Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

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.

Aussi appelé : video generation, T2V, AI video generator

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Le text-to-video prolonge le text-to-image avec un second problème : le temps. Une seule bonne image ne suffit pas. Les objets doivent garder leur forme, l'éclairage doit rester stable et le mouvement doit paraître physique sur chaque image.

Comment ça marche

Beaucoup de modèles vidéo partent d'un modèle de diffusion d'images et ajoutent des couches qui examinent plusieurs images à la fois. L'article Make-A-Video de Meta a formulé l'idée simplement : apprendre l'apparence à partir de paires texte-image, et apprendre le mouvement à partir de vidéos non étiquetées. Stable Video Diffusion a été entraîné par étapes, d'abord sur des images, puis sur un grand ensemble de vidéos, puis sur un ensemble plus petit de haute qualité.

En pratique

Des services hébergés comme Kling et Runway, et des modèles comme Veo 3.1, produisent des clips de quelques secondes à partir d'un prompt. Beaucoup acceptent aussi une image fixe comme première image, ce qu'on appelle l'image-to-video. D'autres options sont listées dans la page modèles vidéo.

Limites

Les clips sont courts, et les scènes plus longues sont généralement assemblées bout à bout. Les détails fins, les mains, le texte et les relations de cause à effet se dégradent souvent. La génération coûte bien plus cher que celle d'images, puisque chaque seconde contient de nombreuses images. Une sortie réaliste soulève aussi des inquiétudes liées aux deepfakes.

Termes liés

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.
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.
World model
Un world model (modèle du monde) est un modèle d'IA qui apprend assez bien le fonctionnement d'un environnement pour prédire ce qui va se passer ensuite, souvent à partir de vidéos ou de données de capteurs, afin qu'un agent puisse planifier ou s'entraîner dans la simulation.

Sources