MAGI-2 : 8 exemples officiels et prompts avec timeline
Vidéos de démonstration de Sand.ai et prompts officiels de MAGI-2 : anime, pâte à modeler et timeline JSON. Analyse détaillée et modèles réutilisables.
👁 120 lectures
Ce dont MAGI-2 Preview est réellement capable ne se mesure aujourd’hui qu’à travers deux sources : trois vidéos de démonstration publiées par Sand.ai et les invites officielles de son dépôt GitHub. Voici une analyse de 8 exemples : 3 clips du concepteur, 3 prompts issus du code source et 2 modèles structurés pour vos propres essais. Pour la configuration requise et le classement, consultez notre guide sur MAGI-2 Preview.
L’essentiel en bref (au 11 octobre 2026)
- Clips de l’éditeur : 3 vidéos hébergées sur sand.ai, sans les prompts d’origine. Les fichiers sont en 4K et durent 5 à 6 secondes ; il s’agit donc d’extraits montés et non des sorties brutes de 10 secondes du modèle.
- Prompts officiels : 3 exemples dans le dépôt (anime, pâte à modeler, café avec timeline en JSON). Aucun rendu vidéo officiel correspondant n’a été publié par l’éditeur.
- Génération locale : MAGI-2 ne propose pas d’API publique tarifée à l’usage, et son exécution locale exige 8 cartes GPU de 80 Go chacune.
- Le point fort : les prompts structurés avec une timeline précise, où chaque seconde planifie action, son et ligne de dialogue.
| N° | Exemple | Source | Vidéo disponible ? |
|---|---|---|---|
| 1 | Jeu d’acteur et chant | sand.ai, démo éditeur | Oui, sans le prompt |
| 2 | Synchronisation image et son | sand.ai, démo éditeur | Oui, sans le prompt |
| 3 | Mouvements de caméra | sand.ai, démo éditeur | Oui, sans le prompt |
| 4 | Anime : de la forêt à l’océan | Dépôt, sample_000.txt | Non |
| 5 | Pâte à modeler : quête de la balle | Dépôt, sample_001.txt | Non |
| 6 | Café avec timeline (JSON) | Dépôt, sample_enhanced_t2v.json | Non |
| 7 | Prompt court du README | README officiel | Non |
| 8 | Modèle personnel avec timeline | Structure basée sur les exemples | Non |
Les vidéos de démonstration de Sand.ai
Sur le site officiel de sand.ai, au sein de la section « Features MAGI-2 Preview », trois vidéos sont intégrées. Vérifiées le 11 octobre, les trois URL répondent avec un code HTTP 200. Les fichiers datent du 28 août 2026, mesurent 3840 x 2160 pixels à 30 images par seconde et intègrent une piste audio. Alors que le modèle est documenté pour générer des clips stricts de 10 secondes en 1080p, ces fichiers durent 5 à 6 secondes en 4K : l’éditeur les a de toute évidence recadrés et mis à l’échelle. Les prompts initiaux n’ont pas été dévoilés.
1. Jeu d’acteur : dialogue, chant et émotions
Cas d’usage : scènes narratives avec un personnage qui parle ou chante, clips musicaux, courtes fictions avec avatar réaliste.
Prompt : non fourni. Description du concepteur : « Precisely generates dialogue, singing, and emotional shifts » (génère précisément le dialogue, le chant et les variations d’émotions avec un mouvement labial adapté).
Notre analyse : il s’agit d’une séquence promotionnelle sélectionnée. Les classements à l’aveugle d’Artificial Analysis placent MAGI-2 à la 10e place sur l’image-vers-vidéo, soit au niveau de Grok Imagine 1.5, en retrait face aux leaders.
2. Synchronisation image et audio
Cas d’usage : bruitages asservis à l’action, ambiance sonore interactive liée aux événements visuels.
Prompt : non fourni. Description du concepteur : « Visuals and audio are generated jointly by a single model » (la vidéo et l’audio sont générés simultanément par un seul modèle).
Notre analyse : MAGI-2 n’ajoute pas de bande-son a posteriori via un modèle audio séparé. Le texte, l’image et le son transitent par le même transformeur, permettant d’aligner chaque bruitage au dixième de seconde près (voir exemple 6).
3. Prises de vue et mouvements de caméra
Cas d’usage : plans en traveling avant, suivi de sujet, trajectoires orbitales complexes.
Prompt : non fourni. Description du concepteur : le modèle interprète les règles de cadrage et de cinématographie, notamment « zooming in, tracking, and orbiting » (zoom avant, suivi, orbite).
Notre analyse : les prompts du dépôt officialisent cette approche : la cinématique de caméra se configure par segment (type, direction et intensité). Un niveau de précision bien plus élevé qu’une simple mention textuelle floue.
Les prompts officiels du dépôt GitHub
Le fichier assets/demo_samples.json prépare 5 générations : deux invites image-vers-vidéo, les deux mêmes en texte-vers-vidéo, et une configuration JSON. Le fichier sample_002.txt mentionné dans la documentation renvoyait une erreur 404 lors de nos vérifications. Les prompts sont tous rédigés en anglais, extrêmement denses (entre 9 000 et 11 000 caractères) ; en voici des extraits représentatifs. Le projet est publié sous licence Apache-2.0.
4. Anime : traversée de la forêt vers l’océan
Cas d’usage : courte scène narrative au style d’animation japonaise 2D, avec un seul changement de plan et ambiance sonore diégétique pure.
core_caption: A 10-second continuous animated sequence following a young girl from a dark, mist-filled forest to a sudden, bright clearing overlooking a vast ocean... audio_design: Completely ambient and naturalistic. [...] No dialogue or background music. shot_timeline1 time_range_seconds: 0.0 | 8.0 # forêt, transition vers l'océan shot_timeline2 time_range_seconds: 8.0 | 10.0 # gros plan sur le visage, respiration audio_event_timeline: pas 0-5 s, vent 3-8 s, branches 5-6,5 s, vagues 4-10 s, souffle 8-9,5 s, mouettes 8,5-10 s
En français (traduction du texte testé) : une séquence animée de 10 secondes où une jeune fille sort d’une forêt sombre et brumeuse pour déboucher sur une clairière lumineuse surplombant la mer, avec pour seul accompagnement sonore les bruits de pas, le vent et les vagues.
Rendu : aucune vidéo fournie. Seule l’image d’amorce sample_000.jpeg est présente (voir le prompt sur GitHub).
Notre analyse : le prompt segmente rigoureusement personnages et décors (reference_bank), plans et événements audio. Il intègre aussi des instructions négatives : pas de transitions en fondu au blanc, pas d’objets anachroniques, aucun glissement vers la 3D. C’est l’illustration type d’un prompt développé par l’optimiseur recommandé dans le README.
5. Pâte à modeler : le personnage et la balle rouge
Cas d’usage : animation en stop-motion avec habillage foley et musique entraînante, découpée en 5 plans sur 10 secondes.
core_caption: A 10-second stop-motion style 3D clay animation where a small clay figure searches a cozy room for a lost red ball... audio_design: Cheerful, warm ukulele and xylophone background music, layered with animated Foley [...] No dialogue.
En français (traduction du texte testé) : un personnage en pâte à modeler cherche sa balle perdue dans une pièce chaleureuse ; il trouve d’abord un bouton bleu avant de mettre la main sur la balle rouge, le tout rythmé par un ukulélé et un xylophone.
La barre indique la durée de chaque plan (total = 10 s), d’après les champs time_range_seconds de sample_001.txt.
Rendu : aucun extrait vidéo disponible, uniquement l’image initiale sample_001.jpeg.
Notre analyse : caler cinq plans en 10 secondes représente un défi technique lourd. L’invite impose des saccades conformes au style stop-motion et une consistance volumétrique stricte de la balle.
6. Café sous la pluie : timeline JSON et ligne de dialogue
Cas d’usage : plan d’acteur effectuant une action avant de prononcer une réplique, accompagné d’un traveling lent. Idéal pour des spots publicitaires ou des scènes de fiction courtes.
Il s’agit du seul modèle officiel au format JSON. Sa hiérarchie sépare une couche globale (global_layer : style, éclairage, sujet, objectif 50 mm, ratio 16:9) d’une couche dynamique (dynamic_layer) découpée par secondes :
{
"global_layer": {
"context": "A single continuous take inside a small corner cafe on a rainy afternoon.",
"video_metadata": { "duration": 10.0, "aspect_ratio": "16:9" },
"camera_cinematography": { "lens_focal_length": "50mm" }
},
"dynamic_layer": {
"timeline_segments": [
{ "segment_basic_info": { "timestamp_range": "00:00.0-00:05.0",
"camera_delta": { "camera_movement": { "type": "push-in" } } },
"audio": { "special_audio_events": [
{ "timestamp": "00:02.4",
"sound_description": "a short soft ceramic tap..." } ] } },
{ "segment_basic_info": { "timestamp_range": "00:05.0-00:10.0" },
"audio": { "dialogue_lines": [
{ "timestamp": "00:05.6-00:07.4",
"speaker": "<subject 1>",
"text": "Careful, it's still very hot." } ] } }
]
}
}
En français (traduction du texte testé) : une serveuse dépose une tasse sur une soucoupe (bruit de céramique à 2,4 s), puis avertit entre 5,6 et 7,4 s : « Attention, c’est encore très chaud ».
Rendu : aucun fichier vidéo fourni (consulter le fichier JSON sur GitHub).
Notre analyse : le fichier d’origine compte 9 500 caractères et détaille même une bague sur la main droite du personnage. Le paramètre de langue impose "language": "English" ; le support du français ou d’autres langues n’est pas documenté par le fabricant.
Modèles pour vos propres essais
7. Le prompt minimal du README
Cas d’usage : vérifier rapidement que le serveur et les dépendances répondent correctement.
torchrun --nproc_per_node=8 inference/pipeline/entry.py \
--prompt "a red fox in snow" --output output/
En français : un renard roux dans la neige.
Notre analyse : le README signale qu’une invite aussi sommaire sous-exploite les capacités de MAGI-2, entraîné sur des descriptions denses. Le pipeline intègre une étape de reformulation assistée par LLM pour pallier ce manque.
8. Modèle structuré : spot produit avec timeline
Cas d’usage : publicité de 10 secondes présentant un produit avec synchronisation sonore et accroche narrative. Cette structure reprend la syntaxe de l’exemple 6 :
{
"global_layer": {
"context": "A single continuous product shot on a dark kitchen counter at night.",
"video_metadata": { "duration": 10.0, "aspect_ratio": "16:9" },
"camera_cinematography": { "overall_camera_style": "slow orbit around the product",
"lens_focal_length": "85mm" }
},
"dynamic_layer": {
"timeline_segments": [
{ "segment_basic_info": { "timestamp_range": "00:00.0-00:04.0",
"segment_description": "A hand presses the button of a steel coffee grinder." },
"audio": { "special_audio_events": [
{ "timestamp": "00:01.2", "sound_description": "a sharp mechanical click" } ] } },
{ "segment_basic_info": { "timestamp_range": "00:04.0-00:10.0",
"segment_description": "Ground coffee falls into a glass jar as the camera orbits." },
"audio": { "dialogue_lines": [
{ "timestamp": "00:07.0-00:09.0", "speaker": "<narrator>",
"text": "Fresh every morning." } ] } }
]
}
}
En français (traduction de travail) : une main active le bouton d’un moulin à café en acier (déclic mécanique à 1,2 s), la mouture se déverse dans un récipient tandis que la caméra tourne autour, et la voix off énonce : « Frais chaque matin ».
Règles de rédaction à retenir :
- Les tranches temporelles doivent couvrir l’intégralité des 10 secondes, sans rupture.
- Chaque composante audio nécessite un repère temporel précis et une description descriptive.
- Les répliques se placent dans un champ dédié précisant l’orateur, isolées du texte de mise en scène.
- Les variables d’ambiance, de lumière et d’apparence globale demeurent dans
global_layer.
Pourquoi aucun clip personnel n’est présenté ici
Contrairement aux protocoles habituellement appliqués sur nos bancs d’essai comparatifs, MAGI-2 n’a pas pu être exécuté directement pour ces motifs :
- Absence d’API : Artificial Analysis indique une tarification « Coming soon ». Le modèle n’est proposé ni chez fal.ai, ni chez Replicate, WaveSpeedAI ou OpenRouter au 11 octobre 2026.
- Poids matériel : les poids totalisent environ 307 Go, nécessitant 8 cartes NVIDIA Hopper. Une GeForce RTX 4090 grand public plafonne à 24 Go de VRAM.
- Facturation cloud : d’après les estimations du blog mushroom.cv, chaque rendu nécessite 15 à 30 minutes de calcul, soit environ 22,36 à 37,56 EUR (25 à 42 USD) par extrait de 10 secondes sur AWS (taux BCE du 12 octobre 2026 : 1 EUR = 1,1181 USD, source BCE). Une enveloppe avec laquelle on produit des dizaines de vidéos sur les API de tête.
Dès la disponibilité d’une API commerciale ou d’un modèle distillé plus accessible, les vidéos issues des exemples 4 à 8 seront ajoutées. Si vous cherchez une alternative open source exploitable sur une station locale, orientez-vous vers Wan 2.2 ou notre comparatif des modèles vidéo ouverts. Des exemples de générations concurrentes sont consultables sur nos fiches HappyHorse 1.1 et HiDream-O1-Video.
Foire aux questions
Les vidéos du site Sand.ai proviennent-elles bien de MAGI-2 ?
Les trois vidéos de la section « Features MAGI-2 Preview » oui, d’après les déclarations de Sand.ai. En revanche, les clips présentés plus bas dans l’espace « Creative Partners » sont l’œuvre d’artistes sans précision du moteur employé (Sand.ai éditant également l’outil VidMuse) ; ils ne sont donc pas attribuables formellement à MAGI-2.
Comment structurer un prompt pour MAGI-2 ?
Il convient de rédiger une description exhaustive et hiérarchisée : résumé de l’action, caractéristiques des intervenants, découpage temporel des plans et des événements sonores. Des modèles sont documentés dans le dossier assets/ du dépôt officiel.
MAGI-2 gère-t-il la synchronisation des dialogues ?
Oui, l’exemple du café intègre une réplique calée à la seconde près. Cette prise en charge est toutefois documentée uniquement pour l’anglais à l’heure actuelle.
Quelle est la durée d’une vidéo générée ?
Strictement 10 secondes. Le fichier README précise qu’il s’agit du seul format temporel supporté par le modèle aujourd’hui.
Sources et vérification
- sand.ai - vidéos de présentation, en-têtes HTTP et métadonnées des fichiers (11.10.2026)
- GitHub : SandAI-org/MAGI-2-preview - README, demo_samples.json, sample_000.txt, sample_001.txt, sample_enhanced_t2v.json (11.10.2026)
- Artificial Analysis : classement image-vers-vidéo (relevé du 11.10.2026)
- mushroom.cv - analyse des coûts et temps de calcul (07.08.2026)
More on this from PROMPTIF
