Alibaba dévoile Wan2.2 pour révolutionner la production vidéo cinématographique
infohightech ·
Alibaba Cloud, la branche data intelligence et technologies numériques du groupe Alibaba introduit Wan2.2, le premier modèle vidéo open-source de grande taille intégrant l’architecture MoE (Mixture-of-Experts), qui améliorera considérablement la capacité des créateurs et des développeurs à produire des vidéos de qualité cinématographique en un seul clic.
La série Wan2.2 comprend le modèle text-to-video Wan2.2-T2V-A14B, le modèle image-to-video Wan2.2-I2V-A14B, ainsi que Wan2.2-TI2V-5B, un modèle hybride prenant en charge à la fois les tâches texte-to-video et image-to-video dans un cadre unifié.
Construit sur l’architecture MoE et entraîné sur des données méticuleusement sélectionnées, Wan2.2-T2V-A14B et Wan2.2-I2V-A14B génèrent des vidéos d’une qualité esthétique de niveau cinématographique, offrant aux créateurs un contrôle précis sur des paramètres clés tels que l’éclairage, le moment de la journée, la tonalité des couleurs, l’angle de la caméra, la taille du cadre, la composition et la longueur focale.
Les deux modèles MoE démontrent également des avancées significatives dans la production de mouvements complexes, y compris des expressions faciales réalistes, des gestes de la main dynamiques et des mouvements sportifs sophistiqués. De plus, ils produisent des représentations réalistes grâce à un meilleur suivi des instructions et un respect accru des lois physiques.
Pour résoudre le problème de la forte consommation computationnelle liée à la génération de vidéos, due aux longs tokens, Wan2.2-T2V-A14B et Wan2.2-I2V-A14B utilisent une conception à deux experts dans le processus de débruitage des modèles de diffusion, incluant un expert haut bruit qui se concentre sur la disposition générale de la scène et un expert bas bruit pour affiner les détails et les textures. Bien que chaque modèle contienne un total de 27 milliards de paramètres, seuls 14 milliards sont activés par étape, réduisant ainsi la consommation de calcul jusqu’à 50 %.
Wan2.2 intègre un réglage esthétique précis grâce à un système de prompts inspiré du cinéma qui catégorise des dimensions clés telles que l'éclairage, la composition et la tonalité des couleurs. Cette approche permet à Wan2.2 d'interpréter et de transmettre avec précision les intentions esthétiques des utilisateurs pendant le processus de génération.
Afin d'améliorer les capacités de généralisation et la diversité créative, Wan2.2 a été entraîné sur un ensemble de données plus vaste, avec une augmentation de 65,6 % des données image et de 83,2 % des données vidéo par rapport à Wan2.1. Le modèle affiche des performances supérieures dans la production de scènes et de mouvements complexes, ainsi qu'une plus grande capacité d'expression artistique.
Un modèle compact pour améliorer l'efficacité et l'évolutivité
Wan2.2 introduit également son modèle hybride Wan2.2-TI2V-5B, un modèle dense qui utilise une architecture VAE 3D à haute compression pour atteindre un taux de compression temporelle et spatiale de 4x16x16, améliorant ainsi le taux de compression global des informations à 64. Le TI2V-5B peut générer une vidéo 720P de 5 secondes en quelques minutes sur un GPU grand public, offrant ainsi efficacité et évolutivité aux développeurs et aux créateurs de contenu.
Les modèles Wan2.2 sont disponibles en téléchargement sur Hugging Face, GitHub ainsi que sur la communauté open-source d’Alibaba, ModelScope. Contributeur majeur à l’open source mondial, Alibaba avait déjà ouvert en février 2025 quatre modèles Wan2.1, ainsi que Wan2.1-VACE (Video All-in-one Creation and Editing) en mai 2025. À ce jour, ces modèles ont cumulé plus de 5,4 millions de téléchargements sur Hugging Face et ModelScope.