P-Video : le guide complet des quatre modèles de Pruna

Pruna fait quatre modèles vidéo, et ils ne se concurrencent pas. L’un fabrique un clip à partir d’un prompt. Les trois autres animent quelque chose que vous avez déjà : un portrait et une voix, une image fixe et une interprétation, un plan et un nouveau visage dedans.

Ce sont devenus les modèles vers lesquels nous allons en premier, et la raison est arithmétique. Vingt secondes de quelqu’un qui parle face caméra coûtent 31,5 ici et 200 sur le modèle du dessus. Cinq secondes de 720p coûtent 8,5, contre 37,5 pour le deuxième modèle le moins cher capable de rendre le même plan. Ce qui revient est assez bon pour que l’économie cesse d’être un compromis et devienne le choix par défaut.

Quatre modèles, ce n’est pas quatre choses à apprendre. C’est une seule question — qu’avez-vous déjà entre les mains ? — posée de quatre façons.

NOTE : tout ce qui suit vaut pour les quatre, sauf mention d’un seul.

Vue d’ensemble

La version courte

Quatre décisions font l’essentiel du travail. Si vous ne lisez rien d’autre, lisez celles-ci. Chacune est développée plus bas.

1. Choisissez le modèle d’après ce que vous avez, pas d’après ce que vous voulez

   Les quatre se partagent nettement par les entrées, sans recouvrement. Trois d’entre eux refusent de démarrer sans un média que vous fournissez, donc le modèle est choisi pour vous dès l’instant où vous savez si vous tenez une voix, une vidéo, ou rien.

   Rien que des mots → P-Video. Un portrait et une voix → Avatar. Une image fixe et une interprétation à copier → Animate. Un plan dont la personne devrait être quelqu’un d’autre → Replace.

2. Une prise d’interprétation coûte un prix fixe, quel que soit ce qui revient

   Avatar, Animate et Replace lisent leur durée sur le média que vous avez joint : la prise est donc chiffrée au plafond de quinze secondes, et jamais au-delà. Un clip de 4,5 secondes et un de 17,9 secondes ont donné le même chiffre — une réplique courte gâche donc le budget qu’une longue aurait utilisé gratuitement.

   Écrivez jusqu’au plafond. Deux phrases et six phrases coûtent pareil : mettez toute l’idée dans une seule prise plutôt que de la couper en deux.

3. Ce que vous joignez prime sur ce que vous écrivez

   Sur les trois modèles d’interprétation, le média pilote porte le rythme, le mouvement et le jeu, et le prompt ne fait que décorer ce qui reste. Une propriété fixée par le média ne se retire pas du modèle par une phrase — on lui a demandé « curious, then a chuckle, then a complicated smile » et il a rendu un seul sourire aimable et continu, parce qu’il pilote la bouche à partir de la forme d’onde.

   Au lieu de

   Écrire dans le prompt l’expression que vous voulez

   Faites

   Mettez-la dans l’image qui amorce, ou dans la prise qui pilote

4. P-Video n’a pas d’emplacement de référence — il a des images

   Vous ne pouvez pas lui tendre un personnage et demander ce personnage. Ce que vous pouvez lui tendre, c’est l’image exacte sur laquelle le clip s’ouvre, l’image exacte à laquelle il arrive, ou les deux. Une image fournie l’emporte aussi sur votre réglage de formatLa forme du cadre : sa largeur rapportée à sa hauteur. Le 16:9 est la forme large d’un téléviseur ; le 9:16, celle d’un téléphone tenu debout., parce que le rapport vient de l’image.

   Arrêtez d’abord le sujet dans une image, puis donnez cette image comme Première image. Ici la cohérence vient de l’image, jamais du prompt.

La famille, en un tableau

Les quatre rendent en 720p ou 1080p, et les quatre acceptent un prompt allant jusqu’à 4 000 caractères — le double de ce qu’obtient un modèle d’image, et plus qu’aucun d’eux n’en a besoin. Sur trois des quatre, le prompt est facultatif, et l’un des exemples détaillés plus bas a tourné avec un prompt vide.

Ce que ça coûte

P-Video se facture à la seconde, et c’est la façon la moins chère du catalogue de transformer un prompt en image animée — 0,02 $ la seconde en 720p, moins de la moitié du tarif de tout ce qui rend à cette taille.

Les trois autres sont à prix fixe. La durée appartient au média que vous avez joint : aucune durée n’est donc jamais envoyée, et la prise est chiffrée au plafond — l’équivalent de quinze secondes — sans que le règlement dépasse jamais ce montant. Toutes les prises que nous avons lancées sont tombées exactement sur ce chiffre, que le clip fasse quatre secondes ou vingt :

Quinze secondes, c’est là que le prix s’arrête, pas le clip. Le composeur affiche le plafond parce que c’est ce qui est retenu, et le modèle ne reçoit jamais la moindre durée — une réplique de 17,9 secondes et une de 20,16 secondes sont revenues entières toutes les deux, et ont coûté 31,5 chacune.

Ne découpez donc pas une partie pour tenir dans un chiffre qui n’est pas une limite. Coupez à un vrai raccord, ou pas du tout.

Pourquoi ils sont devenus le choix par défaut

Les trois mêmes tâches, mises en face de ce que le reste du catalogue demande pour les faire :

Ce ne sont pas les meilleurs modèles du catalogue, et ce guide ne prétend pas le contraire. Ce sont les modèles où la dépense supplémentaire cesse d’acheter quoi que ce soit qu’un spectateur remarque — et c’est une autre propriété, plus utile.

Allez voir au-delà quand le visage est l’interprétation plutôt que l’endroit d’où sortent les mots, quand la caméra doit faire quelque chose de cinématographique, ou quand un plan généré doit tenir plus de dix secondes d’un seul tenant.

Les règles

Sept choses vraies quoi que vous fabriquiez. Chacune nous a coûté de l’argent à apprendre, et elles sont classées par ce qu’elles vous feront économiser.

Choisissez d’après vos entrées, pas d’après votre ambition

Trois des quatre refusent de démarrer. Ce que leur refus décide, c’est le choix du modèle, fait à votre place.

Une génération est ici bloquée tant que ses emplacements obligatoires ne sont pas remplis, et c’est là toute la taxonomie :

• Avatar veut une image et une piste audio.
• Animate veut une image et une vidéo.
• Replace veut une vidéo et une à trois identités.
• P-Video ne veut rien du tout.

Nous l’avons rencontré sur un plan de réaction : trois secondes d’une femme qui regarde quelque chose, sans rien dire. Pas de réplique, donc pas d’audio, donc ni durée ni interprétation sur quoi un modèle de synchronisation labiale puisse s’appuyer ; et il n’y avait pas non plus d’images filmées à transposer. P-Video était le seul des quatre à pouvoir prendre ce plan, et il l’a pris pour 13,5 en 1080p.

Lire l’exigence à l’envers est le chemin rapide vers le bon modèle. Si vous allez vers Avatar sans avoir encore de prise de voix, la tâche n’est pas « générer un clip », c’est « produire la voix d’abord ».

Une prise d’interprétation est à prix fixe, alors écrivez jusqu’au plafond

Le clip dure ce que dure son pilote, et la facture dure quinze secondes dans les deux cas.

Aucun des trois modèles d’interprétation ne prend de durée. Chaque requête part avec la sentinelle auto, aucun nombre n’atteint jamais le fournisseur, et la prise est chiffrée au plafond de quinze secondes quel que soit ce que vaudra le média. Mesuré sur nos propres passages :

• Un clip avatar de 4,48 secondes et un de 17,9 secondes sont tous deux revenus à 31,5 en 720p.
• Un de vingt secondes, dans l’exemple détaillé plus bas, est revenu aux mêmes 31,5.

Cela inverse l’instinct habituel. Sur un modèle à la seconde, on écrit court pour dépenser moins ; ici, écrire court gâche les secondes déjà payées. Six phrases avec deux pauses marquées, cela fait vingt secondes et une seule prise. Le même contenu réparti sur deux prises, cela fait le double du prix et une coupe à cacher.

D’où la règle de budget : une pièce en synchronisation labiale se budgète à partir du script, pas du clip. Le seul moyen d’obtenir une prise plus courte est d’écrire une réplique plus courte.

Le pilote est l’horloge : produisez-le en premier

L’audio décide de la durée, ce qui veut dire que l’audio doit exister avant l’image.

Sur Avatar, c’est exact et non approximatif. Un wav mono 24 kHz de 967 724 octets fait 20,16 secondes, et le clip est revenu à 20,16 secondes. Sur quatre autres prises, chaque clip est tombé à moins de 50 millisecondes de la voix off qui le pilotait, et la bande-son livrée corrélait avec le mp3 source à 0,9997 — le modèle réémet la piste que vous lui avez donnée au lieu de resynthétiser quoi que ce soit.

L’ordre de travail est donc la voix, puis l’image, dans cet ordre, à chaque fois. Faites l’inverse et vous rognez un visage pour l’ajuster à une réplique.

La même règle tient, un cran de côté, sur Animate et Replace, où l’horloge est la vidéo source : sa durée, son rythme, sa caméra et sa cadence d’images passent tous dans le résultat, et le seul moyen d’en changer un est de changer la source.

Ce que l’image impose, le prompt ne le retire pas

Une propriété portée par l’entrée n’est pas négociable en aval.

C’est la chose la plus coûteuse à apprendre sur cette famille, et elle apparaît à trois endroits différents.

Sur l’expression. Face à « curious, then a chuckle, then a complicated smile », Avatar rend un seul sourire aimable et continu. Il pilote la bouche à partir de la forme d’onde et ignore la sémantique du prompt. Quand le visage est l’interprétation et que l’audio est presque muet, c’est pour cela qu’OmniHuman 1.5 coûte 200.

Sur le geste. Une main dans l’image d’amorce est un temps sur lequel le modèle revient, pas une pose qu’il tient. Sur une prise de dix secondes, un index levé était en l’air à 0,2 s et à 1,5 s, parti à 3 s, de retour à 7 s, reparti à 9 s. Sur les prises de moins de six secondes environ, les mains jouent une fois au début puis sortent du cadre. Une image d’amorce qui porte un geste vous achète donc un temps d’ouverture fiable et rien que vous puissiez placer — n’écrivez jamais un plan qui exige une main présente à un instant choisi.

Sur le cadrage. Le résultat prend sa forme du portrait ou de la vidéo source, pas du format que vous avez choisi. Une demande en 16:9 est revenue en 1280×704, et une prise verticale en 1088×1920 — huit pixels de remplissage d’encodeur sur une composition large de 1080. Le réglage façonne l’aperçu du composeur ; le fichier fait foi. Recadrez, ne redimensionnez pas, sinon toutes les coordonnées mesurées de votre montage bougent.

Partez d’images fixes, pas d’une chaîne

Chaque saut refait le rendu du précédent, et la dérive est monotone.

Il est tentant de mener une séquence en injectant la dernière image de chaque clip dans le suivant : les frontières ne montrent aucune coupe, et c’est une image de moins à fabriquer. Nous avons monté une séquence en quatre parties de cette façon et mesuré l’écart sur la zone du visage par rapport à l’ancre d’origine à chaque étape :

29,2 → 35,2 → 36,9 → 41,2.

Une montée nette, et c’est à cela que ressemble une dérive générationnelle. Reconstruite à partir d’une image neuve par partie, la même mesure donne 35,6 · 40,2 · 43,6 · 32,7 — sans ordre, parce que ce qu’elle suit désormais est la pose et non une accumulation. Le chaînage fige aussi une seule pose pour toute la pièce : elle ne fait jamais un geste, ne se rassoit jamais, ne fait jamais rien d’autre que parler d’où le clip précédent l’a laissée.

Ne chaînez que là où l’interprétation continue vraiment. Une frontière de cette séquence le méritait — elle sourit encore à l’écran quand la réplique suivante commence, et elle lève les yeux dessus. L’image 0 du second clip différait de la dernière image du premier de 3,78/255, contre 3,99 pour une zone de mur nu qui ne pouvait pas avoir changé. Même ordre de grandeur : ce qui les sépare est le bruit de réencodage et rien d’autre.

Partout ailleurs, une image neuve est une coupe franche et le seul moyen pour un plan d’avoir sa propre pose. Peu cher, en plus — une image coûte une fraction du clip qu’elle amorce.

La dérive a une seconde signature, et celle-là se voit. L’écart de visage est un nombre ; la couleur est une image. La chrominance moyenne sur un recadrage fixe du visage baisse à l’intérieur de chaque prise assez longue, et une continuation s’ouvre sur la valeur à laquelle la précédente s’est fermée — la baisse traverse donc la frontière au lieu de se remettre à zéro. Deux prises d’une même session, toutes deux en 9:16, une seule identité, à quatre minutes d’intervalle :

La prise du haut perd 8,6 % de la couleur de son visage en 4,7 secondes et reste reconnaissablement elle à la fin. La prise du bas est un saut plus loin. Elle s’ouvre 28 % en dessous de l’ouverture de celle du haut, se ferme 44 % en dessous, et en dépense 22,6 % à l’intérieur de ses propres 4,9 secondes — la plus raide des neuf prises mesurées ce soir-là, et la seule à finir sous 60 % du point d’ouverture de la prise du haut. Ce à quoi ce chiffre ressemble, c’est l’image : pâleur, peau cireuse dont le détail des pores a disparu, joues creusées, orbites enfoncées, un visage plus vieux.

Le passage de témoin est littéral. L’image 0 de la prise qui s’effondre et la dernière image de la prise d’avant ne sont pas semblables, ce sont la même image — 36,9 dB de PSNR, contre 16,7 dB pour un couple sans rapport pris dans la même session.

C’est l’image de départ qui fixe le budget, et la prise le dépense. Une prise de premier saut s’ouvre à moins de 4 % de la couleur de l’image qui l’a amorcée — dans les quatre couples que nous avons pu apparier, le modèle a conservé ce qu’on lui avait donné puis l’a laissé filer. Une chaîne ne tourne donc pas mal à la fin. Elle tourne mal à l’image que vous lui tendez, et chaque saut suivant dépense ce qui reste :

Neuf prises, une session, une identité, une pièce. Chaque chiffre est la chrominance moyenne de la zone du visage sur le premier et le dernier dixième de la prise, rapportée à l’ouverture de la prise 6. Deux choses dépensent le budget et ce ne sont pas les mêmes : la durée — trois secondes ne coûtent presque rien, dix coûtent environ un dixième — et les sauts. La prise 7 chaîne et y survit, parce qu’elle s’est ouverte à 94 %. La prise 9 chaîne à partir d’une prise déjà ouverte bas, et atterrit là où aucun prompt et aucune relance ne rattrapent quoi que ce soit.

Ce qui rend la chose peu coûteuse à détecter. Un passage de signalstats de ffmpeg sur un recadrage du visage donne la chrominance image par image, et deux seuils suffisent ici à séparer les bonnes prises du cadavre, sans rien de plus malin : une prise qui se ferme plus de 15 % environ sous son point d’ouverture dérive, et une prise qui s’ouvre sous l’image qui l’a amorcée a hérité d’une image déjà usée.

Il animera un visage photographié

Le refus que vous rencontrez ailleurs n’existe pas ici, et pour beaucoup de travaux c’est toute la raison d’être ici.

Tendez à Seedance 2.5 un gros plan photoréaliste d’une personne et il décline — sept refus sur sept tentatives dans nos tests, par toutes les portes. Les modèles de Pruna prennent la même image sans commentaire.

C’est là-dessus que le choix se joue vraiment pour le travail UGCContenu généré par l’utilisateur : une publicité tournée pour avoir l’air filmée par un vrai client sur son téléphone, plutôt que d’avoir l’air d’une publicité. : si votre pièce a besoin d’une personne crédible qui parle face caméra à partir d’une image que vous avez déjà, cette famille le fera. Veo 3.1 aussi, et c’est le meilleur modèle de parole — mais Veo s’arrête à huit secondes et demande 100 pour y arriver sur son palier Fast, là où vingt secondes coûtent ici 31,5.

Ce n’est pas une autorisation. Un visage que vous n’avez pas le droit d’utiliser reste un visage que vous n’avez pas le droit d’utiliser. Toutes les personnes de tous les exemples de cette page ont été générées, et rien n’a été photographié.

Testez en 720p, et laissez le prix faire les essais

Le 1080p coûte le double sur trois des quatre, et un peu moins du double sur Avatar. Rien d’autre ne change dans une prise.

Il n’y a pas de modèle de répétition ici et pas de palier brouillon — le fournisseur en a un, et le catalogue ne le branche délibérément pas, parce que le passage en pleine qualité est déjà moins cher que les répétitions de la plupart des modèles. Cinq secondes de P-Video en 720p, c’est 8,5 ; la même consigne en 1080p, c’est 17. Descendre d’un palier change la netteté et ne change rien de ce que le prompt contrôle.

La méthode de travail est donc : lancez en 720p et lisez le résultat honnêtement. Cela répond à tout ce qu’une consigne peut rater — si le cadrage est celui que vous imaginiez, si le mouvement tient, si vos entrées sont acceptées, si le personnage survit. Relancez ensuite les mêmes mots en 1080p pour la version que vous gardez.

Une remarque du fournisseur qui va dans l’autre sens : le travail vertical tiendrait mieux en 1080p. Si une prise en 9:16 paraît molle d’une façon que le 720p n’explique pas d’habitude, c’est la première chose à essayer.

Les quatre modèles

Chacun fait un travail différent. Ils sont présentés ici dans l’ordre où vous les rencontrez : celui qui n’a besoin de rien, puis les trois qui ont besoin de quelque chose.

P-Video — celui qui n’a besoin de rien

À quoi il sert

• Idéal pour : le b-rollDes images où personne ne parle — un décor, des mains, une rue, un détail — insérées autour des plans principaux pour couvrir une voix off ou laisser respirer une scène., les gros plans, l’animation de produit, les plans de réaction sans réplique, et le tissu conjonctif d’une pièce plus longue.
• Vous coûte : les images de référence. Il n’y a aucun emplacement pour en mettre une, donc un sujet ne peut pas y être transporté.
• Attention : le format vient de l’image fournie, pas de votre réglage.

Ce qu’il accepte

Sept formats, de une à dix secondes, 720p ou 1080p, et trois entrées facultatives qui changent ce que fait le modèle :

Start frame     the clip opens on this exact picture
End frame       the clip arrives at this exact picture
Audio track     the clip is cut to this, and takes its length from it

Joignez une piste audio et le réglage de durée disparaît : c’est le son qui décide, exactement comme sur les modèles d’interprétation. C’est la voie la moins chère du catalogue vers un clip musical, et il est déjà inhabituel de trouver une entrée audio à ce prix.

Le son est généré par défaut et ne coûte rien de plus. Contrairement à Veo 3.1, où l’interrupteur audio double le tarif, la parole et les effets sortent ici du même prix à la seconde, que vous écriviez pour eux ou non. Le fournisseur reconnaît volontiers que les bruitages sont la moitié faible — pour tout ce dont le son est le produit, fabriquez la piste dans la salle Audios et rendez-la-lui comme entrée audio.

Comment l’écrire

La formule du fournisseur est une bonne forme de départ, et seules les trois premières parties sont obligatoires :

[Subject] [Action] [Scene] [Camera] [Lighting] [Style] [Audio]

Deux habitudes venues du reste de ces guides comptent plus que la formule. Nommez ce qui est visible dans le cadre plutôt que le terme de caméra correspondant — une description de ce qui doit être à l’écran est suivie là où un angle est interprété. Et décrivez une fois, en détail, quiconque doit rester identique, puis renvoyez-y ; le décrire deux fois invite à un redessin.

La seule chose que le prompt ne peut pas faire, c’est tenir un sujet d’une prise à l’autre. Rien ne porte l’identité : si la même personne doit apparaître dans deux clips, arrêtez-la d’abord dans une image et donnez cette image comme Première image.

Les limites connues

Le README du modèle est inhabituellement direct sur l’endroit où il s’arrête, et nos passages le confirment : pas de mouvement de caméra cinématographique extrême, pas de 4K native, des bruitages faibles, et une attribution des voix qui dérive au-delà de deux locuteurs. Il est très bon sur les sujets en gros plan et les objets de premier plan, et ce n’est pas un modèle autour duquel bâtir une histoire à plusieurs scènes.

Exemple détaillé : Trois secondes où il ne se passe rien — un plan de réaction qu’aucun autre modèle de la famille ne pouvait prendre.

P-Video Avatar — un portrait et une voix

À quoi il sert

• Idéal pour : tout ce qui est scénarisé face caméra — un présentateur, une vidéo explicative, une publicité UGC, une version localisée d’une pièce que vous avez déjà faite.
• Vous coûte : le choix de la durée, et tout contrôle sur l’interprétation au-delà de ce que l’image et la piste portent déjà.
• Attention : il pilote la bouche à partir de la forme d’onde, donc un moment de silence n’est pas une interprétation.

Ce qu’il accepte

Deux emplacements obligatoires — Image d’avatar et Audio de voix — et un prompt facultatif. Voilà toute la recette. La voix et le rythme de l’audio animent votre image, et le clip dure ce que dure la piste — à l’image près, et au-delà de quinze secondes sans les payer.

Le fournisseur sait aussi synthétiser la parole lui-même, à partir d’un script et de l’une de trente voix nommées. Nous ne le branchons délibérément pas. La salle Audios écrit déjà des voix off sur cinq modèles TTS : une prise faite là-bas est la voix de l’avatar, et il y a un seul sélecteur de voix dans le produit au lieu de deux. Cela rend aussi la filiation lisible : la voix existe comme sa propre génération, avec son propre prompt et son propre coût, et le script peut être réécrit et la voix refaite sans toucher au présentateur.

Comment l’écrire

C’est le modèle où moins de prompt vaut mieux, et où souvent pas de prompt du tout vaut le mieux.

Les deux entrées obligatoires spécifient déjà presque tout : qui parle et ce qu’il dit. Le prompt est une direction visuelle par-dessus, et le portrait a en général déjà réglé la direction visuelle.

• Prenez un portrait net, de face. Les angles marqués, les occlusions et une résolution faible vous coûtent tous de l’identité.
• Gardez l’audio propre. Une parole claire avec peu de bruit de fond donne une synchronisation plus serrée.
• Mettez l’interprétation dans l’image, pas dans le prompt — voir la règle plus haut.

La limite connue

Il ne jouera pas un arc d’expressions écrit. La bouche suit la forme d’onde et le contenu sémantique du prompt n’atteint pas le visage. Il a raison quand c’est la réplique qui porte l’interprétation ; quand c’est le visage qui la porte et que l’audio est presque muet, ce n’est pas le bon modèle.

Une autre, et c’est le genre qu’on n’attrape qu’en regardant : le visage dérive sur certains échantillons, et l’image de départ n’y est pour rien. Deux clips d’un même passage sont revenus plus étroits et plus durs, avec une peau plus irrégulière, alors que les six images sources donnaient des mesures identiques. Une relance a corrigé cela. Vérifiez les clips livrés, pas les images.

Exemple détaillé : Une présentatrice qui n’existe pas : vingt secondes, deux entrées et un prompt vide.

P-Video Animate — une interprétation, transposée

À quoi il sert

• Idéal pour : placer un personnage que vous avez conçu dans un mouvement que vous avez déjà — une démarche, une danse, une chorégraphie trouvée, une interprétation filmée une fois et à réutiliser.
• Vous coûte : tout contrôle que la vidéo source exerce déjà. Le rythme, la caméra, la synchronisation et le son arrivent tous avec elle.
• Attention : l’image est une identité, pas l’image zéro. Ce n’est pas une Première image et elle ne sera pas traitée comme telle.

Ce qu’il accepte

Image à animer plus Vidéo pilote de l’interprétation, et un prompt facultatif. Le sujet de votre image exécute le mouvement de la source, et l’audio de la source est multiplexé sur le résultat — toujours. Il n’y a pas d’interrupteur, et c’est pourquoi le modèle apparaît comme exigeant le son dans le composeur.

C’est la différence entre ceci et générer le même plan à partir d’un prompt. Un transfert de mouvement prouve que vous pouvez reporter une interprétation sur quelqu’un d’autre ; une version générée prouve que le modèle sait inventer une démarche. Les deux sont des affirmations vraies sur le produit, et une seule des deux a besoin d’images filmées.

Comment l’écrire

Le prompt est une direction par-dessus une interprétation. Il n’est pas l’interprétation.

C’est pourquoi une consigne Animate fait quatre phrases là où la même consigne au prompt seul en fait quatre paragraphes : tout ce qu’un prompt devrait sinon chorégraphier — le rythme, le bras qui reste dans la poche, l’ourlet du manteau, le regard qui arrive sur les deux derniers pas — est déjà dans la source et n’a pas besoin d’être écrit.

Ce que la source ne peut pas fournir, c’est ce qu’il faut préserver pendant le transfert, et c’est à cela que sert le prompt : ce qu’il faut accentuer dans l’interprétation, et ce qui doit rester inchangé.

• Un mouvement franc et bien éclairé se transfère. Un mouvement subtil ou masqué, non, et une source chargée, caméra à l’épaule, est la raison habituelle d’un transfert raté.
• Une image de référence de face préserve l’identité ; les angles marqués, non.
• Cadrez la source comme vous voulez que le résultat soit cadré, parce que la sortie garde le format de la source et sa cadence d’images.

Par où commencer

Le catalogue a une recette publiée sur ce modèle — Fashion Walk / Outfit Reel — qui prend une image de look stylé et une démarche filmée, et vous donne les deux emplacements déjà étiquetés. C’est le moyen le plus rapide de voir la forme du travail avant d’en monter une à vous.

P-Video Replace — le même plan, une autre personne

À quoi il sert

• Idéal pour : garder un plan et changer qui s’y trouve — des variantes publicitaires selon les marchés, une mascotte déposée dans des images existantes, une bonne interprétation réutilisée avec d’autres visages.
• Vous coûte : le décor. Ce modèle n’en invente pas ; il préserve celui que vous lui avez donné.
• Attention : le résultat ne vaut que ce que vaut la correspondance entre les proportions de votre sujet et celles de l’original.

Ce qu’il accepte

Vidéo source plus une à trois identités de remplacement, et un prompt facultatif. Mouvement, rythme, caméra et décor restent exactement ce qu’ils étaient ; la personne change. La cadence d’images de la source est fixée sur original, donc rien n’est rééchantillonné dans votre dos.

C’est le seul des trois modèles d’interprétation où le son reste un choix — Animate soude la piste de la source, celui-ci laisse l’interrupteur actif.

Comment l’écrire

Trois emplacements d’identité plutôt qu’un est le détail qui compte, et il vaut la peine de les dépenser. Trois vues réellement différentes du même sujet, c’est ce qui fait tenir un remplacement sur un plan comportant un mouvement de caméra ; trois images de la même pose, c’est une seule référence avec des étapes en plus.

Pour le reste, les consignes sont celles d’Animate, pour les mêmes raisons : des références nettes, de face, avec le moins d’occlusion possible, et un mouvement franc et bien éclairé dans la source. Le travail du prompt est de dire comment les personnes des références doivent s’insérer dans le décor, et rien de plus.

Les enchaîner

Les quatre valent plus comme chaîne que comme quatre modèles, et la chaîne est courte :

an image model      →  a still that settles who and where
P-Video             →  the shots with nobody speaking
P-Video Avatar      →  the shots with a line, one still and one voice take each
P-Video Animate     →  a shot you already have a performance for
P-Video Replace     →  a shot you already have entirely

Un court métrage vertical en douze parties que nous avons monté suit presque exactement ce chemin : une image d’ancrage qui tient le personnage, une image neuve par partie ne changeant que la ligne de regard et les mains, un clip P-Video pour le temps d’ouverture silencieux, et un clip Avatar par partie parlée. Douze parties dont sept filmées arrivent près de 700 crédits en comptant les relances qu’exige un premier passage — et c’est le chiffre qui mérite d’être cité, parce qu’un chiffrage qui suppose que tout tombe juste du premier coup n’est pas un chiffrage.

Lisez la dépense dans le registre des générations, jamais dans le solde. Sur un compte partagé, le solde bouge pour du travail qui n’est pas le vôtre : sur une baisse de 829, 518 étaient un film et le reste quelqu’un d’autre qui générait en même temps.

Quand ça casse

« Générer est grisé et je ne sais pas ce qui manque »

Un emplacement obligatoire est vide. Trois des quatre modèles refusent de démarrer sans leur média, et le composeur bloque plutôt que de deviner.

Solution : regardez ce que le modèle réclame. Avatar veut une image et une piste de voix ; Animate veut une image et une vidéo ; Replace veut une vidéo et au moins une identité. Si vous n’avez rien de tout cela, le modèle qu’il vous faut est P-Video.

« Le clip a une durée complètement différente de celle que j’ai demandée »

Vous n’en avez pas demandé. Sur Avatar, Animate et Replace, le réglage de durée ne vous appartient pas — c’est la piste de voix ou la vidéo source qui le fixe.

Solution : changez le pilote. Retirez une phrase du script, ou rognez la vidéo source. Passer un nombre ne fait rien, et le nombre qu’affiche le composeur est le plafond de quinze secondes auquel la prise est chiffrée.

« Un clip de quatre secondes a coûté autant qu’un de vingt »

C’est le prix fixe qui fonctionne comme prévu, et c’est en général une bonne nouvelle.

Solution : rien à corriger — mais arrêtez de répartir le contenu sur plusieurs prises pour les garder courtes. Écrivez jusqu’au plafond : une prise de vingt secondes coûte le tiers de trois prises courtes, et elle n’a aucun raccord.

« Le visage a changé en cours de route »

Soit la pièce est chaînée, soit l’échantillon est mauvais. Les deux arrivent et se ressemblent.

Solution : si chaque clip est amorcé par la dernière image du précédent, c’est une dérive générationnelle et elle montera de façon monotone — reconstruisez plutôt chaque partie à partir de sa propre image. Si les parties sont déjà bâties sur des images, relancez celle qui a dérivé, et mesurez les clips livrés plutôt que les images. La couleur se lit le plus vite : une partie qui finit plus de 15 % environ sous la chrominance de visage sur laquelle elle s’est ouverte dérive, quoi qu’elle donne au premier coup d’œil, et une partie qui s’ouvre sous sa propre image d’amorce a reçu une image déjà usée.

« J’ai demandé un geste et il est arrivé une fois, au mauvais moment »

La pose d’amorce est un temps sur lequel le modèle revient, pas une pose qu’il tient.

Solution : traitez un geste comme un temps d’ouverture et rien de plus. Si une main doit être quelque part à une seconde choisie, c’est un montage, pas un prompt.

« La bouche bouge mais le clip est muet, ou rit sans raison »

Une interprétation visible sur une piste qui ne la porte pas se lit comme un doublage, et l’inverse aussi. C’est le seul artefact qui dit à un spectateur que le visage a été généré.

Solution : faites-les correspondre. Si le temps est silencieux, la bouche reste fermée — et vérifiez-le plutôt que de faire confiance : tracer la luminosité de la zone de la bouche sur toutes les images tranche la question comme regarder six images ne le fait pas, parce que les dents sont claires.

« Ma vidéo est revenue en 1088 pixels de large au lieu de 1080 »

Du remplissage d’encodeur. Les sorties verticales arrivent couramment huit pixels au-delà de la composition sur laquelle elles ont été écrites, et une demande en 16:9 est revenue en 1280×704.

Solution : recadrez de quatre pixels de chaque côté. Ne redimensionnez pas — un redimensionnement déplace toutes les coordonnées mesurées du montage qui suit.

« J’ai écrit l’expression que je voulais et j’en ai eu une autre »

Sur les modèles d’interprétation, le prompt n’atteint pas le visage.

Solution : mettez l’expression dans l’image d’amorce. Si le visage doit jouer contre un quasi-silence, le travail revient à un modèle qui répond au sens plutôt qu’à une forme d’onde, et cela coûte plusieurs fois plus cher.

« Le transfert bave ou l’identité a glissé »

Presque toujours la vidéo source plutôt que le modèle.

Solution : prenez une source au mouvement franc, bien éclairé, sans ambiguïté, avec un seul sujet dedans, et une référence de face. Un clip chargé, caméra à l’épaule et avec des occlusions, est le cas où ces modèles sont les plus mauvais, et aucun prompt ne le rattrape.

Exemples détaillés

Deux prises finies, chacune avec la consigne qui l’a produite. Les deux sont une génération unique, et aucune n’est plusieurs prises montées ensemble. Seule la première a un lecteur ici — la seconde est un plan tiré d’un épisode non publié, alors ce qu’elle porte à la place, ce sont les mesures relevées sur le fichier livré.

Animate et Replace n’ont encore aucun exemple détaillé. Nous avons fait tourner Animate en production et cette prise n’est pas publiée non plus ; un exemple inventé vaudrait moins que le manque.

Une présentatrice qui n’existe pas

P-Video Avatar : un portrait, une prise de voix, aucun prompt.

Une présentatrice récurrente lit vingt secondes de script face caméra. Rien n’a été photographié et personne n’a été enregistré : le portrait est une image générée, la voix est une prise générée, et le clip, ce sont ces deux fichiers remis au modèle.

Le prompt est vide. Avatar prend une image, une piste audio et un prompt visuel facultatif, et ce passage n’a rien fourni pour le troisième — le champ prompt de la génération est la chaîne vide. La direction visuelle qu’il aurait portée est déjà réglée par le portrait, et l’interprétation est pilotée par l’audio : le seul texte qu’une personne a écrit pour ce que vous voyez est le texte qu’elle dit.

Le clip fait 20,16 secondes et le wav fait 20,16 secondes. Rien d’autre n’a fixé la durée. Six phrases avec deux pauses marquées, cela fait vingt secondes, et le seul moyen d’obtenir un clip plus court est d’en écrire un plus court.

Et il a coûté 31,5 — comme une prise de quatre secondes, parce que c’est ce que chiffre un modèle d’interprétation. Les deux images fixes qui décident de qui elle est ont coûté 22 à elles deux, soit l’essentiel du prix du clip : sur ce modèle, ce sont les images qui coûtent cher.

[warm, conversational, speaking at a natural pace]
I type what I'm picturing, and it comes back real — images, clips, music. [short pause] Want a whole video? The assistant storyboards it, same character in every scene. [short pause] Voiced, scored, done — that's just picturing.

Speak as a warm, reassuring documentary narrator. Unhurried pace, gentle
emphasis, close and friendly.

Trois secondes où il ne se passe rien

P-Video : une Première image, aucun dialogue, aucune image filmée.

Une femme regarde quelque chose sur un écran et ne dit rien. C’est le temps d’ouverture d’une pièce plus longue, et c’est le plan qui a plaidé pour ce modèle : pas de réplique, donc pas d’audio, ce qui laissait Avatar sans durée et sans interprétation sur quoi bâtir, et il n’y avait pas d’images filmées à transposer pour Animate ou Replace. P-Video était le seul des quatre à pouvoir le prendre.

Il est revenu en 1088×1920, 24 fps, 97 images, 4,042 secondes, pour 13,5 en 1080p.

Trois choses que la prise tranche, chacune mesurée sur le fichier livré plutôt que regardée :

La bouche ne s’ouvre jamais. La première tentative la faisait rire, ce qui joue contre une piste muette et se lit comme un doublage. La luminosité au 99e centile de la zone de la bouche sur les 97 images — les dents sont claires, donc une bouche qui s’ouvre fait un pic — donne 198 199 200 201 202 202 203 230 230 230 229 228 232 sur la prise qui rit et 198 200 200 199 198 198 199 201 200 199 199 198 197 sur celle que nous avons gardée. La première montre les dents à partir de l’image 56. La seconde ne quitte jamais sa ligne de base.

L’expression se construit tôt et tient, au lieu d’arriver comme une chute tardive, et c’est ce qui rend le plan sûr à rogner par les deux bouts. La version qui riait devait être coupée 0,8 → 3,8 pour protéger un moment à 2,0 s ; celle-ci n’a aucun moment à protéger, donc 0,0 → 3,0 marche et la coupe se prend sur la fin.

La caméra est restée fixe, et cela a été vérifié plutôt que supposé. L’écart absolu moyen par rapport à l’image 0 va de 1,19 à 1,43 sur une zone de mur nu et de 1,44 à 1,71 sur une étagère pleine d’arêtes dures — dans les deux cas du bruit d’encodeur, séparés par environ un tiers de niveau de gris. Un travelling avant aurait séparé ces deux lignes d’un ordre de grandeur. Rien n’a bougé dans le décor à part elle.

Une étape de vérification qui peut se tromper du côté alarmant est pire que pas de vérification du tout, parce qu’on la croit. Une première vérification comparait une image fixe de 1152×2048 à une image de 1088×1920 sans remise à l’échelle, faisait défiler l’un contre l’autre deux pas de ligne différents, et rapportait que le modèle avait repeint l’image d’ouverture — sur trois clips qui étaient corrects. Remettez à l’échelle avant de comparer des images.