Wan 3.0 Document vers Vidéo : J'ai audité chaque image

Dernière mise à jour : Wan 3.0 est désormais disponible depuis le 24 août 2026.

Importez un tableur. Obtenez en retour une animation commerciale de 23 secondes avec musique.

C’est la promesse de Wan 3.0 document to video, la première entrée native de document de la famille, et la démo officielle la tient plus littéralement que je ne le pensais. Les chiffres sont corrects. 1 580 $ passent à 3 460 $, le badge affiche +45,7 %, et ces valeurs remontent directement aux cellules spécifiques du fichier source.

Puis j’ai glissé le curseur jusqu’à la 12e seconde et j’ai lu la légende du graphique.

« Southeasta North America. »

Deux régions commerciales écrasées en un mot qui n’existe pas. C’est la véritable ligne de flottaison du document-to-video en 2026 : le modèle a réellement lu votre tableau, mais il ne peut toujours pas dessiner votre graphique. Voici l’audit image par image que personne d’autre n’a publié, plus une chaîne en trois étapes que vous pouvez exécuter dès cet après-midi.

Points clés

• Wan 3.0 accepte 1 fichier ou 1 lien, jusqu’à 100 Mo ou 50 pages, et produit jusqu’à 30 secondes en 1080p.
• Il réoriente un film à partir de votre document. Il ne transforme pas la diapo 3 en plan 3.
• Les valeurs des cellules survivent intactes. Les légendes de graphiques, les graduations d’axes et les séparateurs de milliers ne survivent pas.
• Les limites sont dures : pas de 4K, pas de poids ouverts, canaux propriétaires uniquement.
• Un modèle à contexte long plus un modèle vidéo de 15 secondes reproduisent l’essentiel aujourd’hui.

Sortie de Wan 3.0 document to video : la démo officielle du xlsx rendue sous forme de film de données animé façon Keynote

La vitrine : la démo publique bêta officielle d’Alibaba, un .xlsx de GMV mensuelle en entrée, 23 secondes de film de données animé en sortie. Montrée ici sous forme de GIF silencieux ; le fichier livré comporte une piste AAC stéréo 44,1 kHz. Source : manuel du créateur Wan 3.0 officiel d’Alibaba.

Ce que fait réellement Wan 3.0 Document to Video

Version courte, pour que vous puissiez partir en une minute si c’est tout ce dont vous avez besoin.

Vous lui donnez un document ou un lien web. Il lit l’intégralité, décide quelle est l’histoire et génère une vidéo avec image et son en un seul passage. Maximum 30 secondes, maximum 1080p. Il ne parcourt pas vos pages dans l’ordre.

Voici les limites qui régissent réellement un projet.

La bêta publique a ouvert le 6 août 2026 (AgentUpdate, août 2026). La liste des formats et les deux grilles tarifaires publiées proviennent d’un récapitulatif séparé (Ngram, août 2026).

Le manuel officiel propose quatre cas d’utilisation document, qui correspondent à quatre types de travaux déjà payés aux agences :

• Document de proposition en film de marque. Un document de pitch pour soins de la peau devient une pub de 30 secondes avec une actrice principale et une histoire de lumière matinale.
• Cours en leçon vidéo. Une entrée d’encyclopédie devient un cours animé pour des élèves de CP.
• Tableur en graphiques animés. La démo ci-dessus, et de loin le plus difficile des quatre.
• Rapport en résumé parlé. Un rapport écrit devient un briefing façon présentateur.

Voici où la plupart des articles se trompent de catégorie.

Les acteurs établis du « PDF to video » ne font pas cela. Le document-to-video de Kapwing extrait le texte de votre fichier et le pose sur une timeline, sans construction de scène ni présentateur. Pictory et Powtoon assemblent des images d’archives ou des animations de templates, et les pages produits de Powtoon font la promotion d’avatars IA et de voix lisant votre script. Tous les trois produisent des diaporamas narrés.

Lisez ce tableau deux fois, car c’est tout l’argument : ce ne sont pas des concurrents dans la même catégorie. L’un produit des diaporamas narrés. L’autre produit des images qui n’ont jamais existé. Les comparer sur le prix à la minute, c’est comme comparer un photocopieur à une équipe de tournage.

Wan 3.0 peut-il aussi faire le diaporama ? Oui, et c’est la réserve honnête.

Contre-exemple : invité à transformer une page web sur la mécanique quantique en une explication ludique, Wan 3.0 a produit exactement le format présentateur + sous-titres que les acteurs établis vendent. Il atteint le mur des 30 secondes à 30,02 s. Démo officielle bêta publique Alibaba, son activé.

Donc la différence n’est pas que Wan 3.0 ne peut pas faire d’explications avec un présentateur. C’est qu’avec les acteurs établis, ce format est la seule chose au menu.

Pourquoi Wan 3.0 Document to Video casse les graphiques mais conserve vos chiffres

Voici la chose la plus utile de cet article : j’ai extrait 12 images espacées régulièrement de la démo officielle du tableur et j’ai lu chaque glyphe.

Le verdict se divise nettement en deux. Les valeurs passent. Le mobilier des graphiques échoue.

Ce qui a survécu. À la 4e seconde, l’image affiche « 1 580 $ », une fine flèche grise, « 3 460 $ », le sous-titre « Croissance GMV mensuelle » et un badge corail lisant « +45,7 % ». La typographie est propre, les virgules sont au bon endroit, aucun caractère déformé. L’invite derrière cette démo cite des cellules spécifiques du tableur, et les chiffres à l’écran correspondent. Un test tiers sur un deck produit de 8 pages a trouvé la même chose : 45 g, 12 heures et 55 degrés rendus correctement, et le slogan de clôture sans un seul caractère erroné (AI-Driven Lab, août 2026).

Cela répond à la question qui intéresse vraiment les équipes finance et formation. Vos chiffres ne mutent pas silencieusement.

Ce qui a cassé. Les images de graphiques sont une autre histoire.

Audit d’image de Wan 3.0 document to video montrant une légende fusionnée et un axe y cassé

Figé à 12 s dans la démo officielle. Trois défauts dans une seule image : deux noms de régions fusionnés en « Southeasta North America », « North America » répété ensuite comme sa propre série, et un axe y lisant 30, 60, 70 alors que l’étiquette de donnée supérieure indique 3 880 $.

Comptez les échecs dans cette seule image :

1. Légende fusionnée. « Southeast Asia » et « North America » entrent en collision en « Southeasta North America ». Ensuite, « North America » réapparaît comme une série séparée, donc une région est étiquetée deux fois et une a disparu.
2. Un axe y qui n’est pas une échelle. Les graduations indiquent 30, 60, 70. Écarts de pixels égaux, valeurs inégales, et 40 et 50 simplement manquants.
3. Axe et étiquettes dans des unités différentes. La ligne de quadrillage la plus haute est 70. L’étiquette épinglée au point de donnée supérieur indique 3 880 $.
4. Dérive de magnitude le long d’une ligne. Les étiquettes sur cette courbe supérieure commencent à 330 $ et 335 $, puis atterrissent à 3 970 $ et 3 880 $. Une ligne ascendante lisse ne peut pas contenir un bond décuplé entre deux points adjacents. Les deux étiquettes intermédiaires sont trop floues pour une lecture fiable, ce qui est une réponse en soi.

Le segment du graphique à barres répète le schéma. Quatre barres portent 1 750 $, 1 580 $, 2 350 $ et 2 580 $, donc la barre la plus courte contient le deuxième nombre le plus élevé, et la première étiquette perd son séparateur de milliers tandis que les trois autres le conservent. À côté se trouvent cinq chiffres de croissance verte pour quatre barres. Et le segment en anneau est centré sur « 89,7 M $ », une virgule là où devrait se trouver un point décimal.

Remarquez ce que tous ces exemples ont en commun. Pas un seul n’est une erreur de contenu. Chacun est une erreur de dessin : mise en page, étiquetage, échelle, ponctuation. Le modèle a compris le tableur, puis a rendu le graphique comme un modèle vidéo rend n’importe quel texte dense, approximativement.

Il y a une deuxième raison structurelle pour laquelle la sortie ne ressemble en rien à votre deck.

Faites le calcul. 50 pages est le plafond de pages, 30 secondes est le plafond de durée. Cela fait 0,6 seconde par page.

Vous ne pouvez pas présenter une page en 0,6 seconde, donc le modèle fait la seule chose sensée et produit une bande-annonce à la place. Ce test tiers de deck est arrivé indépendamment à la même conclusion : il a traité la présentation comme une source pour une pub cinématographique, pas comme des diapos à feuilleter. Les montures de lunettes du produit ont dérivé d’épaisses à fines à une troisième forme d’un plan à l’autre.

C’est aussi pourquoi le plafond de 30 secondes est une contrainte de conception, pas une note de fiche technique.

Nous avons mesuré les fichiers livrés : les quatre démos document officielles font 30,04 s, 30,02 s, 25,03 s et 23,04 s. Les deux clips de 30 secondes s’arrêtent net à moins de quatre centièmes de seconde l’un de l’autre. Et la démo du tableur demandait 22 secondes, puis a livré 23,04. Nous avons analysé ce plafond dans l’aperçu Wan 3.0.

Donc : attentes calibrées. Donnez-lui un document, obtenez une bande-annonce, gardez vos graphiques simples.

Le workflow Document to Video que vous pouvez exécuter aujourd’hui

Petite vérification réaliste avant le tutoriel, car cela vous évite une heure de recherche.

L’entrée document de Wan 3.0 n’existe que sur les canaux propres d’Alibaba, l’accès est sur invitation, et les poids ne sont pas publiés. Personne en dehors de ces canaux ne peut l’offrir, y compris nous. Ce que vous pouvez faire aujourd’hui, c’est reconstruire la moitié utile de cette démo xlsx avec des modèles déjà ouverts, et l’audit image par image ci-dessus vous dit exactement comment éviter la partie qui casse.

Trois étapes, un onglet de navigateur sur Atlas Cloud :

1. Un modèle à un million de tokens lit le document et écrit un script de plans minuté, avec chaque nombre intégré comme chaîne littérale.
2. Un modèle d’image rend la première image, c’est là que toute la précision du texte est verrouillée.
3. Un modèle vidéo anime cette image selon le script.

Trois limites honnêtes sur cette chaîne. Elle ne mange pas un binaire .pptx, donc vous collez le texte ou le CSV vous-même. Wan 2.7 plafonne à 15 secondes, donc un seul plan de 30 secondes est exclu. Et le chemin image-to-video est silencieux par conception : son paramètre audio prend une piste que vous fournissez pour piloter le lip-sync, il n’invente pas de bande-son. Si vous voulez un audio généré en même temps, vous utilisez le frère text-to-video et abandonnez le contrôle de la première image, ce qui pour une vidéo pleine de chiffres en dollars est le mauvais compromis. Prix vérifiés sur les pages de modèles le 20 août 2026, et notez qu’un prix indiqué est un minimum : les paliers de qualité et de résolution font monter le devis en temps réel, donc lisez le bouton Run avant de vous engager.

Construisons-le.

Pour une exécution hébergée actuelle, ouvrez Wan 3.0 sur Atlas Cloud et testez une invite comme celle ci-dessous avant de publier le workflow.

Capture d’écran de l’invite et du résultat Wan 3.0 : audit document-to-video.

Étape 1 : Transformez votre tableur en script de plans minuté

Les modèles vidéo ne se souviennent pas des nombres. Ils rendent la chaîne que vous leur donnez. Donc le travail de cette étape est de convertir un tableau en directions de plans où chaque figure est déjà écrite en texte entre guillemets.

Collez votre feuille entre les marqueurs <<<. Paramètres : temperature 0.3, max_tokens 4000. Gardez max_tokens généreux, car un modèle capable de raisonnement qui manque de budget en plein raisonnement vous renvoie une réponse vide que vous payez quand même.

textCopy
1You are a motion-graphics director. Below is a raw spreadsheet export.
2
3<<<
4Month,North America,Southeast Asia,Europe,Total GMV
5Jan,1580,880,640,3100
6Feb,2110,1240,900,4250
7Mar,2740,1610,1150,5500
8Apr,3120,1980,1330,6430
9May,3350,2240,1460,7050
10Jun,3460,2480,1580,7520
11H1 growth,+45.7%,,,
12>>>
13
14Write a shot script for a 10-second, 16:9, Apple-Keynote-style
15business data video. Rules:
161. Exactly 2 shots. Give each an in/out timecode (00:00-00:05,
17   00:05-00:10).
182. Every number that appears on screen must be written in the shot
19   description as an exact literal string, in quotes, e.g. "$1,580".
20   Never write "the January figure" - write the digits.
213. Do NOT ask for a legend, an axis with tick labels, or more than
22   two data series on screen at once. Use big standalone numerals
23   and one coral pill-shaped badge instead.
244. Pure white background, soft coral + deep-grey palette, sans-serif.
255. End with one line of BGM + SFX direction (whoosh on slide-in,
26   one bell chime on the badge).
27Output the script only, no commentary.
28

La règle 3 est le fruit de l’audit. La sortie officielle a cassé sur exactement trois choses : les légendes, les graduations d’axes et les graphiques multi-séries. Nous supprimons donc les trois du brief et utilisons cet espace d’écran pour des chiffres surdimensionnés et un badge coloré. Même information, aucune surface d’échec.

La règle 2 est celle que les gens sautent, et c’est la raison pour laquelle les chiffres survivent jusqu’au bout de cette chaîne. Une description de plan qui dit « le chiffre de janvier » rend le nombre à un modèle qui doit inventer les glyphes. Une description de plan qui dit « 1 580 $ » entre guillemets donne aux deux étapes suivantes une chaîne à copier. Vous ne demandez pas ici de visualisation de données, vous demandez une instruction de saisie.

Ce qui revient est un script de deux plans avec des horodatages d’entrée et de sortie, chaque chiffre à l’écran cité comme un littéral, et une ligne de clôture BGM et SFX. Gardez-le dans un fichier scratch ; les étapes 2 et 3 le lisent toutes les deux.

Étape 2 : Générez la première image de marque

Chaque caractère du texte à l’écran est décidé ici. Un modèle d’image en haute qualité rend « 1 580 $ » correctement bien plus fiablement qu’un modèle vidéo ne peut l’écrire tout en le déplaçant, donc nous réglons la typographie dans une image fixe et laissons l’étape 3 ne faire que pousser les pixels.

Ouvrez GPT Image 2 et réglez la qualité sur high et la taille sur l’option 16:9, qui sur cette page est 2048x1152. Faites correspondre le rapport hauteur/largeur à la vidéo que vous allez créer, sinon l’étape 3 commence par recadrer votre typographie.

textCopy
1A pristine Apple-Keynote-style presentation frame on a pure white
2seamless background, photographed as if projected on a matte studio
3wall. Centered headline in a deep charcoal geometric sans-serif
4reading "H1 2026", set in generous negative space. Below it, two
5oversized numerals in the same typeface, "$1,580" on the left and
6"$3,460" on the right, separated by a thin light-grey arrow. Under
7the arrow, small light-grey caption text reading "Monthly GMV
8Growth". Beneath that, a single coral pill-shaped badge with white
9text reading "+45.7%". Soft even diffused lighting, faint warm
10gradient in the top-right corner, subtle paper grain, no clutter, no
11logos, no charts. Ultra-clean corporate minimalism, 16:9.
12

Deux détails à copier. « No charts » est là volontairement. Et lisez le devis sur le bouton Run avant d’appuyer, car la qualité haute sur une image large 2K coûte un multiple du prix catalogue de 0,009 $.

Bac à sable GPT Image 2 sur Atlas Cloud avec l’invite de première image et l’image rendue façon Keynote montrant chaque chiffre correctement orthographié

GPT Image 2 en qualité high, 16:9 en 2048x1152. Chaque chiffre a atterri : « H1 2026 », « 1 580 $ », « 3 460 $ » et le badge corail « +45,7 % », ce qui est exactement la raison pour laquelle la typographie est réglée dans une image fixe et non dans un modèle vidéo.

Étape 3 : Rendez le clip Document to Video et vérifiez chaque chiffre

Dernière étape. Chargez l’image de l’étape 2 comme première image et laissez le modèle vidéo l’animer tout en maintenant la typographie immobile.

Ouvrez Wan 2.7 Image-to-Video. Paramètres : votre première image téléchargée, résolution 1080P, durée 10s. Laissez le champ audio vide, car ce modèle traite l’audio comme une entrée de pilotage plutôt que comme quelque chose qu’il crée. Vous scorez ce clip vous-même, ou dans un passage text-to-video séparé.

textCopy
1Animate this frame as a 10-second Apple-Keynote-style business data
2video, holding the existing typography pixel-stable.
3
400:00-00:05 - The headline "H1 2026" holds, then dissolves into
5golden particles that drift outward. The two numerals "$1,580" and
6"$3,460" slide in from left and right and lock into place; the thin
7grey arrow draws itself between them left to right. The coral badge
8reading "+45.7%" pops up from below with a slight overshoot, timed
9to a single clear bell chime.
10
1100:05-00:10 - Everything slides smoothly off to the left. Three
12thick rounded bars grow upward from a shared baseline against the
13same pure white background, coral, teal and amber, with one large
14standalone numeral above each: "$3,460", "$2,480", "$1,580". No
15legend, no axis, no tick labels, no gridlines. Camera stays locked
16and perfectly still throughout.
17

« Maintenir la typographie existante pixel-stable » et « caméra reste verrouillée » font un vrai travail. Chaque mouvement de caméra est une chance supplémentaire pour le modèle de redessiner un texte qu’il devrait laisser tranquille.

Ensuite, faites la partie ennuyeuse mais importante : faites une pause sur chaque image où un nombre apparaît et lisez-le par rapport à la ligne source. C’est une vérification de 30 secondes, et c’est la seule chose qui se dresse entre vous et une vidéo qui montre avec confiance le mauvais chiffre de revenus.

Bac à sable Wan 2.7 Image-to-Video sur Atlas Cloud avec la première image chargée et le clip de données terminé rendu

Wan 2.7 Image-to-Video en 1080P avec la première image de l’étape 2 téléchargée et le clip fini dans le panneau de sortie. À noter ce que dit le panneau : nous avons demandé 10 secondes, le champ durée affichait 10, et le rendu est revenu à 5. Le devis Run nous l’a dit avant le fichier, ce qui est la raison même de le lire.

Le clip de données terminé reconstruit à partir du même tableur GMV, chaque chiffre intact

Le résultat : le même tableur, reconstruit avec des légendes et des graduations d’axes délibérément supprimées. Le modèle a compressé les deux plans scriptés dans les cinq secondes qu’il a réellement rendues, et chaque chiffre a survécu au déplacement : « 1 580 $ » et « 3 460 $ » dans l’ouverture, puis « 3 460 $ », « 2 480 $ » et « 1 580 $ » au-dessus des trois barres. Zéro étiquette déformée, car il n’y avait plus d’étiquettes à déformer. Silencieux par conception, puisque le chemin image-to-video ne score rien pour vous.

Variations de Document to Video et ce que coûte une minute finie

Le cas du tableur est le plus difficile. Les trois autres cas d’utilisation officiels sont plus faciles, et c’est là que se trouve la majeure partie de la valeur commerciale.

Cours. Donnez-lui une entrée d’encyclopédie et demandez une leçon à un niveau de lecture spécifique. La sortie ci-dessous est un cours animé de style chibi sur le poète Wang Wei, 25,03 secondes.

Le style de dessin tient tout du long. Les détails du personnage, non. À la 3e seconde, il porte une casquette noire sur fond blanc uni ; à 22 secondes, la casquette est devenue bleu pâle et il se tient à l’intérieur d’une peinture de rouleau classique. Même dérive que celle que le testeur du deck a observée sur les montures de lunettes. Si vous reconstruisez cela sur la chaîne en trois étapes, verrouillez une fiche personnage à l’étape 1 et réutilisez l’image de l’étape 2 comme ancre de style.

Entrée d’encyclopédie en leçon animée pour CP, 25,03 s avec audio généré. Démo officielle bêta publique Alibaba Wan 3.0.

Films de marque. Un document de proposition devient un spot complet de 30 secondes. C’est la plus jolie des quatre démos et la moins vérifiable, car on ne voit pas ce que disait le document source. Surveillez la cohérence plutôt que la beauté : c’est le mode d’échec qui a attrapé le testeur tiers, dont le produit a changé de forme trois fois dans un seul clip.

Document de proposition en film de marque de soins de la peau de 30,04 s. Démo officielle bêta publique Alibaba Wan 3.0, son activé.

Résumés de rapports. Aucune démo officielle n’existe pour celui-ci, donc traitez le modèle comme non testé : demandez un présentateur, une affirmation par plan, et mettez chaque chiffre entre guillemets exactement comme à l’étape 1.

Maintenant, l’argent.

Deux grilles tarifaires Wan 3.0 publiées ne sont pas d’accord sur le fait que le 1080p soit à 1,2 ¥ ou 0,20 $ par seconde, ce qui n’est pas le même nombre. Vérifiez le tarif sur le point de terminaison auquel vous êtes facturé avant de budgétiser une série.

Le coût caché n’est pas le tarif à la seconde. C’est la relance. L’entrée document prend un fichier par tâche, donc modifier un seul chiffre signifie régénérer toute la vidéo. Dans la chaîne en trois étapes, le script de plans est un artefact textuel réutilisable, donc un changement de nombre vous coûte un rendu au lieu d’une tâche complète. Sur un cycle de reporting trimestriel, cette différence écrase le prix à la seconde.

Une note légale avant de télécharger quoi que ce soit. Un document que vous envoyez à un modèle hébergé est un document qui quitte votre bâtiment, et les decks internes et les données financières non publiées ont généralement une politique à ce sujet. Vérifiez-la avant l’arrivée de la pression de la date limite, pas après. Et chaque clip de démo officiel dans cet article appartient à Alibaba, cité ici comme matériel de bêta publique ; rien ici n’est une licence pour les réutiliser commercialement.

FAQ Wan 3.0 Document to Video

Quels types de fichiers Wan 3.0 document to video accepte-t-il, et quelle taille ?

doc, xls, ppt, pdf, txt et md, avec key, pages et numbers également signalés, plus un lien web simple au lieu d’un fichier. Un fichier ou un lien par tâche, jusqu’à 100 Mo ou 50 pages.

Wan 3.0 transforme-t-il chaque diapositive en scène ?

Non, et c’est le malentendu le plus courant. Il lit l’intégralité du document, puis dirige une vidéo à partir de ce qu’il a appris. Au plafond, cela fait 50 pages en 30 secondes, soit 0,6 seconde par page, donc il produit une bande-annonce plutôt qu’un tourne-page. Les cas d’utilisation officiels et les tests indépendants vont dans le même sens.

Les chiffres de mon tableur sont-ils précis dans la vidéo ?

Les valeurs des cellules ont tenu dans tous les cas que j’ai vérifiés, y compris 1 580 $, 3 460 $ et +45,7 % dans la démo officielle. Ce qui échoue, c’est le mobilier des graphiques : les légendes fusionnent, les graduations d’axes deviennent non linéaires et les séparateurs de milliers disparaissent. Injectez chaque chiffre comme un littéral entre guillemets et concevez les légendes et les étiquettes de graduation hors du brief.

Puis-je utiliser Wan 3.0 document to video via une API aujourd’hui ?

Uniquement via les canaux propres d’Alibaba, actuellement sur invitation, et les poids ne sont pas publiés. Wan 2.2 reste la dernière version ouverte de la gamme. Tant que cela ne change pas, la chaîne en trois étapes ci-dessus est le substitut pratique.

Combien coûte une vidéo Wan 3.0 de 30 secondes ?

Au tarif 1080p publié, cela fait 36 ¥, ou 6,00 $ sur la grille internationale, pour un clip de 30 secondes. Prévoyez des relances plutôt qu’un seul passage, car une correction d’un seul nombre signifie régénérer l’intégralité.

Quelle est la chose la plus proche de Wan 3.0 document to video que je puisse exécuter maintenant ?

Un modèle à contexte long pour écrire le script de plans, puis Wan 2.7 à 0,1 $ par seconde pour le rendu, avec MiniMax H3 au même tarif ou Seedance 2.5 à 0,134 $ par seconde comme alternatives. Vous obtenez l’aspect d’images générées et un texte précis à l’image. Ce que vous n’obtenez pas : 30 secondes en une seule prise continue, de l’audio dans le même passage que le rendu image-to-video, ou un modèle qui lit le .pptx pour vous.

Le résumé honnête : Wan 3.0 document to video est une capacité réelle avec un plafond réel, et l’écart entre sa sortie et la vôtre est plus petit qu’il n’y paraît, tant que vous cessez de demander à l’un ou l’autre de dessiner une légende.