00 USD.

Test 5 : transformer un fichier PDF en vidéo

C’est l’une des fonctionnalités phares mises en avant par Alibaba : fournir un fichier ou une URL pour que le modèle le convertisse en vidéo scénarisée. Nous avons testé les deux méthodes.

Plans d’un film de 15 secondes conçu à partir du PDF Wikipédia sur le bison d’Europe. Quatre séquences, dont une d’archive en noir et blanc.

Le résultat obtenu à partir du document est le plus surprenant de notre banc d’essai. Le modèle a automatiquement assemblé quatre plans (trois coupures identifiées par ffmpeg à 2,8 s, 8,2 s et 10,2 s) : un gros plan de bison, un troupeau dans une forêt de bouleaux, un plan en noir et blanc évoquant des archives historiques et une femelle avec son petit. Il a intégré une voix off : « Meet the European bison, Europe’s largest land mammal. Once nearly extinct, they now roam these primeval forests. » Les informations correspondent fidèlement au document source. La voix s’est exprimée en anglais car notre prompt d’accompagnement était rédigé en anglais, bien que le document source fût rédigé dans une autre langue. Pour obtenir une voix off dans une langue précise, il convient donc de la spécifier explicitement dans les instructions.

Bilan : la conversion de document en vidéo est opérationnelle, mais uniquement via l’envoi direct d’un fichier. Les URL de pages web n’ont pas fonctionné lors de nos essais via fal.ai.

Combien coûte la génération vidéo avec Wan 3.0 ?

Ces montants correspondent au tarif standard de 0,0894 EUR (0,10 USD) par seconde de vidéo en 720p. Le temps d’attente s’élève en moyenne à environ 25 secondes de calcul par seconde de vidéo finale. C’est trop long pour une utilisation interactive en direct, mais parfaitement acceptable pour concevoir des spots publicitaires ou des publications pour les réseaux sociaux.

À qui s’adresse le modèle Wan 3.0 ?

• Aux créateurs de contenus multilingues : la restitution de répliques synchronisées et de lettrages avec accents complexes surpasse la plupart des alternatives actuelles.
• Aux entreprises exploitant de la documentation : transformer un diaporama ou un rapport PDF en courte capsule vidéo représente un gain de temps considérable.
• À éviter si vous êtes pressé : comptez de 3 à 14 minutes d’attente par clip et gardez à l’esprit le risque de faux positif du filtre de sécurité.
• À proscrire pour le texte fin : les étiquettes de produits, prix ou petits panneaux restent illisibles.

Pour approfondir la question des coûts de production : découvrez combien coûte une seconde de vidéo générée par IA. Pour surveiller les sorties concurrentes : consultez notre comparatif des modèles d’IA récents.

À lire aussi : Guide de l’IA locale : modèles de texte, d’image et de vidéo sur son ordinateur · test pratique de 7 modèles locaux

À lire aussi : Wan AI : toutes les versions, tarifs et nos tests vidéo · comparatif Wan 3.0 contre Wan 2.2 sur les mêmes prompts

Questions fréquentes sur Wan 3.0

Wan 3.0 prend-il en charge d’autres langues que l’anglais ?

Oui. Lors de nos essais, les personnages ont prononcé fidèlement des répliques dans une langue complexe, et le système Whisper a retranscrit les paroles mot pour mot avec 99 % de certitude.

Quel est le prix d’utilisation de Wan 3.0 ?

Le tarif officiel est de 0,0447 EUR (0,05 USD) par seconde en 480p, 0,0894 EUR (0,10 USD) en 720p et 0,1789 EUR (0,20 USD) en 1080p. Une séquence de 30 secondes en 1080p revient à 6 USD.

Wan 3.0 est-il un modèle open source ?

Non. Contrairement à certaines versions antérieures de la gamme Wan, ses poids ne sont pas téléchargeables librement. Il s’utilise uniquement via API, notamment sur Alibaba Cloud Model Studio et fal.ai.

Quelle est la durée maximale d’un clip avec Wan 3.0 ?

Jusqu’à 30 secondes en une seule passe. Notre clip de 30 secondes a formé un plan continu cohérent sans coupure, pour une durée de calcul de 13 minutes et demie.

Peut-on générer une vidéo à partir d’un PDF avec Wan 3.0 ?

Oui. Le modèle a créé une vidéo de 15 secondes avec voix off et découpage en plusieurs plans à partir d’un document PDF. En revanche, le chargement direct depuis de simples adresses web n’a pas abouti lors de nos tests.

// lire la suiteGPT-4.1 : la cohérence des agents IA mise à l’épreuveBenchmarksAnthropic accuse Alibaba, Moonshot AI et DeepSeek de vol massif de données d’entraînementActualitésGLM 5.3 : le coût réel de ce modèle bon marchéBenchmarks