Vidéo IA

Ce qui est inclus dans la prestation de vidéo IA

Nous prenons la tâche du client et la menons de l'idée à la vidéo finie : nous formulons et affinons le prompt, nous lançons la génération de vidéo par réseau de neurones, puis nous montons et réalisons la postproduction du résultat. En entrée, nous recevons un descriptif, des références, des éléments de marque et le texte du scénario ; en sortie, nous livrons un clip monté à la durée et au format requis. Nous travaillons par itérations : la première passe donne des images brutes, ensuite nous précisons le cadrage, le mouvement, la lumière et les raccords entre plans, jusqu'à ce que l'image colle à la tâche. Séparément, nous réglons la répétabilité du style, pour qu'une série de clips ressemble à un seul matériau, et non à un assemblage de générations différentes. Nous ne menons pas de production de tournage physique : tout le travail se déroule dans un environnement logiciel, du côté de notre équipe.

Comment fonctionne la technologie, au fond

Le réseau de neurones de génération de vidéo est entraîné sur de grands ensembles de paires « texte-plan » et « plan-plan » et prédit à quoi doit ressembler une séquence d'images d'après le descriptif donné. Les modèles modernes reposent sur la diffusion : d'abord à partir d'un bruit aléatoire, puis pas à pas ce bruit est retiré, jusqu'à ce qu'apparaisse un plan cohérent, accordé avec ses voisins dans le temps. Le prompt définit le contenu et le style, tandis que les paramètres techniques maintiennent un objet unique et le mouvement entre les plans, pour éviter le tremblement et la substitution de détails. La sortie brute du modèle exige presque toujours une finition : raccords de plans, étalonnage des couleurs, stabilisation, remplacement des fragments faibles et calage sur le son. C'est pourquoi le résultat réel se compose de deux parties à peu près à parts égales : la génération elle-même et la postproduction d'ingénierie par-dessus.

L'histoire de l'apparition de la vidéo générative

Le point de départ de cette direction, c'est 2014, lorsque Ian Goodfellow et ses coauteurs ont publié le travail « Generative Adversarial Nets » et proposé les réseaux antagonistes GAN, où le générateur et le discriminateur apprennent l'un contre l'autre. Le deuxième fondement a été posé en 2015 : Sohl-Dickstein et ses coauteurs, dans l'article « Deep Unsupervised Learning using Nonequilibrium Thermodynamics », ont décrit l'approche par diffusion — transformer les données en bruit, pour ensuite reconstituer les données à partir du bruit. Le boom a commencé en 2022 : le 22 août, Stability AI, avec le groupe CompVis, a sorti Stable Diffusion pour les images, et en novembre 2022 Google a présenté Imagen Video, déjà pour la vidéo. Ensuite, le rythme s'est accéléré : en juin 2023 Runway a ouvert Gen-2 avec génération de vidéo à partir de texte, et le 15 février 2024 OpenAI a présenté Sora, dont la sortie publique (Sora Turbo) a eu lieu le 9 décembre 2024. En dix ans, cette direction a parcouru le chemin des GAN de recherche jusqu'aux modèles commerciaux accessibles aux entreprises.

Pourquoi la précision et le paramétrage sont importants

La qualité d'un clip se définit non par le fait de la génération, mais par la précision avec laquelle sont fixés le prompt, les paramètres du modèle et la logique de postproduction. Une formulation imprécise donne un objet qui se disloque, du scintillement et des plans impossibles à raccorder en une vidéo cohérente, et il faut alors refaire la génération à zéro. Le réglage des paramètres de pilotage — degré d'adéquation au texte, longueur et fréquence des images, images de référence — influe directement sur la stabilité et la prévisibilité du résultat. La postproduction comble ce que le modèle ne tire pas de lui-même : couleur, netteté, artefacts, rythme du montage et synchronisation avec le son. Sans cette partie logicielle et d'ingénierie, il reste entre les mains un ensemble de fragments bruts, et non un matériau apte à la publication.

Avec quels outils nous travaillons

La stack se divise en trois couches : les réseaux de neurones de génération de vidéo, les outils de montage et les outils de postproduction. Au niveau de la génération, nous employons des modèles vidéo par diffusion des familles Runway, Stable Video Diffusion et compatibles, en choisissant le modèle selon la tâche — dynamique, style, longueur de plan. Le montage, les raccords, le timing et le travail sur le son, nous les menons dans des éditeurs vidéo, et les opérations par lots et l'automatisation du traitement, nous les construisons sur FFmpeg, qui convertit les formats, découpe et assemble les pistes. La couleur, le nettoyage des artefacts, l'upscaling et la stabilisation, nous les réalisons par des nœuds distincts par-dessus la sortie du modèle. L'ensemble concret, nous le sélectionnons selon le budget, le format et la plateforme, au lieu d'imposer un outil universel unique.

Quand sont apparus les outils clés

L'outil de travail de base du traitement vidéo — FFmpeg — a été publié le 20 décembre 2000 par le programmeur français Fabrice Bellard, et il est depuis devenu le standard du transcodage et de l'assemblage vidéo. La couche moderne de génération s'appuie sur la diffusion, formalisée en 2015 dans le travail de Sohl-Dickstein, et sur sa mise en œuvre appliquée Stable Diffusion du 22 août 2022. Les modèles vidéo sont apparus massivement à la suite : Imagen Video en novembre 2022, Runway Gen-2 en juin 2023, OpenAI Sora en février 2024. Autrement dit, un outil de traitement mature existe depuis plus de vingt ans, et la couche générative par-dessus s'est constituée littéralement au cours des dernières années. Nous relions les deux strates : un traitement éprouvé par le temps et des modèles de génération récents.

Pourquoi vous pouvez nous le confier

ASI Robotics, c'est une équipe de développement avec une expérience cumulée dans l'IT de plus de 45 ans, et nous abordons la vidéo comme une tâche d'ingénierie, et non comme une création ponctuelle. Nous écrivons les prompts et nous configurons le pipeline pour un résultat précis, nous fixons les paramètres et nous vérifions les sorties avant le lancement en production, au lieu de livrer la première passe venue. Le même principe d'ingénierie est à la base de tout ce que nous faisons : pour les tâches de découpe, de soudage, d'impression 3D ou de logistique d'entrepôt, nous préparons le programme et le paramétrage, tandis que c'est l'équipement du client qui découpe, soude, imprime et transporte. Cette séparation est honnête : la partie production est exécutée par le matériel du client, et nous, nous prenons le logiciel, la logique et la finition jusqu'à une qualité stable. C'est pourquoi le risque est limité à l'étape de développement et de vérification, et c'est une solution déjà rodée qui part dans le circuit de production.