Points essentiels
La différence, c’est qui choisit le sujet
En texte en vidéo, le modèle invente tout : le visage, la pièce, la garde-robe, la lumière et le mouvement. En image en vidéo, vous avez déjà fixé le visage, la pièce, la garde-robe et la lumière en fournissant une image, et la seule chose que le modèle décide encore, c’est ce qui se passe ensuite. C’est toute la distinction, et chaque conséquence pratique en découle. Si l’apparence du sujet vous importe, vous êtes dans le territoire de l’image en vidéo, que vous l’ayez réalisé ou non.
La plupart du catalogue est en image en vidéo, et ce n’est pas un hasard
Parmi les familles de modèles disponibles ici, les endpoints image en vidéo sont environ deux fois plus nombreux que ceux de texte en vidéo. Le secteur a convergé là parce que la difficulté de la vidéo, c’est la cohérence, pas le mouvement. Avec une image de départ, un modèle dispose d’une ancre pour l’identité, l’éclairage et le cadrage sur toutes les images suivantes. Avec des mots seulement, il doit tout redériver de zéro, et de petites dérives s’accumulent sur la durée d’un clip.
À quoi sert votre prompt change complètement entre les deux
Un prompt de texte en vidéo doit porter à la fois l’apparence, le décor, la caméra et le mouvement, et il sera lu comme un tout. Un prompt d’image en vidéo ne doit porter presque que le mouvement et la caméra : décrire à nouveau le sujet est au mieux inutile et au pire nuisible, car vous invitez le modèle à réinterpréter ce qu’il voit déjà. L’erreur la plus courante en image en vidéo est de coller un prompt de texte en vidéo et de se demander pourquoi le visage a changé.
Comment savoir de quel mode votre idée a besoin
Demandez-vous si vous pouvez nommer la personne du plan. Si la réponse est « une femme en robe rouge » — une description, pas un individu — le texte en vidéo convient et vous donne plus de variété par essai. Si la réponse est « cette personne, sur cette photo », l’image en vidéo est le seul mode qui peut le livrer, et aucun détail de prompt ne fera tenir une ressemblance précise au texte en vidéo. Une voie médiane utile consiste à générer d’abord une image, à garder celle qui vous plaît et à l’animer.
Versions et options
- Décidez si le sujet est décrit ou précis. Décrit : texte en vidéo ; précis : image en vidéo.
- Pour l’image en vidéo, choisissez la meilleure image disponible : nette, bien éclairée, sujet clairement détaché de l’arrière-plan. Le mouvement ne sauvera pas une image source floue.
- Écrivez le prompt selon le mode : apparence plus mouvement pour le texte en vidéo, mouvement et caméra seulement pour l’image en vidéo.
- Réglez la durée avant tout le reste. C’est le paramètre qui influe le plus sur le résultat comme sur le coût.
- Générez un clip court comme test, pas un long. Jugez la qualité du mouvement à 5 secondes avant d’en payer davantage.
- Si l’identité dérive en image en vidéo, raccourcissez le clip plutôt que de réécrire le prompt : la dérive s’accumule avec le temps, pas avec les mots.
Preuves et orientation
Là où chacun a tendance à décevoir
Le texte en vidéo déçoit sur la répétabilité : lancez deux fois le même prompt et vous obtenez deux personnes différentes. L’image en vidéo déçoit sur l’ambition : elle ne déplacera pas votre sujet dans une autre pièce, ne changera pas l’heure de la journée et n’ajoutera pas une seconde personne absente de l’image source. Demander cela produit généralement un clip qui ignore la consigne plutôt qu’un échec visible, ce qui fait gaspiller des crédits en silence.
Le troisième mode : deux images au lieu d’une
Certaines familles de modèles acceptent une première image et une dernière image, et génèrent la transition entre les deux. Il est utile de savoir que cela existe, car cela résout un problème que les deux autres modes gèrent mal : amener un clip à un état final précis. Avec une seule image de départ, vous demandez au modèle d’inventer où le mouvement aboutit, et il choisira quelque chose de plausible plutôt que ce que vous avez choisi. Avec les deux extrémités fixées, le modèle interpole au lieu d’improviser, et le résultat est bien plus prévisible, au prix de devoir produire une seconde image cohérente avec la première.
Ce que « mouvement » signifie pour le modèle, et comment le dire
Les consignes de mouvement échouent le plus souvent parce qu’elles décrivent une impression plutôt qu’un mouvement. « Dynamique », « cinématographique » et « vivant » ne sont pas des mouvements ; ce sont des adjectifs que le modèle doit traduire en mouvement, et il choisira la moyenne de tout ce qu’il a vu. Les mouvements ont une direction, un sujet et une vitesse : la caméra avance lentement, les cheveux se soulèvent dans une légère brise, la tête se tourne vers la gauche puis revient. Quelques familles de modèles exposent aussi un contrôle explicite d’amplitude, à utiliser quand il existe : c’est la différence entre demander moins de mouvement et l’espérer.
Le coût est une décision indépendante du mode
Une chose ne change pas entre les deux modes : ce qui fait la facture, la durée d’abord, la résolution ensuite. On est tenté de croire que l’image en vidéo est moins chère parce que vous avez fourni la moitié de l’information, mais la tarification ne fonctionne pas ainsi : le modèle rend de toute façon chaque image. Choisir un mode est une décision créative ; choisir une durée est une décision budgétaire. Les prendre séparément, dans cet ordre, est l’habitude qui garde l’itération abordable.
