Pas de CGI. Pas un filtre. Pas des images de quoi que ce soit qui ait jamais été filmé. Voici ce qui se passe vraiment sous le capot quand vous tapez un prompt et récupérez une vidéo.
La plupart des générateurs de vidéo par IA actuels reposent sur des modèles de diffusion. Contre-intuitivement, la génération ne part pas de rien pour construire — elle part de bruit visuel purement aléatoire, l'équivalent vidéo de la neige d'une télé, répandu sur chaque image du clip. Le modèle exécute ensuite une série d'étapes de raffinage, et à chaque étape il prédit comment rapprocher ce fouillis bruité un peu plus d'une vidéo cohérente qui correspond au prompt texte ou à l'image de référence donnée. Répétez ce raffinage des dizaines de fois — fait extrêmement vite sur du matériel IA spécialisé — et le bruit se résout progressivement en un clip fini. C'est la même technique centrale que derrière les générateurs d'image par IA comme Midjourney ou le modèle d'image de Gemini, juste étendue au temps autant qu'à la largeur et la hauteur d'une seule image.
Le modèle qui fait ce raffinage du bruit ne devine pas au hasard — il a appris, pendant l'entraînement, à partir d'une quantité énorme de vidéo réelle, à quoi tend à ressembler un mouvement photoréaliste, un objet précis, ou une scène décrite. Ce processus d'entraînement ajuste des milliards de paramètres internes pour que les prédictions de raffinage du bruit du modèle deviennent progressivement meilleures à correspondre à quoi ressemble vraiment la vidéo réelle (et les descriptions texte qui l'accompagnent). Le résultat est un modèle capable de produire une vidéo plausible pour un prompt qu'il n'a jamais vu pendant l'entraînement, en combinant et recombinant les motifs statistiques qu'il a appris de tout ce qu'il a vu.
Chaque grand outil prend en charge deux points de départ, et ils fonctionnent différemment en interne :
Garder chaque image d'un clip visuellement cohérente avec toutes les autres — le même personnage, le même éclairage, pas de scintillement aléatoire ni de détails qui dérivent — devient plus difficile en calcul à mesure que le clip s'allonge, et de petites erreurs se cumulent sur une séquence plus longue de la même façon qu'une petite erreur de mesure se cumule sur un calcul plus long. C'est la raison pratique pour laquelle la plupart des outils plafonnent une seule génération quelque part entre 4 et 10 secondes : c'est proche de la limite de ce que les modèles actuels peuvent garder cohérent en une passe à vitesse et coût raisonnables. Une génération plus récente de modèles a dépassé ça en 2026 (un sorti en août de cette année génère jusqu'à 30 secondes en une seule passe), mais 4 à 10 secondes reste la norme sur la plupart des grands outils, et une « vidéo » plus longue que vous voyez en ligne est généralement plusieurs générations séparées montées ensemble, pas un clip continu.
Les erreurs visuelles récurrentes — un doigt en trop, des bijoux qui se déforment en plein mouvement, une signalétique qui se rend en charabia — ne sont pas des bugs aléatoires propres à l'outil d'une entreprise. Ce sont une conséquence structurelle du fonctionnement de ces modèles : les détails visuels larges et tolérants (une pose d'ensemble, une palette de couleurs générale, un grand mouvement évident comme croquer dans de la nourriture) sont statistiquement faciles à réussir de façon cohérente, car il existe un large éventail de sorties « assez proches » qui semblent toutes correctes. Le détail fin, régi par des règles (un nombre exact de doigts dans une pose précise, des formes de lettres exactes, un maillon de chaîne qui doit garder sa structure physique en se balançant) n'a presque aucune marge pour l'approximation statistique — être proche n'est pas la même chose qu'avoir raison, et le modèle n'a aucun concept intégré de « compter les doigts et vérifier qu'il y en a cinq ». C'est pourquoi les mêmes catégories de pépin apparaissent sur des prompts et des outils totalement sans rapport.
Une chose que ce processus ne produit jamais
Chaque étape de diffusion raffine l'image entière — sujet et arrière-plan ensemble, en une seule image. Il n'y a aucun point dans ce processus où le modèle sépare « le personnage » de « tout ce qui est derrière le personnage », donc le clip fini n'a pas de calque transparent ou de canal alpha intégré, quel que soit l'outil qui l'a généré. Extraire le sujet après coup est une étape distincte — voir comment fonctionne vraiment la suppression d'arrière-plan par IA, un type de modèle vraiment différent faisant un travail vraiment différent.
Voir les Outils Qui Font Vraiment Ça
Connexes : Qu'est-ce que l'IA générative ? · Comment fonctionne la suppression d'arrière-plan par IA · Suppresseur d'arrière-plan vidéo IA
La plupart des générateurs de vidéo par IA actuels utilisent des modèles de diffusion : le processus commence par du bruit visuel pur (comme la neige d'une télé, mais sur tout un court clip) et le raffine à répétition par petites étapes, chaque étape rapprochant le bruit d'une séquence d'images cohérente qui correspond au prompt texte ou à l'image de référence. Après assez d'étapes de raffinage — souvent des dizaines, faites très vite sur du matériel spécialisé — le bruit se résout en un clip vidéo fini. C'est la même technique centrale que celle des générateurs d'image par IA, étendue au temps autant qu'à l'espace.
Le texte-vers-vidéo démarre le processus de diffusion guidé seulement par une description écrite — le modèle doit inventer chaque détail visuel à partir du seul prompt. L'image-vers-vidéo part d'une image de référence réelle et génère du mouvement et du changement autour d'elle, ce qui explique pourquoi c'est le flux derrière la plupart des contenus à « personnage récurrent » : il est bien plus facile de garder un personnage cohérent entre des générations séparées quand chacune part de la même image de référence fixe, plutôt que de redécrire le personnage à zéro à chaque fois.
Chaque image supplémentaire que le modèle doit garder cohérente avec toutes les autres multiplie le coût de calcul et le risque de dérive visible ou d'erreurs qui s'accumulent sur le clip. La plupart des outils plafonnent une seule génération quelque part entre 4 et 10 secondes exactement pour cette raison. Une poignée de modèles plus récents peuvent générer des clips uniques plus longs (jusqu'à 30 secondes, dans au moins une sortie de 2026), mais 4 à 10 secondes reste la norme sur la plupart des grands outils.
Ce sont exactement les types de détail fin, régi par des règles, qu'un modèle statistique fondé sur les motifs a le plus de mal à obtenir précisément et à garder cohérent d'une image à l'autre. Les détails larges et tolérants (une silhouette générale, une palette de couleurs générale, un grand mouvement exagéré) se rendent bien plus fiablement que les petits, précis et structurellement exigeants, ce qui explique pourquoi les mêmes catégories de pépin visuel apparaissent sur des outils et des prompts totalement sans rapport.