Deux images, quinze secondes : la méthode première et dernière image

La plupart des modèles vidéo prennent une image et démarrent dessus. Plusieurs acceptent aussi une seconde image et terminent dessus. Ce second emplacement est la commande la moins utilisée du catalogue, et il change le travail : au lieu de décrire une fin en espérant, vous fabriquez la fin, vous la regardez, vous la corrigez pour trois crédits, et vous ne payez le mouvement qu’ensuite.

Voici tout ce que nous avons fourni pour le clip de quinze secondes plus bas. À gauche, la seconde zéro. À droite, la seconde quinze. Il n’y a pas eu de troisième entrée.

Ce que la seconde image achète

La fin cesse d’être un pari. Le dernier temps d’une consigne est celui pour lequel le modèle a le moins de budget restant et le plus de liberté. Fourni sous forme d’image, il n’est plus une demande : c’est un point fixe auquel la prise doit arriver. La nôtre est un gros plan d’un oiseau crasseux et pas impressionné, et c’est l’image sur laquelle le clip se pose.

Le mouvement de caméra n’a plus besoin d’être nommé. L’image un est un plan large et l’image deux est un plan rapproché du même décor sur le même axe. Personne n’a à écrire « travelling avant » en espérant que le modèle partage votre définition : le mouvement est la seule façon d’aller d’une image à l’autre, donc il est déduit plutôt qu’interprété.

L’identité ne peut pas dériver, parce que les deux bouts sont fixés. L’échec habituel d’un clip de personnage est un visage qui, subtilement, n’est plus le même à la fin. Avec la dernière image fournie, la dérive n’a nulle part où s’accumuler.

Et les erreurs chères deviennent bon marché. La vidéo se facture à la seconde. Trois crédits, c’est ce que coûte de découvrir que votre expression finale se lit comme de la tristesse plutôt que comme du dégoût. Deux cent quatre-vingt-neuf, c’est ce que coûte de le découvrir dans une prise finie.

Les images sont le film. Le prompt n’est qu’une indication de jeu entre elles.

Quels modèles acceptent une dernière image

Neuf des modèles vidéo du catalogue en acceptent une, et le plafond d’une prise unique va de huit à trente secondes selon les modèles. Les coûts ci-dessous sont ceux d’une prise à la durée maximale du modèle.

Deux choses ressortent de ce tableau.

C’est sur P-Video, à 17 crédits, que vous devriez tester. Il prend les deux images, il monte à dix secondes, et il coûte un dix-septième de la prise que nous avons publiée. Si vos deux images sont assez éloignées pour que l’interpolation risque de se déchirer, un passage P-Video vous le dit pour le prix de six images fixes.

C’est la durée qui choisit le modèle, pas la qualité. Il nous fallait quinze secondes. Veo 3.1 s’arrête à huit : toute la famille Veo était hors course avant la moindre comparaison. Seedance 2.0 s’arrête exactement à quinze, un plafond sur lequel vous seriez assis plutôt que dessous. Seedance 2.5 monte à trente et fabrique son propre son dans le même passage : quinze secondes y tiennent largement. Toute la décision était là.

Comment nous en avons fabriqué un de quinze secondes

Quatre étapes. Les trois premières sont des images à trois crédits la génération, et la quatrième est la seule qui coûte cher. Si l’image dont vous avez besoin est déjà dans un clip que vous possédez, extrayez-la plutôt que de la générer : la méthode se moque de l’origine d’une image.

Étape un : distribuer le personnage avant de construire le plan

Si une personne ou un animal doit être le même dans les deux images, faites-en d’abord une image de référence toute simple — seul, ne faisant rien, devant un mur. La nôtre est un poussin de cagou, l’oiseau gris inapte au vol qui est l’emblème national de la Nouvelle-Calédonie. Il n’apparaît nulle part dans le film fini. Son rôle est d’être passé comme référence dans les deux images qui, elles, y apparaissent.

Deux habitudes sont à retenir de cette image. Dites à quoi sert une référence et à quoi elle ne sert pas — « keep the character design, same crest, same beak and feet, same proportions, but full body, small in frame, standing » est une consigne d’une autre nature que tendre un fichier en espérant. Et décrivez un décor comme une liste de matériaux, pas comme une pièce : nommez le béton, le mur et le toit plutôt que le bâtiment, parce qu’une pièce apporte son contenu avec elle et que vous vous retrouvez à vous disputer avec un fond que vous avez invité.

Si vous fabriquez plus d’une poignée de plans avec le même personnage, cessez de passer un fichier à la main et faites-en un Sujet. Une identité nommée porte son image et sa description ensemble, et ne peut pas être le mauvais fichier.

Étape deux : l’image d’ouverture

Seedream 5 Lite, 9:16 en 2K, avec la référence du personnage attachée. Trois crédits le passage, et il en a fallu deux.

3D animated feature film style, vertical composition, wide establishing shot.

A tropical agricultural fair livestock pen: packed red dirt, weathered wooden
rail fences, and a wide muddy puddle in the middle ground.

Center of frame: an ENORMOUS Brahman bull lying on its back in the mud, all
four legs up in the air, blissfully wallowing, tongue lolling out, eyes
half-closed in pure contentment. He is obviously having the best moment of his
day. Mud splattered across his hide.

At the near edge of the puddle, tiny by comparison and no taller than the
bull's hoof: a baby kagu chick — ruffled grey crest swept back, bright orange
beak, bright orange feet, huge glossy black eyes, fluffy pale grey and cream
plumage. He is frozen mid-step, little wings half-raised in alarm, beak open,
staring at the bull in absolute horror. He believes the bull is drowning.

Background: three or four cattle farmers in classic cowboy hats — curved
upturned brim, creased pinched crown — walking past behind the fence, chatting
to each other, drinks in hand, completely ignoring the bull, not one of them
looking at the puddle. Their indifference must be clearly readable.

Bright harsh midday tropical sun, dust hanging in the air, shallow depth of
field on the background figures.

Keep the kagu chick's character design exactly as in the reference image —
same crest, same orange beak and feet, same eyes, same proportions — but full
body, small in frame, standing.

No readable text anywhere, no signage, no lettering on banners, no logos, no
subtitles, no watermark.

Le prompt est un plan d’ensemble et il est écrit comme une liste de ce qui est dans le cadre, dans l’ordre de la profondeur : le sol, puis le taureau au milieu, puis le poussin au bord le plus proche, puis les hommes derrière la barrière. Rien là-dedans n’est un terme de caméra.

Les badauds portent la scène, et ils sont écrits comme tels. completely ignoring the bull, not one of them looking at the puddle. Their indifference must be clearly readable n’est pas du décor : c’est ce qui dit au spectateur que l’animal va bien, seule raison pour laquelle la panique du poussin est drôle plutôt qu’inquiétante. Tout ce dont une scène dépend doit être décrit comme un fait de l’image, pas sous-entendu par la situation.

Le second passage était un raffinement, pas un second prompt. Le premier est revenu correct, sauf les chapeaux, larges et génériques plutôt que des chapeaux de cow-boy. Relancer le prompt avec une meilleure formulation aurait redistribué la composition du même coup : nouveau taureau, nouvelle flaque, une bonne image jetée pour corriger un détail. Raffiner la génération existante avec une seule consigne qui change un seul élément garde tout le reste.

Cette image a ensuite été retouchée à la main, et c’est pourquoi relancer ce prompt vous donne un cousin plutôt qu’un jumeau. Une fois qu’une image est finie, le fichier fait autorité et le prompt n’est plus que la recette. Animez à partir du fichier.

Étape trois : l’image de fin, fabriquée à partir de celle d’ouverture

L’image un est la première référence de l’image deux. Tout ce qui ne doit pas changer — la disposition de la barrière, le palmier à gauche, le chapiteau en haut à droite, l’ombre en travers de la terre, la hauteur du soleil — vient de l’image plutôt que de votre capacité à la décrire deux fois de la même façon. La référence du personnage passe en second, pour tenir le bec et la huppe sous une couche de boue.

Same scene, same camera position, same lighting — the final frame of the shot.

3D animated feature film style, vertical composition, bright harsh midday
tropical sun, red dirt, wooden rail fences, same agricultural fair pen.

THE CHICK: the baby kagu is now COMPLETELY caked in mud — his pale grey down
plastered brown and dripping, his swept-back crest flattened and gloopy, thick
mud sliding off his wingtips, orange feet buried in slop. He stands square to
camera in the foreground right.

His face is the subject of the frame — a large, clear, unobstructed close read
of his expression: DISGUSTED. Deadpan, flat, thoroughly unimpressed. Eyes
half-lidded and looking directly into the lens, beak closed and slightly
downturned in a small grimace, head tilted a fraction to one side, one wing
lifted away from his body as if he cannot bear to touch himself. A single
strand of mud drips slowly off the tip of his crest. He is not sad, not
defeated, not crying — he is quietly revolted, and he blames the camera. Dry
comedic deadpan, the look-to-camera beat.

Despite the mud his huge glossy dark eyes and orange beak stay clean and
perfectly legible — the expression must read instantly at phone size. Framing
is noticeably tighter on him than the opening wide shot: he fills more of the
lower frame, chest-up to full body, face clearly the focal point, sharp focus.

THE BULL: gone. Only his muddy hindquarters and tail are still visible at the
very left edge of frame as he ambles calmly away, unhurried, unharmed. The mud
puddle behind the chick is churned up and empty, with a wide slick drag-trail
and deep hoofprints leading out of it toward the left.

THE COWBOYS: the same four men in cowboy hats behind the wooden fence, softly
out of focus now, still talking to each other, still holding their drink cans,
still laughing at something off-screen. Not one of them is looking at the bull,
the puddle or the chick.

Same background: blue sky with soft white clouds, palm tree at left, white
marquee tent at upper right, same fence layout, same tree shadow across the
red dirt foreground.

Keep the kagu chick's character design identical to the reference — same crest
shape, same orange beak, same orange feet, same eye size, same proportions.
Only the mud and the expression are new.

No readable text anywhere, no signage lettering, no logos, no subtitles,
no watermark.

Trois décisions à l’intérieur de ce prompt font l’essentiel du travail.

Cadrez la fin plus serré que l’ouverture. La différence entre les deux cadrages est le mouvement de caméra. Une dernière image à la même échelle que la première ne laisse au modèle rien d’autre à faire qu’attendre.

Dites ce qu’est l’expression, puis dites ce qu’elle n’est pas. « Disgusted, deadpan, half-lidded, beak downturned — not sad, not defeated, not crying » est la ligne qui sépare une blague d’une tragédie. Le dégoût se lit aussi dans une image isolée, sans histoire attachée, là où le triomphe demande au spectateur de deviner ce que le personnage croit. C’est l’image dont on tire une vignette : elle doit fonctionner le son coupé et le contexte absent.

Protégez le visage de ce que vous venez de demander. La boue qui recouvre le personnage recouvre la performance avec lui. his huge glossy dark eyes and orange beak stay clean and perfectly legible est ce qui garde la chute lisible à la taille d’un téléphone, et c’est la correction dont cette image avait le plus besoin.

Étape quatre : le clip

Les deux images entrent, la durée entre, et le prompt ne décrit que ce qui se passe entre elles.

Animate between the supplied first and last frames. 3D animated feature film
look, vertical 9:16, 15 seconds, one continuous take — no cuts, no shot changes.

CAMERA — starts locked on the wide establishing frame with faint handheld
drift. From about 0:10 it begins a slow, smooth dolly push-in toward the mud-
caked chick, tightening steadily and settling exactly on the final frame by
0:14: medium close-up, chick large in frame, background thrown soft. The push
is continuous and unhurried. Never cut, never zoom out, never whip-pan.

0:00–0:03  The bull keeps wallowing on his back in the puddle, legs paddling
           lazily in the air, tongue lolling, eyes half-closed in bliss, mud
           slopping and bubbling around him. The clean little grey kagu chick
           snaps his head left, sees the bull, and freezes — beak falling open,
           tiny wings flaring out in alarm.

0:03–0:06  Panic. He scurries back and forth along the near edge of the puddle,
           flapping his useless wings, barking sharply and fast, glancing from
           the bull to the camera and back.

0:06–0:11  The rescue. He charges into the mud, shoulders into the bull's flank
           and shoves with his whole body — orange feet skidding backwards
           through the slop, splattering himself. He abandons pushing, clamps a
           fold of the bull's hide in his beak and hauls, leaning right back,
           straining, feet sliding. The bull slowly blinks, entirely unbothered,
           and flops his legs again — a heavy wall of mud slaps the chick full
           in the face. His barking stops dead. He is now filthy, grey down
           plastered brown, a thick glob of mud sliding down his crest.

0:11–0:14  The bull rolls onto his front, stands up entirely on his own, shakes
           his hide, and ambles calmly out of frame to the LEFT — only his muddy
           hindquarters and swinging tail still visible at the edge. The chick
           trudges back out of the puddle and watches him go. The camera pushes
           in on him as he does.

0:14–0:15  He turns square to camera and holds a flat, deadpan, thoroughly
           DISGUSTED stare straight down the lens — eyes half-lidded, beak shut
           and downturned in a small grimace, one wing held stiffly away from
           his own filthy body as if he cannot bear to touch himself. A strand
           of mud drips slowly off the tip of his crest. Not sad, not defeated,
           not crying — quietly revolted, and he blames the camera. Hold on this.

THROUGHOUT — the four cowboys behind the wooden fence never once look at the
bull, the puddle or the chick. They keep talking to each other, sipping their
cans, laughing at something off-screen, for the entire fifteen seconds. Their
complete indifference must stay readable even as they drift out of focus during
the push-in. Nobody enters the pen. Nobody intervenes. Nobody is worried.

THE BULL IS NEVER IN DISTRESS at any point — he is blissfully enjoying his mud
bath from the first frame to the moment he strolls away. No struggling, no
panic, no sinking, no rescue actually occurring.

Character consistency: keep the kagu chick's design exactly as supplied —
swept-back grey crest, orange beak, orange feet, huge glossy dark eyes, same
proportions. Only the mud accumulates, progressively, across the shot.

Audio: the chick's sharp dog-like barking, frantic then cutting abruptly to
silence the instant the mud hits him; the bull's low contented grunts and
snorts; thick wet mud squelching, sucking and splashing; one heavy wet plop as
mud slides off the crest at the end; warm outdoor fair ambience; a distant
rodeo PA announcer and country music; sparse far-off applause and laughter; the
cowboys murmuring and chuckling throughout. No music score, no voice-over.

No on-screen text, no captions, no subtitles, no signage lettering, no logos,
no watermark.

La consigne est écrite comme une frise chronologique parce que les deux bouts sont déjà fixés : chacune de ses lignes porte sur le milieu. Notez ce qu’elle ne contient pas — aucune description du décor, aucune couleur pour le personnage, aucun cadrage pour le temps final. Tout cela est dans les images, et le répéter en mots donne au modèle un second avis, formulé autrement, à réconcilier avec le premier.

Cela fait tout de même 3 917 caractères sur les 4 000 que Seedance 2.5 accepte. Une frise est longue par nature : le plafond est donc une contrainte réelle sur cette méthode, et non une contrainte théorique — raison de plus pour ne rien en dépenser à redécrire une image que vous avez déjà fournie.

Ce qui est réellement revenu

Nous avons mesuré le fichier livré face à la consigne. Quatre instructions ont atterri exactement. Quatre non, et c’est la moitié la plus utile.

Une seule prise continue, sans coupe, se posant sur l’image deux. Le travelling avant est fluide et ininterrompu, et il se termine sur le gros plan fourni. Le plus grand risque de cette méthode — une déchirure visible là où le modèle abandonne et saute à la destination — ne s’est pas produit.

Pas un seul des quatre cow-boys ne regarde. Quinze secondes d’indifférence totale, l’instruction sur laquelle repose la blague. Ils sont aussi à peine animés : des poses statiques derrière la barrière. Le refus a tenu ; la performance non.

Les jappements s’arrêtent net sur l’éclaboussure. Le seul temps sonore dont la cause est visible dans l’image est arrivé sur l’image demandée.

Aucun texte lisible nulle part. Aucun panneau, aucun lettrage, aucun filigrane, sur aucune image.

Et les quatre qui ont manqué :

Le travelling avant a commencé à 0:00, pas à 0:10. La consigne demandait un cadre fixe qui se met en mouvement aux deux tiers. La caméra a avancé régulièrement de la première image à la dernière pendant les quinze secondes. Une instruction de minutage à l’intérieur d’un plan est une suggestion ; c’est la forme du mouvement qui, elle, atterrit. Si un mouvement doit commencer tard, il lui faut sa propre génération.

Une action en deux temps est devenue une action en un temps. Le sauvetage était écrit comme : épauler le flanc, échouer, puis tirer sur la peau avec le bec. Seule la traction a survécu. Deux actions physiques consécutives dans un même temps sont un choix que vous tendez au modèle, et il le fera.

La boue est arrivée d’un coup à 0:08, pas progressivement. Only the mud accumulates, progressively, across the shot est la chose la plus difficile à obtenir avec cette méthode, et la raison est structurelle : les deux images définissent un état propre et un état sale, et rien n’oblige le modèle à passer plus d’un instant à aller de l’un à l’autre. Un changement graduel au fil d’une prise réclame une image intermédiaire, pas un adverbe.

Le speaker de la sono a prononcé des mots. Demander a distant rodeo PA announcer a produit de l’anglais synthétisé — une phrase intelligible et vide de sens sous les cinq dernières secondes. Une ambiance décrite comme une personne qui parle vous donne une personne qui parle, et une parole inventée est le signe artificiel le plus bruyant qu’un clip puisse porter. Demandez une rumeur de foule sans speaker dedans, ou écrivez la réplique vous-même.

Le mixage est globalement plus maigre que la consigne : la musique country, les applaudissements et les rires ne sont jamais arrivés, et la piste mesure −26,0 LUFS intégrés avec une crête réelle à −5,5 dBFS — clairsemé et calme plutôt que fête foraine. Le son natif vaut la peine d’être pris, et ne vaut pas encore qu’on lui confie une conception sonore.

Ce qui casse, et la correction

Ce que cela a coûté

Quatre pour cent de cette somme sont partis dans les images et quatre-vingt-seize dans le mouvement, et ce rapport est l’argument de toute la méthode : chaque décision qui pouvait être prise à l’intérieur des quatre pour cent y a été prise. Chiffrez la prise avant de la lancer — un clip Seedance 2.5 de quinze secondes coûte exactement trois fois un clip de cinq secondes, et rien sur le curseur de durée ne le dit.