Prompts d'IA pour la vidéo : Sora, Runway et Veo

Tapez « un dragon survolant une ville » dans un modèle d'image et vous obtenez une seule image. Tapez la même chose dans Sora ou Veo et vous obtenez cinq secondes de décisions : la façon dont le dragon s'incline, si la caméra le poursuit ou reste immobile, comment ses ailes brassent l'air, l'endroit où la lumière bascule quand il vire. Chacune de ces décisions, c'est soit quelque chose que vous avez précisé, soit quelque chose que le modèle a deviné à votre place. Bien prompter pour la vidéo, c'est avant tout le travail qui consiste à deviner moins.

Ça change la façon d'écrire. Une image fixe est un nom. Un plan est un verbe.

Un prompt vidéo n'est pas un prompt d'image avec du mouvement

La plus grosse erreur héritée de Midjourney, c'est de traiter un clip comme une photo qui se met à frétiller. Ce n'en est pas une. Un prompt de photo décrit un état. Un prompt vidéo décrit un état *et la manière dont il évolue sur la durée*. Vous êtes désormais responsable de trois choses qu'une image fixe ne vous a jamais demandées : le mouvement (ce qui bouge et comment), le temps (ce qui se passe d'abord, puis ensuite) et le rythme (à quelle vitesse tout cela se déroule).

C'est pourquoi les prompts d'IA pour la vidéo se jouent entièrement sur les verbes. « Une femme en manteau rouge, rue au néon, pluie » fait un bon brief d'image et un mauvais brief vidéo, parce que rien n'y bouge. Ajoutez le mouvement et la scène s'éveille : « elle marche vers la caméra, son manteau ondule, la pluie file devant les néons ». Même scène, mais le modèle sait maintenant quoi animer au lieu d'inventer une dérive de son côté.

Gardez la même rigueur que pour n'importe quel bon prompt — les fondamentaux d'une consigne claire restent valables. Vous avez simplement ajouté un axe temporel, et c'est sur cet axe temporel que les clips déraillent.

L'anatomie d'un prompt de plan

Un prompt de plan a des composantes, et les nommer dans un ordre approximatif évite d'oublier celles que les modèles gèrent mal. Voyez-le comme un clap de cinéma :

• Sujet + action — qui ou quoi, en train de faire exactement une seule chose.
• Angle et mouvement de caméra — où se place l'objectif et comment il se déplace.
• Objectif et cadrage — plan large, 35mm, gros plan, faible profondeur de champ.
• Éclairage — direction, qualité, température de couleur.
• Ambiance et décor — le lieu et l'émotion.
• Durée et rythme — la longueur approximative, et la vitesse à laquelle l'action se lit.

Les meilleurs prompts d'IA pour la vidéo remplissent rarement les six cases — mais ils réussissent toujours les deux premières, parce que le sujet et la caméra portent tout le reste. Voici le schéma une fois rempli :

Remarquez qu'il n'y a qu'un sujet, un mouvement de caméra, un moment de la journée. Toute l'astuce tient dans cette retenue. Si vous avez l'habitude d'empiler les descripteurs pour des images fixes, un générateur de prompts d'images entraîne le réflexe de lister explicitement l'objectif et la lumière — reprenez ce réflexe, puis ajoutez la clause de mouvement dont l'image fixe n'avait jamais besoin.

Parler le langage de la caméra

Les modèles vidéo ont été entraînés sur de vraies images, ils réagissent donc bien mieux au vrai vocabulaire du cinéma qu'à des mots vagues comme « dynamique ». Apprenez une poignée de mouvements de caméra et vos prompts texte-vers-vidéo gagnent en précision du jour au lendemain :

• Dolly — la caméra elle-même avance ou recule (« lent dolly-in »).
• Pan / tilt — la caméra pivote de gauche à droite ou de haut en bas depuis un point fixe.
• Tracking shot — la caméra suit un sujet en mouvement, à ses côtés.
• Crane / jib — la caméra monte ou descend dans l'espace.
• Handheld — un tremblement volontaire, pour une énergie documentaire.
• Zoom — c'est l'*objectif* qui se resserre, ce qui rend différemment d'un dolly, et les modèles le savent.

Nommez le mouvement, nommez sa vitesse, et n'en choisissez qu'un. « Slow tracking shot » se lit clairement ; « dolly-zoom-pan-crane » se lit comme du bruit, et le modèle vous le moyennera en bouillie.

Décrire le mouvement et la physique

Le plus difficile pour ces outils, c'est la plausibilité physique — le tissu, les cheveux, l'eau, le poids, l'élan. Vous pouvez l'orienter. Au lieu de « une cape », écrivez « une lourde cape de laine qui se soulève lentement dans le vent ». Au lieu de « explosion », écrivez « une gerbe de braises au ralenti dérivant vers le haut ». Donnez au modèle une direction, une vitesse et une matière, et il a quelque chose à simuler. Laissez ces cases vides et il retombe sur une moyenne molle et flottante.

Quelques leviers qui rapportent :

• Mots de vitesse : « ralenti », « temps réel », « time-lapse », « progressif », « soudain ».
• Indices de poids : « lourd », « délicat », « pesant », « qui revient d'un coup ».
• Direction : « dérivant de gauche à droite », « tombant vers la caméra », « qui s'élève ».

Ce sont les contradictions qui cassent tout. « Un plan figé et immobile avec un mouvement rapide et chaotique » donne au modèle deux objectifs incompatibles, et il en choisit un au hasard.

Un plan, une idée, puis on coupe

Vous ne pouvez pas briefer une scène entière en un seul prompt et espérer tout couvrir. Demandez « une course-poursuite dans un marché, puis un face-à-face sur les toits, puis la pluie » et vous obtiendrez un flou confus qui n'est aucun des trois. Un vrai montage se construit un plan à la fois : promptez donc un plan à la fois.

Pour une séquence, faites d'abord un storyboard en langage clair — trois ou quatre temps, chacun étant un clip généré à part — puis assemblez-les dans un logiciel de montage :

• Plan 1 : plan large d'introduction, sujet petit dans le cadre.
• Plan 2 : plan moyen, le sujet réagit.
• Plan 3 : gros plan, le détail qui compte.

La vraie difficulté, c'est la cohérence d'un plan à l'autre. Répétez la description d'ancrage mot pour mot — même tenue, même lieu, même lumière — en ne changeant que le cadrage et l'action. Une bibliothèque de prompts enregistrés fait ici toute la différence, car vous réutiliserez ce bloc décrivant le personnage et le décor sur chaque clip, et la moindre variation de formulation provoque des ruptures de continuité visibles. La même logique qui donne à une série d'illustrations un air de famille fait que vos plans ressemblent à une seule et même scène.

Image-vers-vidéo et images de référence

Le texte n'est pas votre seule entrée. La plupart de ces outils acceptent une image de départ et l'animent, ce qui règle la cohérence d'un seul coup : vous figez le rendu sous forme d'image, puis vous ne décrivez plus que le mouvement. C'est la manière la plus fiable de maîtriser le personnage et le style, car l'image porte tout ce que les mots peinent à fixer.

Ce workflow mérite qu'on s'organise autour. Générez une première image solide dans un modèle d'image — le guide des prompts d'images et le générateur de prompts Midjourney expliquent comment réussir cette image — puis fournissez-la avec une consigne portant uniquement sur le mouvement :

Comme l'image est figée, le prompt n'a plus qu'à répondre à « qu'est-ce qui bouge ? » — une question bien plus facile que « à quoi ressemble l'ensemble ? »

Sora, Runway, Veo, Kling : décrypter les différences

Ces outils se recoupent plus que le marketing ne le laisse croire, et les versions évoluent vite : considérez donc les détails comme des cibles mouvantes. Dans les grandes lignes, ils ont pourtant des tempéraments différents :

• Sora (OpenAI) penche vers des clips plus longs et plus narratifs et lit bien les descriptions de scène. Les bons prompts Sora s'écrivent plutôt comme une liste de plans que comme une salade de mots-clés.
• Runway est né d'une suite de montage : il associe la génération à des contrôles fins du mouvement, à des réglages de caméra et à l'image-vers-vidéo.
• Google Veo vise un mouvement haute fidélité et physiquement plausible, et répond bien à un langage cinématographique explicite.
• Kling et Luma excellent dans le mouvement réaliste et sont des références courantes pour l'image-vers-vidéo.

Ne vous calez pas trop sur la syntaxe exacte d'un seul outil ; le savoir-faire de fond — un sujet clair, un mouvement de caméra, un mouvement nommé, une durée raisonnable — se transpose partout. Si un prompt sonne mal, passez-le dans un optimiseur de prompts pour resserrer la formulation avant de dépenser un rendu de plus.

Les erreurs qui gaspillent des rendus

Les clips coûtent du temps et des crédits ; les ratés qui méritent d'être nommés sont donc ceux qui gaspillent les deux :

• La surcharge. Six actions, quatre mouvements de caméra, trois ambiances. Ramenez à un seul de chaque.
• Les consignes contradictoires. « Plan fixe verrouillé, mouvement de caméra déchaîné. » Choisissez un camp.
• Le vague « cinématographique ». Le mot ne fait presque rien tout seul. Dites *ce qui* est cinématographique — le flare anamorphique, l'éclairage low-key, le lent travelling avant. La précision, c'est ça, le style.
• Ignorer la durée. Un clip de cinq secondes ne peut pas porter une histoire en trois temps. Ajustez l'ambition à la longueur.
• Se battre contre la couche fixe. Si la première image est ratée, le mouvement ne la sauvera pas — corrigez d'abord l'image.

Écrivez comme un réalisateur qui remplit un clap, pas comme un poète qui décrit un rêve. Les modèles écoutent bien mais ne lisent pas du tout dans les pensées, et les meilleurs prompts d'IA pour la vidéo laissent simplement moins de place à la devinette.

Références

• OpenAI
• Stability AI