Quand on travaille avec des modèles génératifs dans une conversation classique, l’itération fonctionne très bien… jusqu’au moment où elle commence à se perdre dans son propre historique.
On change une référence, puis un prompt, puis une contrainte. On revient trois messages en arrière, on teste une autre direction, on essaie de se souvenir de ce qui avait réellement produit le bon résultat.
Même avec des notes, la logique finit parfois par disparaître dans la conversation.
Les nodes changent ça.
Un node est simplement une étape visible dans une chaîne de transformation. Il reçoit quelque chose, applique une opération précise, puis transmet son résultat à l’étape suivante.
Au lieu de simplement discuter avec un modèle, on commence à construire un système.
Du style sheet au mouvement
Pour cette expérience, je voulais partir d’une style sheet et obtenir un Drake marchant de profil, à vitesse constante, tout en conservant son identité visuelle.
Le point de départ reste très classique : une référence et un prompt envoyés à Seedance pour générer le mouvement.
Full body character walking in profile at a relaxed constant pace.
Locked camera.
Full body always visible.
Stable proportions.
Natural alternating steps.
Minimal arm movement.
No camera movement.
No scene change.
Plain clean background.
9:16La différence commence ensuite.
La vidéo générée devient l’entrée d’un node Replace dans Wan 2.2 Animate. Une nouvelle référence personnage peut alors être injectée dans le même mouvement.
Le mouvement reste la structure.
Le personnage devient une variable.
L’output peut ensuite passer dans un node de suppression d’arrière-plan, être envoyé dans un compositeur avec un nouveau décor, puis terminer sa course dans un node Export.
Ce que les nodes changent
Le plus intéressant ici n’est pas d’empiler plusieurs modèles.
C’est que chaque transformation devient visible, isolée et modifiable.
Je peux changer une référence sans reconstruire toute la chaîne. Remplacer un modèle. Créer une branche. Réutiliser une étape dans un autre workflow.
Les modèles restent génératifs, donc une part de variance subsiste. Mais le processus devient beaucoup plus contrôlable, reproductible et scalable.
Et surtout, je n’ai plus besoin de me demander :
« Qu’est-ce que j’avais changé pour obtenir ça ? »
La réponse est littéralement devant moi.
Le workflow complet est accessible en lecture pour ceux qui veulent regarder sous le capot.
La vidéo est le résultat. Le vrai produit, ici, c’est le workflow.