Le 15 février 2024, OpenAI a diffusé une poignée de clips qui ont fait le tour du monde : deux passants marchant dans un Tokyo enneigé, un SUV dévalant une route de montagne, un petit monstre pelucheux qui contemple une bougie. Ces vidéos, longues d'une minute et d'une netteté déconcertante, n'avaient pas été filmées. Elles avaient été générées à partir de quelques phrases, par un modèle baptisé Sora. En quelques mois, la génération de vidéo par intelligence artificielle est passée du statut de curiosité de laboratoire à celui de sujet central de l'industrie créative. Runway, Luma, Pika, Kuaishou, Stability : les annonces se sont enchaînées à un rythme soutenu. Où en est-on vraiment ?
Cet article propose un état des lieux serein et documenté de la création de vidéo par prompt, à l'été 2024. Nous allons regarder de près comment ces modèles fonctionnent, qui sont les principaux acteurs et ce qu'ils savent faire aujourd'hui, quels usages concrets émergent déjà, et quelles limites demeurent. L'objectif n'est pas de céder à l'emballement des démonstrations soigneusement sélectionnées, ni de balayer la technologie d'un revers de main. Il est de comprendre, avec précision, ce que « créer un film par prompt » signifie réellement à ce stade — et ce que cela ne signifie pas encore.
Un mot de méthode d'abord. Le domaine avance vite, et les clips qui circulent sont, par nature, les meilleurs résultats retenus par leurs auteurs. Nous nous appuierons donc autant que possible sur les annonces officielles, les rapports techniques et les capacités documentées, plutôt que sur l'impression laissée par telle ou telle vidéo virale. C'est la seule façon d'y voir clair dans un paysage en pleine effervescence.
Une accélération inédite en quelques mois
Pour situer le moment, il faut mesurer le chemin parcouru. La génération de vidéo par IA n'est pas née en 2024. Dès 2022 et 2023, des travaux comme Make-A-Video de Meta ou Imagen Video de Google avaient montré la voie, mais leurs résultats restaient courts, saccadés et de basse définition. On y voyait des animations de quelques secondes, souvent floues, où les objets se déformaient d'une image à l'autre. La promesse était là ; la qualité ne suivait pas.
Ce qui a changé en 2024, c'est la conjonction de plusieurs facteurs : des architectures plus adaptées à la vidéo, des jeux de données mieux annotés, une puissance de calcul accrue et une compétition commerciale qui a poussé chaque acteur à publier. Résultat : un enchaînement d'annonces sur quelques mois qui a redéfini les attentes de toute une industrie.
Un printemps 2024 particulièrement dense
La chronologie des derniers mois donne le tournis, et mérite d'être posée noir sur blanc :
- Novembre 2023 : Stability AI publie Stable Video Diffusion, l'un des premiers modèles de génération vidéo diffusés en open source, avec ses poids disponibles publiquement. Le même mois, Pika Labs lance sa version 1.0.
- Février 2024 : OpenAI dévoile Sora et ses clips d'une minute, sans toutefois le rendre accessible au public, le modèle restant au stade de la recherche.
- Juin 2024 : trois annonces coup sur coup. Luma Labs ouvre Dream Machine au public le 12 juin ; Kuaishou lance Kling en Chine ; Runway présente Gen-3 Alpha le 17 juin.
Cette densité n'est pas anecdotique : elle traduit une bascule. En l'espace d'un printemps, la génération de vidéo réaliste est passée d'une poignée de laboratoires à un marché concurrentiel où plusieurs produits rivalisent pour les mêmes utilisateurs. Chaque acteur a poussé les autres à publier plus vite, et à ouvrir l'accès plus largement. Pour un observateur, c'est le signe d'une technologie qui quitte la phase de démonstration pour entrer dans celle de l'usage.
En quelques mois, la vidéo par IA est passée du clip flou de trois secondes à des séquences d'une minute d'un réalisme qui interpelle. La marche franchie est considérable.
Comment un modèle transforme du texte en images animées
Avant de comparer les acteurs, il est utile de comprendre ce qui se passe sous le capot. Car derrière la magie apparente d'un prompt qui devient vidéo, il y a une mécanique précise, et la connaître aide à comprendre autant les prouesses que les limites de ces outils.
La diffusion : partir du bruit pour arriver à l'image
La plupart des modèles récents, à commencer par Sora, reposent sur un principe appelé diffusion. L'idée est contre-intuitive mais élégante. Pendant l'entraînement, on prend des vidéos réelles et on y ajoute progressivement du bruit, jusqu'à obtenir une image de neige télévisée, sans aucune information reconnaissable. Le modèle apprend alors à faire le chemin inverse : partant d'un fouillis aléatoire, il retire le bruit étape par étape pour reconstituer une image cohérente. Une fois entraîné, il peut générer une vidéo en démarrant d'un pur bruit et en le « débruitant » graduellement, guidé par le texte du prompt.
La diffusion : le modèle apprend à « remonter » du bruit vers une image cohérente. À la génération, ce débruitage est orienté par le prompt.
C'est exactement le mécanisme qui avait fait le succès des générateurs d'images fixes. Le passage à la vidéo ajoute une difficulté de taille : il ne s'agit plus de produire une belle image, mais une succession d'images cohérentes entre elles, où un personnage reste le même d'une seconde à l'autre, où un objet ne disparaît pas puis ne réapparaît pas différemment. Cette contrainte de cohérence temporelle est le cœur du problème, et c'est là que se joue l'essentiel de la difficulté technique.
À retenir. Produire une belle image fixe ne suffit pas : la vidéo ajoute une dimension entièrement nouvelle, le temps. Maintenir un visage, un objet ou un mouvement cohérent d'une image à l'autre est le verrou technique n°1 — et la raison structurelle pour laquelle les meilleurs clips générés restent courts.
Les « patches spatio-temporels » de Sora
L'apport marquant de Sora, tel que décrit dans la note technique d'OpenAI, tient à sa façon de représenter la vidéo. Plutôt que de traiter chaque image indépendamment, Sora compresse d'abord la vidéo dans un espace latent de plus faible dimension, puis la découpe en petits blocs qui contiennent à la fois de l'espace et du temps : les patches spatio-temporels. Un fragment de vidéo — disons seize images consécutives d'une petite zone de l'écran — devient un seul « jeton », l'équivalent visuel d'un mot pour un modèle de langage.
Cette astuce a une conséquence profonde. Là où les grands modèles de langage manipulent des jetons de texte, Sora manipule des jetons visuels. Il peut donc bénéficier des mêmes recettes de passage à l'échelle qui ont fait le succès des modèles de langage : plus on lui donne de données et de calcul, meilleur il devient. Et parce que ces patches sont de taille flexible, le modèle peut s'entraîner et générer des vidéos de durées, de résolutions et de formats variés — vertical pour un smartphone, horizontal pour un écran de cinéma — sans changer d'architecture. C'est cette combinaison, diffusion plus architecture de type transformer opérant sur des patches, qui explique le saut qualitatif observé.
Sora traite la vidéo comme un volume découpé en cubes espace-temps. Chaque patch devient un « mot visuel », ce qui permet de réutiliser les recettes de mise à l'échelle des modèles de langage.
Pourquoi la cohérence dans le temps reste si difficile
Une chose est de produire une belle image, une autre est de maintenir sa cohérence sur des dizaines d'images successives. C'est le défi central de la vidéo, et il faut le comprendre pour évaluer honnêtement l'état de l'art. Générer une image fixe n'exige aucune notion de continuité ; la vidéo, elle, ajoute une dimension entièrement nouvelle — le temps — que le modèle doit gérer.
Concrètement, cela signifie qu'un visage doit rester le même quand la personne tourne la tête, qu'un verre qui tombe doit se briser de façon plausible, qu'une main doit garder ses cinq doigts d'un bout à l'autre du plan. Les modèles y parviennent désormais bien sur des clips courts et des mouvements simples, mais les cas difficiles demeurent : les plans longs, les textures fines répétées, les mouvements complexes de personnages. C'est pourquoi la plupart des démonstrations impressionnantes durent quelques secondes : plus la séquence s'allonge, plus le risque de dérive augmente. Garder cette réalité en tête permet de lire les vidéos virales avec le recul nécessaire.
Du texte à l'image : le rôle du guidage par le prompt
Reste une question essentielle : comment le texte du prompt oriente-t-il la génération ? Le modèle ne se contente pas de débruiter au hasard ; il est conditionné par une description. Concrètement, le prompt est d'abord transformé en une représentation numérique que le modèle sait interpréter, puis cette représentation guide chaque étape du débruitage vers un résultat conforme à l'intention exprimée. Plus la description est riche et précise, plus le modèle dispose d'indices pour composer la scène. C'est pourquoi la qualité de la légende compte tant : les meilleurs modèles récents, comme Gen-3 d'après Runway, ont justement été entraînés sur des descriptions très détaillées, ce qui affine leur compréhension du lien entre les mots et les images.
Cette dépendance au prompt explique un phénomène familier à quiconque a essayé ces outils : deux formulations proches peuvent donner des résultats très différents, et une même formulation, relancée, produira des variantes. Il n'y a pas de rendu unique et déterministe, mais un espace de possibilités que l'on explore. Comprendre ce fonctionnement aide à adopter la bonne posture : décrire avec soin, puis itérer, plutôt qu'attendre le plan parfait du premier coup.
Les principaux acteurs et ce qu'ils savent faire
Passons maintenant en revue les modèles qui structurent le paysage à l'été 2024. Chacun a sa personnalité, ses forces et son positionnement. Plutôt que de chercher un hypothétique « meilleur », il est plus juste de comprendre à quoi chacun se prête.
Sora (OpenAI) : la vitrine du possible
Sora a fixé un nouveau standard visuel. Sa capacité à générer des scènes complexes, avec plusieurs personnages, des types de mouvement précis et des détails fidèles du sujet comme de l'arrière-plan, a impressionné jusqu'aux professionnels du secteur. Sa particularité technique — générer la vidéo entière d'un coup plutôt qu'image par image — l'aide à préserver la cohérence d'un sujet même lorsqu'il sort temporairement du champ, un progrès notable par rapport aux approches antérieures.
Il faut toutefois être précis sur son statut. Au moment de son annonce, Sora n'était pas un produit accessible au grand public : il restait au stade de la recherche, mis à disposition d'un cercle restreint d'artistes, de cinéastes et d'équipes de test chargées d'explorer d'éventuels usages détournés. OpenAI a d'ailleurs indiqué ne pas prévoir de large diffusion à court terme, le temps de traiter une série de questions de sécurité — réduction de la désinformation, étiquetage clair des contenus générés. Sora est donc davantage une démonstration de ce que la technologie permet qu'un outil que chacun peut utiliser dès aujourd'hui.
Runway Gen-3 Alpha : le modèle taillé pour les créateurs
Runway occupe une position particulière : c'est l'un des rares acteurs à combiner recherche de pointe et produit réellement disponible. Présenté le 17 juin 2024, Gen-3 Alpha succède à Gen-2 avec une amélioration nette de la vitesse de génération et de la fidélité. Le modèle produit des clips d'une dizaine de secondes à partir d'un texte, d'une image ou d'une vidéo, et il a été entraîné sur des légendes très descriptives et temporellement denses, ce qui lui permet des transitions soignées et un placement précis des éléments dans la scène.
L'atout de Runway tient à son écosystème d'outils de contrôle : Motion Brush pour animer une zone précise, contrôles avancés de caméra, mode réalisateur. Autrement dit, Gen-3 ne se contente pas de produire une vidéo au hasard ; il donne à l'utilisateur des leviers pour orienter le mouvement, le style et la structure. Fait notable, le modèle a été mis à disposition des abonnés payants sur l'application web quelques semaines après son annonce, démontrant qu'un modèle de qualité pouvait être livré comme produit dans un délai court plutôt que de rester des mois en accès fermé.
Luma Dream Machine : la démocratisation par l'accès
Lancé publiquement le 12 juin 2024, Dream Machine de Luma Labs a marqué les esprits par un choix différent : l'ouverture immédiate au grand public. Là où Sora restait confidentiel, Dream Machine pouvait être essayé par n'importe qui. Le modèle génère des plans de cinq secondes, extensibles, à partir d'un texte ou d'une image, et se distingue par sa capacité à restituer le mouvement de façon réaliste et à comprendre les mouvements de caméra, aussi bien cinématographiques que naturalistes.
L'effet fut immédiat : les réseaux sociaux se sont couverts d'animations, notamment des mises en mouvement d'images fixes générées ailleurs, ou des recréations animées d'œuvres célèbres et de mèmes populaires. Salué par plusieurs observateurs — Tom's Guide l'a qualifié à l'époque de l'un des meilleurs modèles pour le suivi de prompt et la compréhension du mouvement — Dream Machine a incarné le versant « accessible à tous » de cette vague, celui où la technologie quitte les laboratoires pour arriver entre les mains du plus grand nombre.
Kling (Kuaishou) : la puissance venue de Chine
Il serait incomplet de dresser ce panorama sans mentionner Kling, dévoilé en juin 2024 par le groupe chinois Kuaishou, opérateur d'une grande plateforme de vidéos courtes. Proposé d'abord en test au sein de son application de montage, Kling affiche des ambitions techniques élevées : génération de vidéos pouvant atteindre deux minutes, à 30 images par seconde et jusqu'en 1080p, avec plusieurs formats d'image.
Sur le plan de l'architecture, Kling repose sur un transformer de diffusion (DiT), enrichi d'améliorations propres à Kuaishou sur l'encodage de l'espace latent et la modélisation temporelle. Le modèle met particulièrement l'accent sur la simulation des caractéristiques du monde physique et des mouvements complexes dans l'espace et le temps. Son arrivée rappelle une réalité importante : l'innovation en génération vidéo n'est pas l'apanage d'une seule région du monde, et plusieurs pôles avancent en parallèle.
Pika et Stable Video Diffusion : agilité et ouverture
Deux autres acteurs complètent utilement le tableau. Pika Labs, jeune start-up fondée en 2023, a lancé sa version 1.0 en novembre 2023, capable de générer et d'éditer des vidéos dans des styles variés — animation 3D, anime, dessin animé, cinématographique — via une interface web accessible. Sa trajectoire de financement témoigne de l'intérêt du secteur : après un tour d'amorçage de 55 millions de dollars fin 2023, l'entreprise a levé 80 millions de dollars supplémentaires en juin 2024, portée notamment par des figures reconnues de l'IA. Cette dynamique illustre les moyens que le capital-risque consacre désormais à ce domaine.
Stable Video Diffusion, publié par Stability AI en novembre 2023, occupe une place à part : c'est l'un des rares modèles de génération vidéo diffusés en open source, avec code et poids disponibles publiquement. Décliné en deux variantes capables de générer 14 ou 25 images à des cadences ajustables, il a été entraîné sur un vast corpus vidéo soigneusement filtré. Son ouverture en fait un point d'appui précieux pour la communauté de recherche et pour les développeurs qui souhaitent expérimenter, adapter ou faire tourner un modèle localement, sans dépendre d'un service en ligne.
Des usages créatifs déjà concrets
Au-delà des démonstrations, à quoi sert concrètement la génération de vidéo par IA aujourd'hui ? Il serait exagéré de prétendre qu'on produit des longs-métrages complets d'un simple prompt. Mais plusieurs usages réels émergent déjà, et ils dessinent la place que ces outils prennent dans les flux de production créatifs.
Le prototypage et le storyboard animé
L'un des usages les plus immédiats concerne la phase de conception. Avant de mobiliser une équipe, du matériel et un budget, un réalisateur ou un directeur artistique peut visualiser une idée en quelques minutes. Un plan de séquence, une ambiance, un mouvement de caméra : autant d'éléments qu'on peut désormais prévisualiser avant tout tournage. Cette capacité à donner corps à une intention, à itérer sur des variantes et à ajuster une vision avant de s'engager, représente un gain de temps et de clarté précieux en pré-production.
Ce rôle d'outil de prévisualisation est sans doute le plus mûr à ce stade. Il ne remplace pas le tournage final, mais il enrichit et accélère le travail de préparation. Là où un storyboard traditionnel reste figé, un storyboard animé par IA donne à voir le rythme et le mouvement, ce qui facilite les décisions collectives et la communication d'une idée.
Les contenus courts et le motion design
Le format court est le terrain naturel de ces outils, précisément parce que la cohérence temporelle y est plus facile à tenir. Habillages, transitions animées, plans d'ambiance, éléments de motion design : autant de besoins où quelques secondes suffisent, et où la génération par IA offre une alternative rapide et souple aux méthodes traditionnelles. Pour un créateur indépendant ou une petite structure, la possibilité de produire des séquences soignées sans plateau ni logiciel complexe élargit le champ des possibles.
La mise en mouvement d'images fixes constitue un cas d'usage particulièrement répandu. Partant d'une illustration ou d'une photographie, ces modèles peuvent introduire un mouvement subtil et crédible — un léger travelling, un souffle de vent, une animation de fond — qui transforme une image statique en plan vivant. C'est simple, rapide, et immédiatement exploitable.
L'animation et les univers imaginaires
Un domaine où ces modèles brillent particulièrement est celui de l'animation et des univers stylisés. Contrairement à la vidéo photoréaliste, où le moindre défaut saute aux yeux parce que notre cerveau connaît parfaitement le réel, un rendu animé ou artistique tolère mieux les petites imperfections. Les styles 3D, anime ou dessin animé se prêtent donc bien à la génération par IA, et ouvrent un terrain de jeu fertile pour les créateurs d'univers imaginaires, qui peuvent explorer des esthétiques et des mondes sans les contraintes matérielles d'une production classique.
La communication et le marketing
Les métiers de la communication figurent parmi les premiers à s'emparer de ces outils. Une marque qui souhaite décliner une campagne en plusieurs variantes, tester un concept visuel avant un tournage coûteux, ou produire des plans d'illustration pour un contenu éditorial trouve dans la génération vidéo un levier appréciable. La souplesse du format — vertical pour les réseaux sociaux, horizontal pour une bannière — s'accorde bien avec la capacité de ces modèles à produire différents ratios sans effort supplémentaire. Pour des besoins où la vidéo servait auparavant de complément trop onéreux, une séquence générée peut désormais entrer dans le budget d'un projet modeste.
Il faut néanmoins garder à l'esprit les limites déjà évoquées : le format court reste le domaine de prédilection, et le contrôle précis d'un message de marque demande des itérations. Ces outils ne se substituent pas à une production soignée pour les campagnes à fort enjeu, mais ils élargissent l'éventail de ce qu'une équipe réduite peut envisager, notamment pour les tests, les brouillons animés et les contenus à fort volume.
La bonne question n'est pas « peut-on faire un film entier avec un prompt ? » mais « à quelle étape de mon travail créatif cet outil me fait-il gagner du temps ? » — et les réponses sont déjà nombreuses.
Les limites qu'il faut connaître
Un panorama honnête ne peut passer sous silence les limites actuelles. Non pour minimiser les progrès, qui sont réels, mais pour aborder ces outils avec des attentes justes. Les connaître, c'est aussi mieux savoir où et comment les employer.
La physique du monde reste approximative
Les vidéos générées doivent respecter les lois physiques, préserver l'identité des objets et représenter fidèlement le monde réel. Or les modèles actuels y parviennent inégalement. Ils gèrent bien un mouvement plausible sur une courte durée, la préservation d'une identité sur un clip bref, une structure de scène cohérente — mais les cas difficiles subsistent. Un objet qui se brise peut le faire de façon peu réaliste ; un liquide peut se comporter étrangement ; un membre peut se déformer lors d'un mouvement complexe. Le modèle a appris des régularités visuelles à partir d'exemples, mais il ne « comprend » pas la physique au sens où nous l'entendons.
La durée et la stabilité dans le temps
La contrainte la plus structurante reste la longueur. La plupart des modèles génèrent des clips de quelques secondes, précisément parce que la cohérence se dégrade quand la séquence s'allonge. Beaucoup de jeux de données contiennent des clips courts, ou manquent d'annotations reliant les objets et les identités entre les images, ce qui complique l'apprentissage de la persistance des éléments sur de longues séquences. Enchaîner plusieurs plans cohérents pour raconter une histoire complète reste donc un défi. On ne « tourne » pas encore un long-métrage d'un seul prompt ; on assemble des fragments, avec le savoir-faire d'un monteur.
À retenir. La durée est la contrainte qui structure tout le reste. Les outils grand public restent sur des plans de 5 à 10 secondes ; dépasser la minute exige des modèles de pointe (Sora, Kling) et, en pratique, on assemble des fragments au montage plutôt que de générer un long plan d'un seul tenant.
Combien d'images faut-il garder cohérentes ?
La cohérence se dégrade avec la longueur. Faites varier la durée du plan et le débit d'images pour mesurer le nombre total d'images que le modèle doit maintenir cohérentes — et comprendre pourquoi ces outils restent cantonnés aux plans courts.
Le contrôle fin de la mise en scène
Enfin, obtenir exactement le plan souhaité demande du métier. Les créateurs professionnels placent d'ailleurs en tête de leurs priorités la constance du mouvement des personnages, suivie du contrôle de la caméra et de la cohérence globale des personnages. Diriger précisément un acteur virtuel, cadrer au millimètre, obtenir tel geste précis : ces exigences de mise en scène ne sont pas encore pleinement satisfaites. Les outils de contrôle progressent — c'est tout le sens des fonctions avancées de Runway — mais le dialogue avec la machine reste itératif, fait d'essais et d'ajustements.
Les données d'entraînement et la transparence
Une question de fond, enfin, traverse le secteur : celle de la provenance des données d'entraînement. Plusieurs modèles ont fait l'objet de remarques sur le manque de transparence à ce sujet. C'est un enjeu à la fois technique, juridique et éthique, qui appelle un cadre clair. La bonne nouvelle est que la question est désormais posée ouvertement, et que l'étiquetage des contenus générés, évoqué notamment par OpenAI, va dans le sens d'une plus grande traçabilité.
Comment aborder ces outils en pratique
Pour un créateur, un communicant ou un curieux qui souhaite s'y mettre, quelques repères pratiques permettent de tirer le meilleur de cette technologie sans se heurter à ses limites.
D'abord, choisir l'outil selon le besoin. Pour de la prévisualisation et un contrôle fin, un outil doté de fonctions de direction comme Runway sera pertinent. Pour essayer rapidement l'animation d'une image sans installation, une solution ouverte au public comme Dream Machine convient parfaitement. Pour expérimenter en local ou construire sur une base ouverte, Stable Video Diffusion offre cette liberté. Il n'y a pas de meilleur outil dans l'absolu, seulement celui qui correspond à votre cas d'usage.
Ensuite, penser en plans courts. Plutôt que de viser une longue séquence d'un coup, mieux vaut concevoir son projet comme une série de plans brefs, cohérents individuellement, que l'on assemblera ensuite au montage. C'est ainsi que travaillent déjà celles et ceux qui obtiennent les meilleurs résultats : ils ne demandent pas un film, ils composent avec des fragments maîtrisés.
Enfin, soigner le prompt et itérer. Comme pour la génération d'images, la précision de la description compte. Décrire le sujet, l'action, l'ambiance, le mouvement de caméra et le style aide le modèle à cerner l'intention. Et parce que le résultat n'est jamais garanti du premier coup, il faut accepter la logique de l'essai-erreur : générer plusieurs variantes, retenir la meilleure, affiner. C'est un travail créatif à part entière, où l'outil est un partenaire plutôt qu'un exécutant.
À retenir. Trois leviers pour tirer parti de ces outils : (1) choisir l'outil selon le besoin — contrôle, accessibilité ou ouverture ; (2) penser en plans courts que l'on assemble ensuite au montage ; (3) soigner le prompt et accepter d'itérer. La compétence se déplace du tournage vers la direction d'un outil qu'il faut apprendre à guider.
Ces modèles ne remplacent pas le regard du créateur : ils l'étendent. Le savoir-faire se déplace du tournage vers la direction d'un outil qu'il faut apprendre à guider, comme on apprend à cadrer une caméra ou à éclairer une scène.
Ce que cette vague annonce
Que retenir de cet état des lieux ? D'abord, que le progrès est réel et rapide. En quelques mois, la génération de vidéo est passée de clips flous de trois secondes à des séquences d'une minute d'un réalisme qui interpelle les professionnels eux-mêmes. Sora a montré la borne haute du possible ; Runway, Luma, Pika, Kling et Stable Video Diffusion ont chacun apporté leur pierre, entre puissance, accessibilité et ouverture.
Ensuite, que la nuance s'impose. Créer un film complet d'un simple prompt n'est pas pour aujourd'hui. Ce qui existe, en revanche, est déjà précieux : un formidable outil de prévisualisation, un accélérateur pour les contenus courts, un terrain de jeu pour l'animation et les univers stylisés. Les limites — physique approximative, durée contrainte, contrôle perfectible — sont réelles, mais elles délimitent un usage productif plutôt qu'elles ne le condamnent.
Enfin, que la dynamique en cours ressemble à celle qu'a connue la génération d'images quelques années plus tôt : une accélération continue, portée par de meilleures architectures, davantage de données et une compétition saine entre acteurs. Pour un créateur, la posture la plus utile n'est pas d'attendre le modèle parfait, ni de rejeter la technologie, mais de l'apprivoiser dès maintenant, là où elle apporte une vraie valeur. Comprendre comment ces outils fonctionnent, connaître leurs forces et leurs limites, savoir quel modèle convient à quel besoin : voilà de quoi aborder cette nouvelle grammaire visuelle en acteur informé, prêt à en faire un allié de sa créativité.
Sources
Cet article s'appuie sur des sources publiques et vérifiables :
- Axios, « OpenAI's text to video tool, Sora announced » (15 février 2024) — axios.com (annonce, capacités et statut de recherche de Sora).
- OpenAI, « Video generation models as world simulators » (note technique Sora) — openai.com (diffusion, patches spatio-temporels, architecture).
- Runway Research, « Introducing Gen-3 Alpha » (17 juin 2024) — runwayml.com (capacités et outils de contrôle de Gen-3).
- TechCrunch, « Runway's new video-generating AI, Gen-3, offers improved controls » (17 juin 2024) — techcrunch.com.
- Wikipedia, « Dream Machine (text-to-video model) » — en.wikipedia.org (lancement public du 12 juin 2024, capacités).
- Kuaishou Technology, « Kuaishou Unveils Proprietary Video Generation Model 'Kling' » (juin 2024) — ir.kuaishou.com (architecture DiT, durée, résolution).
- Stability AI, « Introducing Stable Video Diffusion » (21 novembre 2023) — stability.ai (modèle open source, variantes 14/25 images).
- PetaPixel, « Generative Video Startup Pika Labs Launches Version 1.0, Raises $55 Million » (28 novembre 2023) — petapixel.com (Pika 1.0 et financements).
