Une devinettePour commencerCas d'ouverture
Réfléchis une secondeEssaie de répondrePosez votre intuition
Tu demandes un petit chien qui court dans l'herbe. Comment la machine fait-elle pour que ce soit le même chien à chaque image ?
Pense à ta réponse, même si tu n'es pas sûr. La suite te dira si tu avais vu juste.
Un clip de skate généré par IA : le skateur change de visage en plein kickflip. Pourquoi est-ce si dur à éviter ?
Prends dix secondes pour répondre dans ta tête. Tu compareras avec la suite.
Les images générées sont déjà très convaincantes. Pourquoi les vidéos restent-elles courtes et défient-elles parfois la physique ?
Formulez d'abord votre réponse, même approximative : la comparer à la suite fixe bien mieux les acquis.
Une image pour comprendreL'image mentaleL'image mentale
Une image pour comprendreL'idée en une imageL'idée en une image
C'est comme le brouillard du matin qui se lève : au début on ne voit rien, puis l'image apparaît tout doucement.
C'est comme un sculpteur qui part d'un bloc de brouillard et l'efface pour révéler une scène, sauf que son bloc a une épaisseur en plus : le temps.
C'est un sculpteur qui révèle une scène en effaçant un bloc de brouillard, sauf que le bloc a une épaisseur temporelle : il faut sculpter toutes les images d'un coup pour qu'elles bougent ensemble.
Comment ça marcheComment ça marcheLa mécanique
Une étape à la foisLe mécanisme, étape par étapeLe mécanisme, étape par étape
Elle efface le brouillard, image après image
La machine commence par une image toute brouillée, comme de la neige de télé.
Elle nettoie petit à petit jusqu'à voir une vraie image.
Elle fait toutes les images en même temps pour raconter la même histoire.
Du coup, ton personnage reste le même quand il bouge.
La diffusion d'images, mais avec le temps en plus
On part d'un bruit aléatoire, comme de la neige, et on suit ta description.
Le modèle « débruite » par étapes jusqu'à obtenir des images nettes.
Il ne fait pas les images une par une : il traite des bouts d'espace ET de temps en même temps.
C'est ce qui garde un objet stable et un mouvement plausible d'une image à l'autre.
Un transformeur de diffusion sur des patchs spatio-temporels latents
On part de bruit aléatoire conditionné par le prompt, dans un espace latent compressé.
Un transformeur de diffusion (DiT) débruite des patchs spatio-temporels par étapes successives.
Traiter espace et temps conjointement fait émerger la cohérence temporelle, sans moteur physique.
Un décodeur reconstruit les pixels à partir du latent généré.
Des exemples pour toiDes exemples concretsExemples concrets
Tu l'as déjà croiséOù tu le retrouvesOù vous le retrouvez en situation
Tu demandes « un petit chien qui court dans l'herbe » et tu obtiens un mini film.
Tu lui donnes une photo de ton dessin et elle le fait bouger un peu.
Tu demandes une fusée qui décolle et tu vois quelques secondes de film.
Tu tapes « un skateur qui fait un kickflip au coucher du soleil » et tu obtiens un clip de quelques secondes.
Tu animes une photo fixe pour en faire un petit boomerang plus crédible.
Tu demandes un plan stylé pour une intro de vidéo, mais le texte affiché part souvent en charabia.
Générer un clip texte → vidéo de quelques secondes avec Sora, Veo, Kling ou Runway.
Animer une image de départ (image → vidéo) pour produire un court mouvement contrôlé.
Prolonger ou raccorder des plans, au prix d'une dérive progressive de la cohérence.
Attention aux piègesÀ éviterÀ éviter
Ce qu'on croit, et ce qui est vraiIdées reçues et pièges à éviterIdées reçues et risques à anticiper
-
On croit que
On croit que la machine filme pour de vrai avec une caméra.
En vrai
Mais non : elle invente les images en effaçant du brouillard, il n'y a pas de caméra.
-
On croit que
On croit qu'elle peut faire un film très long.
En vrai
Mais non : c'est trop de travail, alors ses films sont tout petits, quelques secondes.
Les pièges à retenir
- Les films qu'elle fait sont très courts.
- Parfois un objet apparaît ou disparaît tout seul, c'est rigolo mais c'est une erreur.
- Les mains et les doigts sont souvent bizarres.
-
On croit que
« L'IA filme une scène 3D dans sa tête. »
En réalité
Non. Elle débruite des images plausibles ; elle ne simule pas un vrai monde, donc la physique peut déraper.
-
On croit que
« Une vidéo IA, c'est juste des images collées une à une. »
En réalité
Faux. Les images sont fabriquées ensemble pour rester cohérentes, sinon les objets changent en cours de route.
-
On croit que
« Si c'est super réaliste, ça doit être vrai. »
En réalité
Pas forcément. Un clip ultra net peut être 100 % généré : regarde les mains, le texte affiché et la physique pour douter.
Les pièges à retenir
- Les clips sont courts : la qualité se dégrade dès qu'on allonge.
- La physique dérape : objets qui se traversent, ombres ou liquides incohérents.
- Mains, doigts, visages et texte écrit dans l'image restent instables.
- Générer coûte cher en calcul, donc en temps d'attente.
-
Idée reçue
« Le modèle est un simulateur de monde 3D. »
Réalité
Non. Il produit des images plausibles par débruitage ; il n'évalue pas la gravité ni la permanence des objets, d'où les ratés de physique.
-
Idée reçue
« Les images sont générées séquentiellement, une après l'autre. »
Réalité
Faux. Le débruitage porte sur des patchs couvrant espace et temps conjointement : c'est ce qui assure la cohérence.
-
Idée reçue
« Allonger un clip est trivial. »
Réalité
Non. Le coût croît fortement avec la durée et la cohérence se dégrade : c'est une limite structurelle, pas un réglage.
Points de vigilance
- Durée courte : plafonnement à quelques secondes, qualité qui chute si on étend.
- Physique approximative : collisions, fluides, ombres et inertie souvent incohérents.
- Mains, visages et texte intégré à l'image restent fragiles.
- Objets qui apparaissent/disparaissent quand la cohérence temporelle lâche.
- Coût de calcul élevé : plusieurs minutes de GPU pour quelques secondes générées.
Ce que je retiensÀ retenirÀ retenir
L'essentiel, en quatre idéesL'essentiel, en quatre idéesL'essentiel, en quatre points
La phrase à garder
La machine efface le brouillard image après image, et garde le même personnage du début à la fin.
- On part du brouillard Au début, c'est de la neige de télé.
- On nettoie Elle efface jusqu'à voir une vraie image.
- Toutes ensemble Les images sont faites en même temps.
- Le même héros Ton personnage ne doit pas se transformer.
La phrase à garder
Générer une vidéo, c'est la diffusion d'images avec le temps en plus : on fabrique les images ensemble pour qu'elles s'enchaînent sans sauter.
- Diffusion + temps Même idée que les images, mais sur des bouts espace + temps.
- Cohérence temporelle Le vrai défi : que rien ne saute d'une image à l'autre.
- Physique imitée Aucune règle codée : elle copie ce qu'elle a vu.
- Très gourmand Beaucoup de calcul, donc des clips courts.
Message clé
La génération vidéo est de la diffusion étendue au temps : un DiT débruite des patchs espace + temps dans un espace latent, ce qui crée la cohérence, au prix d'un calcul colossal qui plafonne durée et réalisme.
- Diffusion + temps On débruite des volumes espace + temps, pas des images isolées.
- Espace latent On génère compressé : les pixels bruts seraient inabordables.
- DiT sur patchs Un transformeur de diffusion traite des patchs spatio-temporels.
- Physique émergente Aucune loi codée : elle est approchée depuis les données.
- Mur de calcul Coût énorme : d'où clips courts, chers et lents.
Je m'entraîneJe valideÉvaluation
Je teste ce que j'ai comprisJe teste ce que j'ai comprisValidez vos acquis
Valider : Comment l'IA génère des vidéos
4 questions. Il faut 70 % de bonnes réponses pour maîtriser la fiche. Tu as le droit de te tromper et de réessayer.
Pour les curieuxPour aller plus loinPour aller plus loin
Si tu veux en savoir plusCreuser le sujetApprofondir et poursuivre
Sous le capot, pour les curieux
Le brouillard
On commence avec du brouillard plein de neige
La machine ne part pas d'une feuille blanche : elle part d'une image toute pleine de neige de télé, comme quand la télé ne capte plus rien. C'est exprès ! Parce qu'à partir de ce brouillard, elle va pouvoir faire apparaître tout ce que tu lui demandes.
On nettoie
Elle efface le brouillard petit à petit
Ensuite elle nettoie, encore et encore, en suivant ta phrase. Si tu as demandé un dauphin, elle efface le brouillard juste comme il faut pour qu'un dauphin apparaisse. C'est comme gratter un ticket : au début on ne voit rien, et l'image se révèle peu à peu.
Toutes ensemble
Elle fait toutes les images en même temps
Une vidéo, c'est plein d'images à la suite. La machine ne les fait pas une par une dans son coin : elle les fabrique toutes ensemble, en faisant attention à celle d'avant et à celle d'après. Comme ça, ton dauphin reste le MÊME dauphin et il nage pour de vrai, au lieu de se transformer en poisson au milieu.
C'est lourd
Faire bouger, c'est un travail énorme
Imagine devoir colorier non pas un dessin, mais des centaines de dessins qui se suivent, tous pareils mais un peu différents. C'est ÉNORME de travail ! C'est pour ça que la machine met du temps et que ses petits films ne durent que quelques secondes. Et parfois, fatiguée, elle se trompe : l'âne IA, lui, jure qu'au milieu de la vidéo il s'est transformé en licorne… mais c'était juste un bug !
Sous le capot
Diffusion
Du bruit qu'on transforme en images, étape par étape
À l'entraînement, on a appris au modèle à enlever du bruit : on prend de vraies images, on les couvre de neige, et le modèle apprend à faire le chemin inverse. Pour générer, on lui donne du bruit pur et il le « débruite » en plusieurs étapes, guidé par ton texte, jusqu'à obtenir une image nette. C'est ça, la diffusion.
Espace + temps
Des patchs qui couvrent l'image ET le temps
La nouveauté de la vidéo, c'est le temps. Le modèle découpe la séquence en patchs : de petits morceaux qui couvrent à la fois une zone de l'image et une tranche de temps. En débruitant ces morceaux ensemble, chaque image « regarde » ses voisines avant et après. C'est ce lien qui empêche un objet de sauter ou de changer brutalement d'une image à l'autre.
Espace latent
On génère en version compressée pour que ça tienne
Une vidéo HD, c'est des dizaines de millions de pixels par seconde. Générer directement là-dedans serait impossible, même pour des serveurs puissants. Alors on compresse d'abord la vidéo dans un « espace latent » beaucoup plus petit, on fait toute la génération dans cette version réduite, puis on décompresse pour retrouver les vrais pixels à la fin. C'est comme travailler sur une maquette avant de construire en grand.
Limites
Pourquoi ça dérape (et comment le repérer)
Aucune loi physique n'est codée : le modèle imite juste ce qu'il a vu. Dès que la scène sort de ses exemples, les ratés arrivent : mains à six doigts, objets qui se traversent, texte affiché illisible, choses qui apparaissent ou disparaissent. C'est ton meilleur réflexe critique : pour repérer une vidéo générée, observe les mains, le texte dans l'image et la cohérence des objets dans le temps.
Sous le capot : les briques techniques
Diffusion + temps
La même recette que les images, étendue au temps
La diffusion apprend à inverser l'ajout de bruit : on bruite des données à l'entraînement, le modèle apprend à débruiter. Pour la vidéo, on ne débruite pas des images isolées mais des volumes espace + temps, pour que les images successives soient liées dès leur fabrication.
Espace latent
On ne génère pas en pixels, sinon c'est trop lourd
Une seconde de vidéo en haute définition, c'est des dizaines de millions de pixels. Générer directement là-dedans serait inabordable. On compresse donc la vidéo dans un espace latent bien plus petit, on y fait toute la génération, puis on reconstruit les pixels à la fin.
DiT et patchs
Un transformeur de diffusion sur des patchs spatio-temporels
Les modèles récents découpent la vidéo latente en patchs couvrant une zone d'image et une tranche de temps, puis un transformeur de diffusion (DiT) les traite ensemble. C'est cette attention croisée entre patchs voisins dans l'espace et dans le temps qui crée la cohérence.
Cohérence temporelle
Le vrai défi : que rien ne « saute »
La difficulté n'est pas de faire une jolie image, c'est de garder un objet identique et stable image après image. Aucun moteur physique n'est codé : la gravité, l'inertie, la permanence des objets sont approchées à partir des exemples vus. D'où les ratés quand la scène sort de ce que le modèle a appris.
Coût
Pourquoi c'est cher, lent et court
Ajouter le temps multiplie le nombre de patchs à traiter à chaque étape de débruitage, et il faut de nombreuses étapes. Résultat : plusieurs minutes de calcul GPU pour quelques secondes de vidéo. C'est ce mur de calcul qui explique les clips courts et le prix élevé.
Questions fréquentes
- C'est la même chose que générer une image ?
- Oui, c'est la même base, la diffusion, mais avec le temps en plus. Le modèle débruite des morceaux qui couvrent l'espace et le temps, pour que les images s'enchaînent de façon cohérente.
- Pourquoi les vidéos IA sont-elles si courtes ?
- Parce que le calcul est énorme : ajouter le temps multiplie le travail à chaque étape de débruitage. Plus c'est long, plus c'est cher et plus la cohérence se dégrade.
- Pourquoi les mains et la physique dérapent-elles ?
- Parce qu'aucune règle physique n'est codée : le modèle imite ce qu'il a vu. Dès que la scène sort de ses exemples, objets et mouvements deviennent incohérents.
- Quels outils font ça en 2026 ?
- Sora (OpenAI), Veo (Google DeepMind), Kling, Runway, entre autres. Tous reposent sur des principes proches : diffusion dans un espace latent et transformeur de diffusion.
Pour continuer
-
Lis l'histoire en BD, c'est plus rigoloCette notion existe aussi en BDCette notion existe aussi en BD IA réalisateur génial - Fiche à suivre Le multimodal : texte, image, son Pour voir comment image et son sont encodés, la brique sur laquelle s'appuie la vidéo.
- Fiche à suivre Les formats de l'IA Pour situer la vidéo parmi tout ce que l'IA peut comprendre et générer.
- Fiche à suivre Latence, coût et cache Parce que la vidéo est l'usage le plus gourmand en calcul : comprendre le coût (Niveau 3).
SourcesSourcesSources vérifiées