La plupart des gens pensent que le filtre NSFW de Wan 2.7 ne bloque que les contenus explicites. Ils ont tort. Cet article détaille ce que le filtre signale réellement, pourquoi le blocage se produit au niveau du classifieur et non à l’intérieur du modèle de diffusion, et comment des plateformes comme PicassoIA configurent l’accès pour que les créateurs obtiennent des résultats sans blocages constants.
La plupart des personnes qui traitent Wan 2.7 comme n’importe quel autre modèle vidéo à poids ouverts se heurtent à un obstacle dès qu’elles tentent de générer quoi que ce soit de tant soit peu suggestif. Le filtre se déclenche, la vidéo est bloquée, et elles supposent que le modèle est tout simplement « verrouillé ». Cette hypothèse est fausse sur trois plans distincts. Le fonctionnement réel du filtre NSFW de Wan 2.7 est plus intéressant, et plus maîtrisable, que ce que la plupart des tutoriels laissent entendre. Chacune des trois surprises ci-dessous change la façon dont vous devriez aborder le modèle, et à la fin vous aurez une idée précise de ce qui se passe réellement chaque fois que le système rejette votre résultat.
Voici ce que personne ne vous dit quand vous lancez Wan 2.7 pour la première fois : le classifieur NSFW n’a pas été entraîné exclusivement sur des contenus pornographiques explicites. Il l’a été sur une catégorie bien plus large de contenus étiquetés « potentiellement sensibles », qui comprend des éléments auxquels la plupart des créateurs ne s’attendraient jamais à voir déclencher un filtre de sécurité.
La couche de sécurité du modèle signale :
C’est pourquoi les créateurs signalent régulièrement des blocages alors que leur prompt ne contient rien de sexuellement explicite. Une femme en maillot de bain au bord d’une piscine peut déclencher le filtre selon la seule manière dont le modèle cadre la scène. Un couple qui s’enlace dans une lumière tamisée le déclenche plus souvent que le même couple qui s’enlace en extérieur, en pleine lumière. Le modèle ne lit pas l’intention de votre prompt. Il fait passer le résultat dans un classifieur post-génération qui examine les dernières images de la vidéo comme des images fixes et rend une décision de validation ou de rejet.
💡 La distinction importante : le filtre NSFW de Wan 2.7 analyse ce que le modèle génère, et non ce que vous demandez. Cela signifie que des prompts techniquement « propres » peuvent produire des résultats signalés si le modèle interprète un langage ambigu dans un certain sens, ou si la composition de la scène qu’il génère correspond par hasard aux données d’entraînement du classifieur pour les contenus sensibles.
Si vous avez utilisé Wan 2.5 T2V ou Wan 2.6 T2V en production, vous avez probablement remarqué un seuil nettement plus souple. Wan 2.1 et 2.5 reposaient sur un filtre plus simple, fondé sur des mots-clés et des légendes. Si votre prompt textuel passait le contrôle au niveau des mots, la génération du résultat se poursuivait généralement sans problème. Wan 2.6 a introduit une analyse des sorties image par image, mais elle était réglée avec prudence, avec moins de faux positifs et une attention portée aux contenus clairement explicites plutôt qu’à la catégorie bien plus large des contenus « sensibles ».
Wan 2.7 est livré avec une version nettement plus agressive de ce classifieur de sorties. Les données d’entraînement du modèle de sécurité ont été élargies, les seuils de sensibilité ont été relevés et la définition de « potentiellement sensible » a été considérablement élargie. Ce compromis se traduit par moins de contenus clairement explicites dans les résultats, mais aussi par une hausse notable des blocages faux positifs sur des contenus que la plupart des créateurs jugeraient tout à fait raisonnables pour des plateformes destinées aux adultes.
| Modèle | Type de filtre | Seuil habituel |
|---|---|---|
| Wan 2.1 | Filtre sur le prompt textuel | Permissif |
| Wan 2.5 | Texte + analyse basique des sorties | Modéré |
| Wan 2.6 | Classifieur des sorties au niveau de l’image | Modéré à strict |
| Wan 2.7 | Classifieur avancé multi-images | Strict |
Cette progression d’une version à l’autre reflète une tendance générale du secteur vers des réglages de sécurité par défaut plus conservateurs au niveau du modèle, avec l’attente que les plateformes et les opérateurs configurent l’accès selon leurs propres publics. Cela nous amène à la surprise n° 3, mais d’abord : que fait réellement le filtre ?
C’est là que cela devient techniquement intéressant. Le modèle de diffusion vidéo de Wan 2.7, le réseau de neurones qui génère réellement les images, n’intègre aucune notion native de « approprié » ou « inapproprié ». C’est un système génératif qui transforme du bruit en images vidéo à partir d’une représentation vectorielle du prompt. Il n’évalue pas ce qu’il produit, et il n’a pas été spécifiquement entraîné à éviter les contenus pour adultes. La capacité générative est entièrement intacte dans les poids.
Le filtrage NSFW se fait dans un module entièrement distinct. Une fois les images générées, un classifieur de sécurité, fonctionnellement proche d’une API de modération de contenu, analyse les images de sortie et renvoie un indicateur de validation ou de rejet. Si l’indicateur se déclenche, le résultat est supprimé avant même de vous parvenir. Dans la plupart des déploiements, cela se produit côté serveur : vous ne voyez donc jamais le résultat. Vous recevez simplement un message de refus, souvent sans explication précise sur les images qui ont déclenché l’indicateur ni sur la raison.
Cette architecture implique plusieurs points que la plupart des documentations ne formulent jamais explicitement :
Une erreur courante consiste à considérer le travail sur le prompt comme le principal moyen de composer avec le filtre. Les créateurs passent des heures à retoucher leur formulation, à ajouter des prompts négatifs du type « safe for work » ou « entièrement habillé », ou à utiliser une terminologie clinique à la place de tout ce qui sonne évocateur. Une grande partie de cet effort est mal dirigée.
Comme le classifieur examine le rendu visuel plutôt que le prompt textuel, le travail sur le prompt n’est utile que s’il amène le modèle à générer un résultat visuellement différent, que le classifieur ne signale pas. Aucun mot ni aucune expression que vous pourriez taper ne permet de dire au classifieur « ceci est de l’art, pas de la pornographie ». Le classifieur examine des pixels, pas des intentions.
Ce qui fonctionne au niveau du prompt, c’est le contrôle de la composition, du cadrage et du contexte, de façon à éloigner le modèle des images qui tombent dans les zones de déclenchement du classifieur. Les conditions d’éclairage, les angles de prise de vue, les éléments de la scène et la distance au sujet peuvent tous modifier systématiquement les résultats. C’est un savoir-faire, pas une ruse, et il donne régulièrement de meilleurs résultats créatifs, quelles que soient les considérations liées au filtrage.
💡 Astuce de pro : plutôt que d’employer des termes vagues comme « sensuel » ou « intime », décrivez des détails visuels précis : la qualité et la direction de la lumière, l’angle de prise de vue exact, la texture des vêtements et du décor, la distance au sujet. Cela réduit la marge d’interprétation du modèle, donc moins de surprises, aussi bien dans le résultat que dans la réponse du filtre.
C’est la surprise que la plupart des documentations de Wan 2.7 omettent totalement. Le même modèle, exécuté sur différentes plateformes, se comporte différemment. Ce n’est pas parce que les poids du modèle ont été modifiés, mais parce que la configuration du classifieur, les seuils de sensibilité et les contrôles de sécurité appliqués sont entièrement déterminés par l’opérateur de la plateforme qui déploie le modèle.
Lorsque vous exécutez Wan 2.7 en local avec les réglages par défaut, vous obtenez la configuration de sécurité par défaut de Wan. Lorsque vous accédez à Wan 2.7 via une plateforme cloud, vous obtenez la configuration de cette plateforme, qui peut être plus restrictive, moins restrictive ou totalement différente de la configuration par défaut, selon ce pour quoi la plateforme a été conçue.
Certaines plateformes ajoutent des restrictions supplémentaires à la configuration par défaut, ce qui rend le modèle encore plus difficile à utiliser pour tout contenu suggestif. D’autres, conçues spécifiquement pour la création à destination des adultes, configurent le classifieur avec des seuils plus larges ou ne l’appliquent qu’aux contenus clairement explicites plutôt qu’aux contenus simplement suggestifs. Même modèle, mêmes poids, expérience pratique radicalement différente.
PicassoIA met à disposition les trois versions de Wan 2.7 avec des configurations adaptées à la création artistique destinée aux adultes, dans le cadre de la politique de contenu de la plateforme. Aucun résultat explicite ou pornographique, mais une prise en charge complète des maillots de bain, du glamour, de la romance, de l’intimité suggérée et des travaux artistiques suggestifs.
La plateforme vous donne accès à trois outils Wan 2.7 distincts :
Wan 2.7 T2V : texte vers vidéo en 1080p. Idéal pour construire une vidéo entièrement à partir de descriptions écrites. Prend en charge des prompts plus longs et plus narratifs, qui capturent l’ambiance de la scène, les détails des personnages et les spécificités atmosphériques.
Wan 2.7 I2V : image vers vidéo. Anime une image fixe que vous fournissez en entrée. Idéal lorsque vous disposez d’une image de référence précise, générée par un autre modèle d’image ou importée depuis vos propres fichiers, et que vous souhaitez lui donner vie grâce au mouvement.
Wan 2.7 R2V : référence vers vidéo. Utilise une image de référence du sujet pour animer un personnage à travers plusieurs scènes, en conservant une identité faciale et corporelle cohérente d’une image à l’autre de la vidéo. C’est l’ajout le plus récent à la gamme Wan 2.7 et l’outil le plus puissant pour le travail de personnages sur plusieurs scènes.
Le modèle Wan 2.7 T2V gère la génération de vidéos texte vers 1080p. Pour obtenir les meilleurs résultats avec des contenus suggestifs ou proches du contenu pour adultes, appliquez ces principes dès le départ :
Le temps de génération habituel est de 2 à 4 minutes. Le résultat est une vidéo MP4 de 5 secondes, téléchargeable directement ou utilisable dans la plateforme PicassoIA pour une retouche ultérieure.
Wan 2.7 I2V est la voie la plus fiable lorsque vous avez besoin d’une apparence de personnage constante sur chaque image de la vidéo. Générez d’abord votre image de référence avec un modèle texte vers image, puis importez-la dans Wan 2.7 I2V avec un prompt de mouvement.
Le prompt de mouvement pour I2V doit décrire le mouvement, pas l’apparence. L’apparence provenant de l’image de référence, votre prompt doit se concentrer entièrement sur ce qui bouge et sur la façon dont cela bouge :
L’approche I2V donne systématiquement de meilleurs résultats que le texte vers vidéo pur pour les contenus centrés sur les personnages, car le modèle n’a pas à inventer les détails de l’apparence à partir de zéro.
Wan 2.7 R2V prend une image de référence de votre sujet et génère une vidéo plaçant ce sujet dans une nouvelle scène ou dans une autre pose, tout en conservant une identité constante. C’est l’outil idéal pour :
Même avec la configuration de PicassoIA, certaines situations appellent un autre modèle : des temps de génération plus rapides, une esthétique visuelle différente ou un flux de travail qui évite entièrement l’étape I2V.
| Modèle | Idéal pour | Sortie |
|---|---|---|
| Seedance 2.5 | Texte vers vidéo rapide et de haute qualité, jusqu’à 10 secondes | 1080p |
| Kling v3 Video | Mouvements cinématographiques, travail de personnages stylisés | 1080p |
| Pixverse v5.6 | Effets visuels créatifs et stylisation | 1080p |
| Wan 2.6 I2V | Seuil légèrement plus permissif que la version 2.7 | HD |
| LTX 2.3 Pro | Sortie en résolution 4K à une vitesse de génération élevée | 4K |
💡 Pour les images fixes à thème adulte : Seedream 4.5 est la meilleure recommandation sur PicassoIA. Il produit rapidement des portraits photoréalistes et des photographies glamour sans censure, avec des générations illimitées disponibles via PicassoIA Image Editor Pro. N’utilisez pas Seedream 5 Lite dans cet objectif, car il applique un filtrage de contenu plus strict qui bloquera les travaux proches du contenu pour adultes.
Le flux de travail le plus fiable pour la vidéo IA à thème adulte sur PicassoIA combine la génération d’images et de vidéos en séquence :
Ce processus en deux temps sépare la conception de l’apparence de la conception du mouvement. Comme l’apparence est figée à l’étape de l’image, le modèle vidéo dispose de bien moins de marge d’interprétation, ce qui signifie moins de résultats inattendus et moins de déclenchements du classifieur. Les résultats sont systématiquement plus fidèles à l’intention que lorsqu’on se fie uniquement au texte vers vidéo.
Savoir comment fonctionne réellement le filtre NSFW de Wan 2.7 change la façon de l’aborder. Le filtre n’est pas intégré au modèle génératif. C’est un classifieur de sécurité distinct, configurable selon la plateforme, qui examine des pixels, pas des intentions. Le même modèle, sur la bonne plateforme, génère des résultats qu’un déploiement restreint refuse de produire, et il ne s’agit pas d’une faille : c’est l’architecture voulue.
PicassoIA vous donne un accès direct aux trois versions de Wan 2.7, configurées pour la création artistique destinée aux adultes dans le cadre des conditions de la plateforme. Vous avez également accès à plus de 80 modèles texte vers vidéo, à plus de 90 modèles texte vers image, et à tous les outils nécessaires pour faire fonctionner des flux de travail image vers vidéo qui produisent systématiquement ce que vous recherchez vraiment.
Commencez par Wan 2.7 T2V si vous voulez partir d’un prompt écrit, ou par Wan 2.7 I2V si vous avez une image de référence prête à être animée. Associez l’un ou l’autre à Seedream 4.5 pour la génération d’images et vous obtenez un flux de travail complet. Parcourez le catalogue complet de modèles sur picassoia.com/en/all-models pour trouver la combinaison qui correspond à votre processus créatif.
Choisissez votre langue
