Nano Banana 2.1 et Hailuo 3.0 en tandem : une vidéo à partir d'une seule photo

Deux entrées, deux modèles, un résultat. Pour obtenir une vidéo à partir d'une photographie, le réseau de neurones a besoin d'une image de départ et d'une description du mouvement. C'est sur ce schéma que repose l'article publié sur Habr : Nano Banana 2.1 prépare l'image, Hailuo 3.0 (alias MiniMax H3) la met en mouvement. L'annonce RSS ne contient que la thèse ; les prompts et les exemples figurent dans le texte complet, derrière le cut. Ce qui suit porte donc sur ce qui découle du schéma annoncé et sur ce qu'il faudra vérifier soi-même.

Pourquoi répartir le travail entre deux modèles

Lorsqu'un modèle génère une vidéo directement à partir d'un texte, il résout trois problèmes à la fois : il invente la composition, choisit l'apparence du personnage et calcule le mouvement. Toute erreur sur le premier ou le deuxième point entraîne ensuite tout le reste. Le mode image-to-video supprime une partie de cette incertitude. Le visage, les vêtements, la lumière et l'arrière-plan sont figés avant le début de l'animation, et le modèle vidéo ne s'occupe plus que du mouvement.

C'est exactement ainsi que le travail est réparti dans cette combinaison. Nano Banana est connu comme une gamme de générateurs et d'éditeurs d'images, Hailuo fait partie de la famille de modèles vidéo de MiniMax. Les versions 2.1 et 3.0 sont celles indiquées dans le titre de l'auteur. Le texte ne fournit aucune spécification indépendante à leur sujet ; je ne propose donc pas de comparaison avec les concurrents. Pour la pratique, la logique suffit : on peut retoucher et régénérer l'image plusieurs fois jusqu'à ce qu'elle soit impeccable, et ne lancer qu'ensuite l'animation, plus lourde.

Physique du mouvement : là où ces schémas cèdent

L'auteur place la physique du mouvement au cœur du sujet, et c'est le point le plus faible de tout modèle vidéo. Les défaillances typiques sont connues. Les mains et les doigts se déforment pendant le mouvement. Les jambes glissent sur la surface. Les tissus et les cheveux ne réagissent ni au vent ni à l'inertie. Des objets surgissent de nulle part ou disparaissent hors du cadre.

De là découle la logique du prompt de mouvement. Il ne doit pas répéter ce qui figure déjà sur la photo : le modèle voit lui-même le personnage, ses vêtements et l'intérieur. Il doit décrire uniquement le changement : ce que fait le sujet, comment la caméra se déplace, quel est le rythme, ce qui se passe à l'arrière-plan. Plus le verbe est précis et plus l'action est simple, moins on risque d'obtenir un artefact physique. Un seul mouvement fluide est généralement plus fiable qu'une scène de cinq événements.

L'annonce ne contient ni formulations concrètes ni comparaisons de résultats. Il faut les chercher dans le corps de l'article.

Ce que l'on sait du schéma

• Entrée 1 : une image de départ préparée dans Nano Banana 2.1.
• Entrée 2 : une description textuelle du mouvement.
• Modèle vidéo : Hailuo 3.0 (MiniMax H3).
• Axe de l'article : la physique du mouvement et la structure des prompts.
• Source : un article sur Habr, texte complet derrière le cut.
• Non précisé dans l'annonce : la durée du clip, la résolution, le coût de génération, les conditions de licence.

Comment reproduire le schéma en pratique

Commencez par l'image. Composez une image à la composition claire : personnage en pied ou à mi-corps, mains non masquées, source de lumière lisible. Plus la géométrie est simple, plus il est facile pour le modèle vidéo de la conserver.

Rédigez ensuite le prompt de mouvement en phrases courtes, dans l'ordre « sujet, action, caméra, tempo ». Par exemple : la personne tourne lentement la tête vers la fenêtre, la caméra s'approche en douceur, le tissu ondule légèrement. N'ajoutez au prompt ni style ni détails d'apparence : ils sont déjà intégrés à l'image.

Générez plusieurs variantes de la même requête et comparez-les selon des critères précis : la forme des mains tient-elle, l'arrière-plan ne flotte-t-il pas, l'inertie correspond-elle au tempo demandé. Si un artefact se répète, simplifiez l'action au lieu de compliquer la description.

Avant tout usage commercial, vérifiez ce que l'annonce passe sous silence : les limites de durée, la résolution de sortie, le prix par seconde et les droits sur les contenus. Ces paramètres déterminent si la combinaison convient à un flux de production ou seulement à des expérimentations.