Image vers vidéo
L'image vers vidéo (image-to-video) est la tâche qui consiste à transformer une image fixe en un court clip vidéo, généralement avec l'image comme première image et un prompt textuel qui décrit le mouvement.
Aussi appelé : I2V, photo animation, animate image
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Là où le texte vers vidéo invente toute la scène, l'image vers vidéo part d'une image que vous fournissez et n'a qu'à décider comment elle bouge. L'aspect du résultat est donc bien plus facile à maîtriser : le sujet, le cadrage, les couleurs et le style viennent de votre image.
Comment ça marche
La plupart des modèles d'image vers vidéo sont des modèles de diffusion vidéo qui prennent l'image d'entrée comme condition supplémentaire. L'article sur Stable Video Diffusion indiquait qu'un modèle de base entraîné sur de grandes quantités de vidéo apprend une représentation du mouvement qui se transpose à la génération d'image vers vidéo.
Usages courants
Un workflow typique consiste à créer une image en texte vers image, à l'affiner, puis à l'animer. Les photos de produits, les illustrations, les storyboards et les clips pour les réseaux sociaux sont des cas fréquents. Des services comme Kling et Runway le proposent en plus du texte vers vidéo ; d'autres options figurent sous modèles vidéo. Faire parler un portrait est une tâche voisine traitée sous lip sync.
Limites
Le modèle doit deviner ce qui est caché derrière les objets et à quoi ressemble la scène sous de nouveaux angles, si bien que les visages et les détails fins peuvent dériver au fil du clip. Les clips sont courts. Animer la photo d'une personne réelle sans son consentement pose les mêmes problèmes qu'un deepfake.
Termes liés
- Text-to-video
- Le text-to-video (texte vers vidéo) consiste à générer un court clip vidéo à partir d'un prompt écrit. Les modèles doivent produire des images qui paraissent correctes une à une et qui s'enchaînent aussi de façon cohérente d'une image à la suivante.
- Modèle de diffusion
- Un modèle de diffusion est un modèle génératif qui apprend à transformer du bruit aléatoire en données, comme une image, en retirant un peu de bruit à la fois sur de nombreuses étapes.
- Text-to-image
- Le text-to-image (texte vers image) consiste à générer une nouvelle image à partir d'une description écrite, appelée prompt. La plupart des modèles text-to-image actuels sont des modèles de diffusion conditionnés par le texte.
- Lip sync (vidéo IA)
- Le lip sync par IA (synchronisation labiale) consiste à utiliser un modèle pour modifier les mouvements de la bouche d'une personne dans une vidéo ou une image afin qu'ils correspondent à une nouvelle piste audio, comme une réplique traduite ou réécrite.
- Deepfake
- Un deepfake (hypertrucage) est un contenu image, audio ou vidéo créé ou modifié par IA de façon à montrer de manière convaincante une personne, un lieu ou un événement réels dans une situation qui n'a pas eu lieu, et qui pourrait passer pour authentique.