Logiciel de génération vidéo IA en local : ce que ça change pour un vidéaste
Je filme des mariages depuis plusieurs années. Je monte, j’étalonne, je livre, et comme tout le monde dans le métier, je vois arriver la vidéo générée par intelligence artificielle avec un mélange de curiosité et de méfiance. Alors j’ai passé plusieurs mois à tester sérieusement la question, avec une contrainte que je me suis imposée dès le départ : un logiciel de génération vidéo IA en local, c’est à dire qui calcule sur ma propre machine, sans rien envoyer sur les serveurs de qui que ce soit.
Cette contrainte n’est pas une lubie technique. Quand on manipule les images de gens qui se marient, la question de savoir où partent les fichiers cesse d’être théorique.
Pourquoi le local, quand le cloud est plus simple
Les plateformes en ligne fonctionnent très bien. On ouvre un navigateur, on décrit ce qu’on veut, on attend, on télécharge. Pas de matériel à acheter, pas d’installation. Pour découvrir, c’est parfait.
Trois choses m’ont fait chercher ailleurs.
La première, c’est le compteur. Toutes ces plateformes facturent à la génération, par crédits ou par abonnement. Or une vidéo réussie ne sort jamais du premier essai. Elle sort du quinzième, après avoir ajusté un cadrage, une lumière, un mouvement. Quand chaque essai coûte, on s’autocensure, et on livre une version moins bonne que celle qu’on aurait obtenue en cherchant vraiment.
La deuxième, c’est le temps. Aux heures de pointe, on attend derrière tout le monde. Sur ma machine, le calcul démarre quand j’appuie sur le bouton.
La troisième, et c’est celle qui compte le plus dans mon métier, ce sont les fichiers. Envoyer une phrase à un serveur ne pose aucun problème. Envoyer le portrait d’une mariée pour qu’un modèle s’entraîne dessus, c’est autre chose. Les conditions d’utilisation varient d’un service à l’autre, les durées de conservation aussi, et je n’ai pas envie d’expliquer à un couple que ses images sont hébergées quelque part sans que je sache exactement où ni pour combien de temps.
Ce qu’il faut dans la machine
Soyons concrets, parce que c’est là que la plupart des articles restent vagues.
Il faut une carte graphique NVIDIA. Le support des cartes AMD et des puces Apple progresse, mais il reste en retard et prive de la moitié des outils disponibles. Comptez huit gigaoctets de mémoire vidéo comme plancher réaliste, douze si la vidéo vous intéresse vraiment, et retenez ce principe qui surprend souvent : la quantité de mémoire compte davantage que la vitesse de la carte. Une carte plus lente mais mieux dotée fera tourner des modèles qu’une carte plus rapide refusera simplement de charger.
Si vous montez déjà en 4K avec un étalonnage sérieux, votre configuration actuelle est probablement suffisante ou proche de l’être.
Où en est réellement la vidéo générée
Il faut être honnête sur ce que la technologie sait faire aujourd’hui, sans quoi on achète une déception.
Sur des séquences de cinq à dix secondes, les résultats sont bluffants. Au delà, la cohérence temporelle se dégrade : c’est la difficulté centrale du domaine, chaque image générée doit s’accorder avec les précédentes, et la moindre dérive se voit immédiatement à l’écran. Les visages se déforment lentement, les vêtements changent de détail, les mains font ce qu’elles veulent.
Les moteurs récents ont franchi un vrai cap, en intégrant dans un même passage les mouvements de caméra, la synchronisation labiale et la génération sonore. On est passé de l’animation approximative à quelque chose qui ressemble à de la mise en scène. Mais on parle toujours de plans courts, pas de séquences complètes.
La cohérence des personnages, le vrai sujet
C’est le mur que tout le monde rencontre après les premiers essais. Générer un beau plan ne pose plus de difficulté. Générer la même personne sur dix plans différents en est une tout autre.
La réponse technique s’appelle un LoRA. C’est un petit fichier, quelques mégaoctets, qui vient ajuster le comportement d’un modèle existant sans le réentraîner entièrement. On fournit quinze à trente images d’un même visage, l’entraînement dure de quelques minutes à moins d’une heure, et le fichier obtenu permet ensuite de rappeler ce visage dans n’importe quelle génération.
Le point que personne ne mentionne assez : la variété des images compte davantage que leur nombre. Trente portraits pris sous le même angle donnent un modèle rigide qui reproduit toujours la même pose. Dix huit images franchement variées, angles différents, éclairages différents, expressions différentes, donnent un modèle beaucoup plus souple. C’est exactement le raisonnement d’un plan de tournage, et c’est peut être pour ça que les vidéastes s’en sortent bien sur cet exercice.
L’obstacle dont personne ne parle : l’interface
Voilà ce qui m’a fait perdre le plus de temps. Les outils libres qui dominent le domaine fonctionnent par graphe de nœuds : un canevas de boîtes reliées par des câbles, où chaque boîte représente une étape du traitement. C’est d’une puissance considérable, et c’est la référence pour qui veut construire une chaîne de traitement sur mesure.
C’est aussi un mur. On ne devient pas ingénieur en flux de données parce qu’on voulait animer un portrait. J’ai passé des soirées entières à débugger des dépendances au lieu de produire des images, et je connais plusieurs confrères qui ont abandonné exactement là.
C’est ce qui a fait apparaître une nouvelle catégorie d’applications de bureau, qui encapsulent le même moteur derrière une interface classique.J’ai finalement trouvé tendre.AI, un logiciel de génération vidéo IA en local pensé pour ceux qui veulent le résultat sans le câblage : entraînement d’un personnage en un clic, mouvements de caméra en préréglages, portraits animés avec synchronisation labiale, et retouche d’image pilotée en langage naturel. La génération tourne sur votre carte graphique, avec la possibilité de basculer sur le cloud quand un rendu demande plus de puissance que la machine n’en a sous la main.
Ce que j’en fais concrètement
Soyons clairs sur un point : je ne génère pas de mariages. Personne ne veut de souvenirs synthétiques de sa propre journée, et ce serait absurde.
En revanche, l’outil sert très bien pour tout ce qui entoure le film : des éléments de générique, des transitions abstraites, des fonds animés, des visuels de communication pour mes réseaux, des tests de storyboard animés avant un tournage de clip. Sur ces usages, la génération locale remplace des heures de recherche de banque d’images et de motion design.
Faut il s’y mettre
Quelques questions permettent de trancher vite. Avez vous une carte NVIDIA avec au moins huit gigaoctets de mémoire ? Générez vous suffisamment pour qu’un abonnement devienne plus cher que le matériel ? Travaillez vous sur des visages de clients, auquel cas la question du traitement des données est centrale ? Et enfin, êtes vous prêt à accepter qu’un plan sur trois soit à jeter ?
Si vous répondez oui à ces quatre questions, l’investissement en vaut la peine. Sinon, une plateforme en ligne fera parfaitement l’affaire, et il n’y a aucune honte à ça.
Pour ceux qui veulent essayer, l’application est téléchargeable sur tendre.ai.