Wan 2.2 Image-to-Video : rythme, cadrage et identité

Wan 2.2 Image-to-Video suit l'image que vous envoyez et ne bouge que ce que le prompt lui demande de bouger. Un bon prompt est donc court : une action visible, un comportement de caméra et une ligne sur ce qui doit rester immobile. La plupart des échecs (mouvement à l'apparence lente, zoom surprise, un visage ou un produit qui change) viennent de l'image d'ouverture ou d'instructions empilées, pas d'un manque de mots. Ce guide montre la structure, un clip concret décomposé et comment corriger chaque échec.

Ce que vous contrôlez sur chaque endpoint

Aucun n'a de champ de rapport d'aspect : le clip prend la forme de votre image, recadrez donc en 16:9 ou 9:16 avant l'envoi. Adouci signifie que le modèle de base peut atténuer ou refuser les requêtes explicites ; les endpoints Spicy sont étiquetés sans restriction, mais cela ne garantit pas que chaque requête soit livrée telle quelle. Utilisez l'endpoint de base pour du contenu sans risque et les endpoints Spicy quand le contenu exige un modèle sans censure ; la méthode de prompting ci-dessous est identique.

Préparez l'image avant le prompt

L'image fournit le sujet, les vêtements, le décor et la direction de la lumière, le prompt ne doit donc pas les décrire à nouveau. Il doit rendre le mouvement possible :

• Montrez tout ce qui bouge. Une action de marche a besoin des jambes dans le cadre ; un geste de prise a besoin de la main et de l'objet visibles, pas d'une main cachée derrière une tasse.
• Laissez de la place dans la direction du mouvement. Un sujet collé au bord droit ne peut pas faire un pas à droite sans quitter le cadre ni forcer un mouvement de caméra.
• Retirez ce que vous ne voulez pas animer : personnes parasites, superpositions, texte incrusté et filigranes se retrouvent tels quels dans le clip.
• Corrigez d'abord les défauts de la source. Un doigt en trop ou une tasse flottante sur l'image fixe sera aussi dans la vidéo.

La structure du prompt

Écrivez, dans cet ordre : qui ou quoi bouge et comment, puis la caméra, puis ce qui reste immobile ou ce que fait la lumière. Laissez l'apparence à l'image.

Voici un exemple réel tiré de la page du modèle Wan 2.2. La source est un portrait de studio en pied avec un fond gris uni, 720p :

She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward, the satin of the dress catching the light as it moves. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.

Cela fonctionne parce que chaque battement est un changement visible par rapport à la pose d'ouverture, que la caméra est déclarée verrouillée et que la fin est une pose tenue sur laquelle on peut couper. Le personnage a la place de marcher vers la caméra parce que la source est un cadrage en pied avec le sol devant elle.

Un plan produit suit le même schéma, avec la caméra ou la lumière qui assure le mouvement et une ligne explicite pour ce qui ne doit pas bouger :

The camera arcs a slow quarter turn around the dropper bottle while a soft band of window light slides across the glass and the liquid inside catches it. The bottle itself does not move.

Ici, seul le travail visible est fait par la lumière : l'étiquette et la silhouette restent stables pendant que la bande traverse le verre, et l'arc de caméra demandé se remarque à peine. Si vous avez besoin d'un mouvement de rotation clairement visible, demandez un plus grand mouvement de caméra à lui seul, sans aucun changement de lumière dans la même phrase.

Testez dans le Playground

1. Ouvrez Wan 2.2 image to video, restez dans l'onglet Playground en vue Form et connectez-vous pour lancer.
2. Ajoutez votre image d'ouverture sous Input image (JPG, PNG ou WEBP, jusqu'à 10 MB), recadrée à la forme voulue.
3. Collez un prompt dans Prompt, ou ouvrez le Playground avec l'exemple en pied déjà rempli.
4. Laissez Resolution sur 480p pendant les essais, définissez un Seed et ajoutez zoom, sudden reframing, cuts, second person sous Negative prompt si la caméra bouge. Laissez Prompt expansion désactivé pour une action précise ; ne l'activez que pour une idée en une ligne.
5. Lancez, puis relancez le clip que vous gardez en 720p avec le même seed.

Puis l'API

Une fois qu'un prompt fonctionne, envoyez la même requête depuis le code. Les champs et les résultats sont dans la référence de l'API.

{
  "model": "alibaba/wan-2.2/image-to-video",
  "input": {
    "image_url": "https://example.com/your-full-body-portrait.png",
    "prompt": "She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.",
    "negative_prompt": "zoom, sudden reframing, cuts, second person",
    "resolution": "480p",
    "seed": 14327
  }
}

Faites vos essais en 480p, puis renvoyez le clip que vous gardez avec "resolution": "720p" et le même seed.

Laissez un Agent s'en charger. Un assistant peut effectuer le même appel via le CLI (npx @spicyapi/cli tasks create --model alibaba/wan-2.2/image-to-video --input-file input.json --wait, avec l'objet input de cette requête dans input.json), le serveur MCP (npx --yes --package=@spicyapi/mcp spicyapi-mcp) ou l'Agent Skill (npx skills add spicyapi-ai/spicy-skill). Le CLI et MCP affichent le prix et vous demandent une confirmation avant la création d'une tâche.

Corrigez un mouvement à l'apparence lente

Les clips lents viennent surtout de l'une de quatre causes, et chacune a un correctif différent :

• Les mots d'ambiance. « Calm », « dreamy » et « cinematic » impliquent un ralenti. Supprimez-les et décrivez un geste à vitesse normale avec un état final atteint.
• Trop d'action pour le clip. Se lever, traverser une pièce et servir une boisson ne tient pas en cinq secondes. Réduisez à un seul geste, ou scindez en plusieurs clips, chacun partant de sa propre image.
• Action trop petite. Un tout petit mouvement se lit comme de l'immobilité. Nommez la partie qui bouge et où elle arrive.
• Pas de fin. Si la main est encore en mouvement sur la dernière image, raccourcissez le trajet ou ajoutez une pose finale tenue.

Sur les endpoints Spicy, l'option de 8 secondes aide une action qui a vraiment besoin de plus de temps.

Corrigez le zoom et les coupes indésirables

Nommez le mouvement de caméra voulu, car « dynamic camera » autorise n'importe lequel : un zoom change l'échelle, un dolly change la position de la caméra, un panoramique fait pivoter la vue, une orbite tourne autour du sujet. Pour verrouiller la caméra, dites-le positivement (« locked camera, fixed medium distance ») et ajoutez un court prompt négatif comme zoom, reframing, cuts sur l'endpoint de base. Spicy et Spicy LoRA n'ont pas de champ négatif, fiez-vous donc à l'instruction positive.

Avant d'accuser la caméra, examinez l'arrière-plan. Si les repères restent en place pendant que le sujet grandit, c'est le sujet qui s'est penché vers l'objectif ; demandez moins de mouvement vers l'avant. Si c'est l'échelle de tout le cadre qui change, c'est la caméra : ne modifiez que la phrase de caméra et gardez tout le reste identique. Un portrait à faible profondeur de champ avec un arrière-plan flou rend cela difficile à juger, commencez donc par une source qui possède des éléments d'arrière-plan reconnaissables.

Corrigez la dérive d'identité

Comparez la première, celle du milieu et la dernière image, et regardez les rotations et les occultations où le modèle doit inventer des détails cachés. Trois correctifs couvrent la plupart des cas :

• Réduisez les mouvements simultanés. Un petit geste avec la tête immobile et la caméra fixe préserve mieux l'identité qu'une rotation complète avec orbite. Rajoutez le mouvement pièce par pièce.
• Alignez le prompt sur l'image. Si l'image montre une veste sombre et que le prompt dit chemise bleue, vous demandez un changement.
• Choisissez une meilleure source. Si le côté ou le dos compte, comme la face cachée d'une étiquette de produit, envoyez une image qui le montre ; le modèle ne peut pas lire ce qu'il ne voit pas.

Des ombres marquées peuvent ressembler à un changement d'identité, comparez donc aussi la forme et le motif, pas seulement la couleur.

Corrigez une seule chose à la fois

Lancez la même image, la même résolution et le même seed, et changez une phrase par essai : d'abord l'action, puis le rythme, puis la caméra. Regardez le clip entier en vitesse normale, car les images fixes ne peuvent pas montrer si un geste était vif ni si l'objet est resté intact. Surveillez le début, le mouvement le plus ample et la dernière seconde. Si trois changements de formulation ne corrigent rien, changez plutôt l'image ; une nouvelle image signifie aussi de réécrire l'action pour qu'elle corresponde à son nouvel état initial.

Quand changer d'endpoint

• Image de fin ou 8 secondes : utilisez Wan 2.2 Spicy. Pointez last_image_url sur votre image fixe d'ouverture pour une boucle sans couture, ou sur une autre composition pour faire atterrir le plan à un endroit précis ; envoyez-la avec "duration_seconds": 8 dans la même forme de requête que ci-dessus.
• Votre propre adaptateur de style ou de mouvement : utilisez Wan 2.2 LoRA, ou Wan 2.2 Spicy LoRA quand le contenu exige un modèle sans censure, avec jusqu'à trois LoRA dans chaque liste. Mettez les styles de caméra ou de mouvement dans high_noise_loras et la texture ou le grain dans low_noise_loras. Ne nommez pas le style en plus dans le prompt, cela a tendance à doubler l'effet. Balayez l'intensité en 480p avec un seed fixe. Pour une scène plus longue, la famille LoRA dispose aussi d'une tâche d'extension vidéo.
• Une simple action de cinq secondes : l'endpoint de base suffit.

Budgétez les essais

Le prix de base est par requête, ne le multipliez donc pas par la durée. Refaire un clip que vous gardez en 720p double le prix de base et les tarifs par seconde. Vérifiez le rythme et la caméra en 480p, mais utilisez 720p lorsque le défaut que vous jugez est un petit détail comme une étiquette ou un doigt.

Pour aller plus loin

Quand le plan a besoin d'une image de fin, d'une prise plus longue ou d'adaptateurs, changez d'endpoint plutôt que d'ajouter des mots. Pour les différences de politique entre les versions, voir l'article sur les versions de Wan et, pour les emplacements d'adaptateur, le guide des LoRA high noise et low noise.