Garder un visage cohérent dans 24 épisodes de vidéo IA
Pourquoi la vidéo de l'IA dérive entre les plans, les trois leviers qui verrouillent réellement un personnage (invite de recherche, image de référence, graine), ce qui casse encore et comment refaire un seul plan au lieu d'un épisode.
La première question que chaque studio se pose à propos des drames sur l’IA n’est pas « est-ce que ça a l’air réel ? C’est “est-ce que ce sera la même personne dans l’épisode 19”. Un spectateur pardonne une main un peu plastique. Ils ne pardonnent pas une piste dont la mâchoire, la racine des cheveux et la couleur des yeux changent entre les scènes – cela se lit comme une erreur, et les erreurs brisent le charme.
Voici ce qui contrôle réellement la cohérence, par ordre d’impact.
Premier levier : l’invite de look, écrite une seule fois et jamais éditée
Une invite de recherche est un paragraphe court, ennuyeux et spécifique décrivant uniquement ce qu’une caméra peut voir :
Femme, fin de la vingtaine, asiatique de l’Est, visage ovale, cheveux noirs raides jusqu’à l’omoplate, sourcils fins, petit grain de beauté sous l’œil gauche, blazer gris sur chemise blanche, pas de bijoux, expression neutre.
Trois règles permettent aux invites de recherche de fonctionner :
- Uniquement les attributs visibles. Pas de personnalité, pas d’histoire, pas de “confiant”. Le modèle ne peut pas rendre confiant ; il peut restituer un angle du menton.
- Fonctionnalités permanentes uniquement. Tout ce qui change par scène (cheveux mouillés, un bandage, un manteau) appartient à l’invite de prise de vue, pas à l’invite de look.
- Un détail d’identification. Un grain de beauté, une cicatrice, une boucle d’oreille spécifique. C’est ce que le spectateur utilise pour confirmer son identité à travers les coupes, et c’est ce à quoi le modèle s’accroche.
Chaque invite de prise de vue fait ensuite référence au personnage par son nom et hérite textuellement de l’invite de look. Si vous modifiez l’invite de look dans l’épisode 12, les épisodes 1–11 sont désormais une personne différente.
Deuxième levier : une image de référence verrouillée
Le texte seul dérive. Une image de référence ancre le visage. Nous stockons une image canonique par personnage – lumière neutre, expression neutre, face avant – et la transmettons à chaque prise de vue.
Notes pratiques :
- Générez la référence à la résolution la plus élevée dont vous aurez jamais besoin. Une référence plus douce que votre sortie devient le plafond.
- Gardez l’expression de référence neutre. Une référence souriante pousse chaque plan suivant vers un sourire, y compris la scène des funérailles.
- Une référence par caractère, pas un dossier. Plusieurs références donnent le choix au modèle, et il choisira différemment selon les jours.
Troisième levier : une graine fixe par personnage
Les graines ne sont pas magiques, mais elles suppriment gratuitement une source de variance. Fixez la seed par personnage et ne la changez que lorsque vous souhaitez volontairement une variation (une séquence de rêve, un flashback avec un éclairage différent).
| Paramètre | Fixé | Varie |
|---|---|---|
| Regardez vite | ✅ par personnage | — |
| Image de référence | ✅ par personnage | — |
| Graine | ✅ par personnage | niveau de tir uniquement lorsqu’il est intentionnel |
| Invite de tir | — | ✅ par coup |
| Éclairage / lentille | — | ✅ par scène |
| Garde-robe | — | ✅ par scène, décrite explicitement |
Ce qui casse encore
L’honnêteté compte ici plus que le marketing. Voici les échecs que nous constatons encore :
- Angles extrêmes. Les prises de vue de profil et en contre-plongée dérivent plus que de face. Prévoyez un nouveau rendu pour les photos de profil de héros.
- Mains en gros plan. Au cadre 1/8, les mains se déforment encore. Écrivez autour : coupez un visage ou tenez l’objet hors du cadre.
- Crowds. Toute prise de vue avec plus de trois personnes perd l’attribution d’identité — le modèle échangera volontiers deux pistes. Gardez les photos de groupe larges et courtes.
- Prise longue. Au-delà d’environ 12 secondes dans une seule prise, les fonctionnalités commencent à glisser. Notre unité de tir est de 5 secondes exactement pour cette raison ; les longues prises sont assemblées lors du montage et non générées en un seul passage.
- Voix dans plusieurs langues. Une voix clonée ne parle pas automatiquement une deuxième langue avec le même timbre. Si vous localisez, attendez-vous à redistribuer la voix par langue et dites-le à votre client dès le départ.
Refaire un plan, pas un épisode
Étant donné que les plans sont rendus individuellement, un échec est peu coûteux à corriger : identifiez le plan, ajustez une variable (angle, éclairage ou un seul adjectif dans l’invite), effectuez un nouveau rendu. Le coût est d’une seule prise : 22 crédits pour 5 secondes en 1080p – et non les ~430 crédits qu’un épisode de 75 secondes coûte.
La règle de workflow qui suit : n’acceptez jamais un plan que vous ne présenteriez pas à un client, simplement parce que le reste de l’épisode est terminé. Un visage à la dérive dans le plan 9 sera la seule chose que quiconque mentionnera.