Comment les meilleurs réalisateurs créent des vidéos à partir d'images en seulement 5 jours et recréent des scènes historiques

Le 21 septembre, à la veille de la Conférence Apsara 2026, le réalisateur et scénariste acclamé Lu Chuan est monté sur scène pour présenter la bande-annonce de son court métrage AIGC, The Site of History. C'est la première fois qu'il utilise l'IA pour créer des images de qualité cinématographique en profondeur, marquant ainsi une « co-création homme-IA » avec le modèle de génération vidéo d'Alibaba.

Selon les standards de la production cinématographique traditionnelle, la reconstitution du paysage urbain de Pékin sous la dynastie Ming, du palais impérial et d'une explosion massive aurait nécessité des mois de travail et un budget de plusieurs dizaines de millions — rien que le tournage d'une séquence d'explosion réelle avait pris 19 jours. Cette fois-ci, de la recherche historique à la génération d'images, l'équipe n'a eu besoin que de cinq jours.

Ce contraste est ce qui attire aujourd'hui l'attention de toute l'industrie.

Utiliser l'IA pour « retourner sur les lieux » d'un mystère vieux de 400 ans

The Site of History dépeint l'« Incident de Wanggongchang » de 1626 sous la dynastie Ming — une explosion massive survenue à l'arsenal de poudre à canon de Wanggongchang, dans le sud-ouest de Pékin, dont la cause reste un mystère à ce jour. Précisément parce qu'il est « non résolu », il offre à la fois une vaste toile de fond et un défi formidable pour la création cinématographique.

Le choix du sujet par Lu Chuan est issu des recherches de l'équipe sur l'histoire des Ming lors de la préparation du film Tiangong Kaiwu. Plutôt que de s'en remettre à la pure imagination, ils ont examiné attentivement plusieurs sources de la dynastie Ming, notamment Zhuozhong Zhi et Tianjue Tang Wenji, reconstituant les récits écrits de différents témoins oculaires, puis ont utilisé l'IA pour traduire ces « scènes textuelles » en images — et pour explorer le mystère qui entoure encore l'explosion aujourd'hui.

Le court métrage se déploie à travers les perspectives de trois témoins oculaires : Wu Er, un artisan de la poudre à canon ayant survécu au centre de l'explosion ; Liu Ruoyu, un eunuque à l'intérieur du palais ; et Xue Gang, un érudit vivant parmi le peuple. Ces trois récits proviennent de documents historiques survivants — ce qui signifie qu'il n'y a pas un seul « protagoniste » fictif ; chaque personnage est un témoin laissé par l'histoire.

La scène la plus susceptible d'exposer les faiblesses de l'IA — reconstituée avec plus de 95 % de fidélité

Que craignent le plus les spectacles d'effets visuels ? Être pris en flagrant délit de faux. Et une explosion — avec de la fumée, des débris et du feu jaillissant simultanément — est précisément le type de scène complexe et rapide qui met le modèle à l'épreuve maximale et qu'il est le plus facile de repérer comme « fausse au premier coup d'œil ».

L'approche de l'équipe était résolument « axée sur l'ingénierie » : ils ont traduit phrase par phrase les descriptions littéraires des textes anciens — telles que « la fumée s'élevant comme un champignon lingzhi noir » — en concepts visuels modernes comme « nuage en champignon » ; ils ont itéré à travers environ quatre cycles d'optimisation des prompts ; et ils ont calibré le résultat par rapport à des vidéos d'explosions réelles.

The result: the Alibaba video-generation model's rendering of the smoke, debris, and other imagery reached over 95% of what the team had expected. On screen, the "black lingzhi" smoke surged upward—and it held, rock solid.

Pas « l'IA remplaçant le réalisateur », mais une nouvelle division du travail

Ce que Lu Chuan souhaite vraiment explorer, ce n'est pas de savoir si l'IA remplacera les réalisateurs, mais comment les humains et les machines peuvent se répartir les tâches.

Il a commencé à expérimenter l'AIGC dès 2023 — devenant pratiquement un utilisateur avancé — pourtant cette production a toujours « dépassé ses attentes ». Il a judicieusement souligné un défaut courant : les modèles polyvalents sont principalement entraînés sur des œuvres cinématographiques et télévisuelles existantes en costumes d'époque, de sorte que les images générées par l'IA portent facilement une « ambiance de drame historique » familière, manquant ainsi du « sentiment d'étrangeté » que devrait évoquer l'histoire réelle.

La réponse de The Site of History est la suivante : les humains définissent la direction, l'IA gère l'exécution.

• Lors de la recherche et de la collecte de documents : les humains décident d'abord de l'orientation de la recherche, et l'IA aide à rassembler les matériaux ;
• Pendant la production : le réalisateur contrôle la direction de la caméra, la texture visuelle et le ton général, tandis que l'IA concrétise l'intention ;
• Lors de la réflexion thématique : l'IA peut même servir de « partenaire de conversation », aidant à clarifier les questions.

In one sentence: humans own the sense of problem, core expression, aesthetic judgment, and factual boundaries; AI handles expanding the material, concretizing the imagination, and improving execution efficiency. In the video-generation segment, the Alibaba model's level of involvement and contribution exceeded half of the work, making characters more lifelike and rendering "a thousand faces for a thousand people."

Il est notable que Lu Chuan lui-même participe profondément à la création via la programmation et le post-entraînement des modèles — il y voit un « choix bidirectionnel » : des personnages réalistes, des scènes complexes et une texture cinématographique sont précisément les points forts du modèle de génération vidéo d'Alibaba. De son côté, Alibaba a déclaré qu'il collaborera à l'avenir avec davantage de réalisateurs, d'experts de l'industrie et d'historiens, en introduisant des informations professionnelles plus rigoureuses et en renforçant continuellement les capacités Agentic Video pour élever le niveau d'intelligence de l'ensemble du pipeline de production vidéo.

Le signal réel : la concurrence dans la vidéo IA passe des « benchmarks » à la « livraison »

Si The Site of History n'est considéré que comme une actualité « un réalisateur s'amuse avec l'IA », vous manquerez un changement plus significatif.

Le 22 septembre, lors du forum principal de la conférence Apsara, Alibaba Cloud a présenté presque toute sa gamme de modèles : Qwen3.8-Max commençant à s'auto-entraîner, Qwen3.8-Flash annonçant l'architecture de prochaine génération, Qwen3.8-Omni unifiant la compréhension omni-modale, et Qwen4 déjà en entraînement, avec une échelle de paramètres visant directement 5 à 10 billions ; la génération d'images Qwen-Image-3.1, la génération musicale Happy Shrimp 1.1, le modèle mondial HappyOyster 2.0 Preview et la voix Qwen-Audio-3.1 ont tous fait leur apparition, et le modèle vidéo de prochaine génération devrait être publié en novembre.

Chacun de ces modèles pourrait remplir un article entier, mais lu conjointement avec le court métrage de Lu Chuan, la saveur change — cette vague de mises à niveau omni-modales ne ressemble plus à un remplissage de capacités individuelles, mais plutôt à la réponse à une seule question : les modèles peuvent-ils entrer plus rapidement dans des scénarios réels et devenir une véritable productivité ?

Au cours de l'année écoulée, la course à la vidéo IA tournait autour des « benchmarks » : qui arrive en tête du classement en aveugle, qui peut générer des clips plus longs. Mais des œuvres comme The Site of History ramènent la compétition à une dimension plus terre-à-terre — la livraison : pouvez-vous réellement terminer un film, pouvez-vous convaincre un réalisateur de premier plan d'y apposer son nom, pouvez-vous compresser « des dizaines de millions de yuans et des mois de travail » en « cinq jours » ?

« L'IA n'est pas un photographe de paysages existants, mais un créateur de mondes inconnus. » Les mots de Lu Chuan pourraient servir de note de bas de page pour tous les acteurs de l'industrie : le prochain tournant de l'image vers la vidéo ne se situe pas dans les classements, mais sur le plateau de tournage.