Alibaba Wan 2.7 : comment le Thinking Mode transforme la génération de vidéos par IA

Le Tongyi Lab d'Alibaba a lancé Wan 2.7 le 6 avril 2026, en introduisant un « Thinking Mode » qui transforme fondamentalement la manière dont les modèles vidéo IA traitent les prompts. Au lieu de générer directement des images à partir du texte, le modèle construit d'abord un plan interne de la scène, puis l'exécute. Les résultats parlent d'eux-mêmes : moins d'artefacts, une meilleure cohérence et des compositions nettement plus intentionnelles.

Qu'est-ce que le Thinking Mode ?

La plupart des modèles de génération vidéo fonctionnent en un seul passage. Vous saisissez un prompt, le modèle commence à diffuser du bruit en pixels, puis vous obtenez le résultat qui en émerge. Cela fonctionne plutôt bien pour les scènes simples, mais s'effondre lorsque les prompts impliquent plusieurs sujets, des relations spatiales précises ou des actions complexes.

Wan 2.7 ajoute une étape intermédiaire. Avant qu'un seul pixel soit généré, le modèle :

Analyse le prompt en composants sémantiques (sujets, actions, environnement, éclairage)
Planifie la composition en déterminant où les éléments doivent apparaître et comment ils doivent interagir
Génère le résultat en utilisant ce plan comme guide structurel

💡

Imaginez la différence entre improviser une peinture et commencer par esquisser une étude de composition. L'esquisse n'apparaît pas dans l'œuvre finale, mais elle guide chaque coup de pinceau.

Cela ressemble à la manière dont le raisonnement « chain-of-thought » a amélioré les grands modèles de langage. En forçant le modèle à réfléchir avant d'agir, la qualité du résultat s'améliore considérablement, surtout pour les prompts complexes.

La suite complète Wan 2.7

Wan 2.7 n'est pas un seul modèle. Il est proposé comme une suite de quatre modèles couvrant différents workflows de génération :

Suite de modèles

$0.10/s

Tarification API

Apr 6

Date de sortie

Modèle	Entrée	Sortie	Idéal pour
Texte vers vidéo	Prompt texte	Clip vidéo	Créer à partir de zéro
Image vers vidéo	Image + prompt	Clip vidéo	Animer des images fixes, du concept art
Référence vers vidéo	Vidéo de référence + prompt	Nouvelle vidéo	Transfert de style, recréation
Montage vidéo	Vidéo + instructions de montage	Vidéo modifiée	Post-production, corrections

Le modèle texte vers vidéo est déjà disponible sur Together AI depuis le 3 avril. Les trois autres modèles seront déployés au cours des prochaines semaines.

Sous le capot : aperçu de l'architecture

Bien qu'Alibaba n'ait pas encore publié de document technique complet, plusieurs détails sont apparus dans la documentation de l'API et les premiers benchmarks.

Ce que nous savons	Ce qui le distingue
Construit sur la lignée d'architecture Wan (Wanxiang)	Premier modèle de production avec une planification compositionnelle explicite
Le Thinking Mode ajoute une phase de planification avant la diffusion	Les scènes à plusieurs éléments gèrent proprement plus de 5 sujets
Cohérence hyperréaliste des personnages entre les images	Le texte rendu dans les vidéos générées est lisible, pas déformé
Contrôle précis des couleurs via le conditionnement par prompt	La précision des couleurs reste cohérente malgré les changements d'éclairage
Rendu supérieur de textes longs (texte dans les vidéos)	Les mouvements de caméra complexes conservent une cohérence spatiale

La capacité de rendu de textes longs est particulièrement remarquable. Les modèles précédents avaient du mal à générer du texte lisible dans les images vidéo. Wan 2.7 gère les panneaux, les étiquettes et même de courts paragraphes avec une précision surprenante. Pour les créateurs ayant besoin d'intégrer des superpositions de texte directement dans les séquences générées, il s'agit d'une avancée importante.

Comparaison avec le marché

Le paysage de la vidéo IA a beaucoup évolué cette semaine, Wan 2.7 arrivant au moment même où OpenAI confirmait l'arrêt de Sora et où Google réduisait fortement les prix de Veo 3.1.

Modèle	Tarification	Audio	Durée max.	Cohérence des personnages	Réflexion/planification
Wan 2.7	$0.10/s	Non	~10s	Forte	Oui
Veo 3.1 Lite	$0.05/s	Oui	~8s	Bonne	Non
Veo 3.1 Fast	$0.12/s	Oui	~8s	Forte	Non
Kling 3.0	~$0.08-0.17/s	Oui	~10s	Forte	Non
Seedance 2.0	Inclus	Oui	15s	Bonne	Non
Runway Gen-4.5	~$0.15/s	Non	~10s	Forte	Non

⚠️

Wan 2.7 n'inclut pas de génération audio native. Pour les projets nécessitant un son synchronisé, vous aurez besoin d'un pipeline audio séparé ou d'un modèle comme Kling 3.0 ou Veo 3.1, qui génère l'audio nativement.

Le prix de $0.10 par seconde place Wan 2.7 dans le segment intermédiaire concurrentiel. Il coûte deux fois plus que l'option Lite économique de Google, reste compétitif face à Kling 3.0 (dont le prix varie selon la plateforme) et est nettement moins cher que Runway.

Quand utiliser Wan 2.7

D'après les premiers tests et les points forts du modèle, voici les scénarios dans lesquels Wan 2.7 est le plus pertinent :

🎬

Scènes complexes avec plusieurs sujets

Le Thinking Mode excelle lorsque votre prompt implique plusieurs personnages ou objets en interaction. L'étape de planification évite la confusion spatiale qui affecte les autres modèles.

📝

Contenu riche en texte

Si votre vidéo nécessite du texte lisible, des panneaux ou des éléments d'interface, le rendu de texte de Wan 2.7 est actuellement le meilleur de sa catégorie.

🎨

Contrôle précis des couleurs et du style

Le système de conditionnement des couleurs vous permet de spécifier des palettes exactes et de les maintenir d'une image à l'autre, ce qui est utile pour du contenu cohérent avec votre marque.

🔄

Transfert de style par référence

Le modèle référence vers vidéo (bientôt disponible) vous permettra de fournir un clip existant comme guide stylistique, afin de générer de nouveaux contenus correspondant à son langage visuel.

Pour les scènes plus simples avec un seul sujet, lorsque vous avez aussi besoin d'audio, des modèles comme Kling 3.0 ou Veo 3.1 peuvent rester un meilleur choix. La surcharge de planification du Thinking Mode apporte une valeur spécifique lorsque les prompts sont complexes.

Ce que cela signifie pour le secteur

Le Thinking Mode de Wan 2.7 indique une évolution plus large dans la manière dont les modèles génératifs fonctionneront. Plutôt que de produire les résultats par force brute à partir du bruit, les futurs modèles intégreront probablement des phases de planification explicites pour différents aspects de la génération.

Nous observons déjà ce schéma dans d'autres domaines. Les modèles de génération de code planifient avant d'écrire. Les modèles d'image utilisent le conditionnement de mise en page. Désormais, les modèles vidéo apprennent à réfléchir avant de créer.

💡

Le rythme rapide des lancements de modèles en 2026 rend risqué l'engagement envers un seul fournisseur. Des approches basées sur des pipelines, capables de remplacer les backends de génération à mesure que de meilleurs modèles arrivent, protègent votre workflow contre la dépendance à un fournisseur.

La pression concurrentielle est réelle. Avec la sortie de Sora, la baisse des prix de Google et les modèles chinois comme Wan 2.7 et Kling 3.0 qui repoussent les limites de qualité, les créateurs n'ont jamais eu autant d'options, ni autant de raisons de rester flexibles.

Pour une analyse plus approfondie de la comparaison entre ces modèles sur des benchmarks précis, consultez notre analyse des performances de Runway Gen-4.5. Et si vous vous intéressez à la manière dont le déploiement de Seedance 2.0 transforme l'écosystème CapCut, nous l'avons détaillé le mois dernier.