---
title: "Veo 3.1 : le guide complet du prompt"
description: "Huit secondes de vidéo qui écrivent leur propre bande-son. Trois canaux audio, huit règles, quatre chaînes et les échecs à connaître d’abord."
canonical_url: "https://justpictur.ing/fr/guides/veo-3-1-prompting/"
published: 2026-08-14
updated: 2026-08-16
locale: "fr"
models: ["veo-3.1", "veo-3.1-fast", "veo-3.1-lite", "seedream-5-pro", "gpt-image-2"]
---
Veo 3.1 fait **huit secondes de vidéo avec leur propre bande-son** : la réplique
dite dans la voix que vous avez décrite, les pas en dessous, la pièce où elle a
été enregistrée, et une musique si vous le laissez faire. Tout sort du même
prompt que l’image, écrit dans trois canaux que le modèle lit séparément.
**Veo 3.1, ce sont trois modèles**, et ils prennent la même consigne.
- **Veo 3.1** prend des images de référence.
- **Veo 3.1 Fast** est le même modèle à fidélité moindre. Parfait pour répéter.
- **Veo 3.1 Lite** ne peut pas couper son audio. Parfait pour le volume.
**NOTE :** tout ce qui suit vaut pour les trois, 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.
Écrivez le son dans ses trois canaux
Veo lit la parole entre guillemets, SFX: et Ambient noise: comme trois choses distinctes. Un son enfoui dans une phrase qui parle de l’image vous rend l’image : décrire un couteau « with a satisfying crunch » vous rend un couteau. Une ligne qui commence par SFX: vous rend le craquement.
Au lieu de
The blade presses down with a satisfying crunch
Écrivez
SFX: a dense crystalline crunch, releasing as the blade breaks through
Donnez au dernier bloc une action, jamais une extinction
Veo tasse son La liste de ce qui arrive et quand : une ligne par moment, chacune avec les secondes qu’elle occupe. C’est la forme du film écrite avant que quoi que ce soit ne soit rendu. vers le début et n’étirera rien pour remplir une fin. Un dernier bloc qui nomme une pose, un silence ou un son qui s’éteint arrête l’image et le son ensemble — 44 % d’une prise de huit secondes sont revenus sous −41 dB parce que sa dernière ligne demandait à une résonance de s’éteindre.
Nommez un événement réel dans le dernier bloc : une tranche qui finit de basculer, un couteau qu’on repose, une dernière réplique lancée en sortant. La prise dont tous les blocs nommaient des actions n’avait de trou nulle part.
Nommez le dispositif, pas le plan
« POV shot » et « selfie angle » demandent un cadrage et en obtiennent la moitié. Une caméra énoncée comme un objet du monde — une chose, dans une main nommée — est suivie, et le cadrage en découle. Toutes les versions du format vlog qui marchent disent une variante de cette phrase.
Au lieu de
POV selfie shot, wide angle
Écrivez
He holds a selfie stick in his right hand, at arm's length — that is where the camera is
Les images de référence verrouillent le format et la durée
La référence-vers-vidéo tourne en 16:9 et huit secondes, et rien d’autre, et toute Une image que vous fournissez et à laquelle le clip doit arriver. Elle devient l’image finale, et le modèle invente le mouvement qui y mène. fournie à côté est ignorée. Veo 3.1 Fast et Veo 3.1 Lite n’ont aucun emplacement de référence.
Pour tout ce qui est vertical, décrivez le sujet en prose ou partez d’une première image au format voulu. Il n’existe pas de porte de référence verticale, sur aucun modèle de la famille.
### L’horloge tient en trois nombres
La plupart des modèles vidéo prennent une durée comme le ferait un monteur :
n’importe quelle valeur dans une plage, et souvent `auto` si vous préférez ne
pas trancher. Seedance 2.5 va de 4 à 30 secondes, ou choisit tout seul.
Veo ne fait ni l’un ni l’autre. **Quatre, six ou huit secondes** — trois nombres,
rien entre eux, rien au-delà de huit, et pas d’auto.
La durée n’est donc pas un réglage ici, c’est la structure. Vous écrivez pour une
horloge plutôt que pour un nombre de caractères : **quatre blocs de deux
secondes** au plafond, et tout ce qui dépasse fait deux Une exécution du modèle : un seul clip généré, du début à la fin. Relancer la même consigne donne une autre prise, pas une révision de celle-ci.
[mises bout à bout](/fr/guides/join-clips-into-one-video/).
### Ce qu’il accepte
| Entrée | Limite | Remarques |
| ------------------- | ------------------ | ------------------------------------------------------------------------------------------------- |
| Prompt | 4 000 caractères | Large. Ce qui contraint ici, c’est l’horloge, pas le nombre de caractères. |
| Durée | 4, 6 ou 8 secondes | Trois crans, pas un curseur, et huit est le plafond. |
| Résolution | 720p · 1080p | Les deux, sur les trois paliers. Sur Lite, la 1080p ne tourne qu’à huit secondes. |
| Format | 16:9 ou 9:16 | Deux, et il n’y en a pas de troisième. Ni 1:1, ni 4:5, ni 21:9. |
| Première image | 1 image | Le clip s’ouvre exactement dessus. |
| Dernière image | 1 image | Le clip y arrive. Exige une première image, et **est ignorée si vous fournissez des références**. |
| Images de référence | jusqu’à 3 | **Veo 3.1 uniquement. 16:9 et 8 secondes uniquement.** |
| Audio | un interrupteur | Sur Veo 3.1 et Fast. Veo 3.1 Lite n’a pas d’interrupteur et fait toujours du son. |
### Ce qu’il coûte
**Veo 3.1 et Veo 3.1 Fast se chiffrent sur l’interrupteur audio et sur rien
d’autre**, donc une prise en 1080p et une en 720p tombent sur le même chiffre et
il n’y a aucune raison de tourner la plus petite.
| Durée | Veo 3.1 muet | Veo 3.1 + audio | Fast muet | Fast + audio |
| ----- | --------------------------------- | --------------------------------- | -------------------------------- | ------------------------------- |
| 4 s | 67 | 133,5 | 33,5 | 50 |
| 6 s | 100 | 200 | 50 | 75 |
| 8 s | 133,5 | 267 | 67 | 100 |
**Veo 3.1 Lite se chiffre sur la résolution à la place**, et il n’a pas
d’interrupteur : toute prise Lite génère de l’audio, il n’y a donc pas de colonne
muette et aucun moyen d’en faire une. En 1080p, il ne tourne qu’à huit secondes.
| Durée | 720p | 1080p |
| ----- | -------------------------------- | -------------------------------- |
| 4 s | 17 | — |
| 6 s | 25 | — |
| 8 s | 33,5 | 53,5 |
Sur le modèle complet, le son double le tarif. Coupez-le pour tout ce qui n’a rien à dire — un paysage, une texture, un plan que vous mettrez vous-même en musique — et laissez-le dès qu’une personne ouvre la bouche.
---
## Les règles
Huit choses vraies quoi que vous fabriquiez. Chacune est sortie d’une prise qui a
mal tourné, et elles sont classées par la fréquence à laquelle elles comptent.
### Écrivez le son dans ses trois canaux
> Veo les sépare. Un prompt qui ne le fait pas demande à un canal d’en porter trois.
La notation de Google tient en trois marques, et le modèle lit chacune comme sa
propre piste :
```
"…" dialogue, quoted verbatim
SFX: events, on their own line, attached to the beat they belong to
Ambient noise: the bed that runs under all of it
```
Enfouir _« with a satisfying crunch »_ dans une phrase qui parle d’un couteau
vous rend un couteau. Une ligne qui commence par `SFX:` vous rend le craquement.
Chaque temps sonore de la [consigne de la fraise en verre](#deux-coupes-huit-secondes)
est sur sa propre ligne `SFX:` accrochée à son propre timecode, et les niveaux
sont revenus là où on les avait demandés.
La prose fonctionne. Elle fonctionne juste moins, pour le même nombre de
caractères.
### Donnez au dernier bloc une action, jamais une extinction
> Le modèle joue jusqu’au coup de sifflet, à condition qu’il se passe quelque chose au coup de sifflet.
Veo tasse son séquencier vers le début, et il n’étirera pas l’action pour remplir
une fin où on lui a dit qu’il ne se passe rien. C’est mesurable.
- Un dernier bloc disant _« the last of the glass ringing decaying away into
silence »_ a produit **3,5 secondes de silence mort** — 44 % de la durée,
chaque crête sous −41 dB, et l’image figée avec.
- Un dernier bloc nommant un essuyage, un visage qui revient et une réplique
lancée est revenu **sans le moindre trou**, niveau moyen entre −11,2 et
−19,5 dB sur les seize fenêtres d’une demi-seconde.
Même modèle, même durée, même semaine. La différence, c’est qu’un dernier bloc
nommait une absence et l’autre un événement.
### Un timecode est un budget, et Veo le tient
> Quatre blocs de deux secondes, c’est l’unité de travail à huit.
Écrire `[00:00-00:02]` n’est pas une suggestion. Dans un séquencier de quatre
blocs, les quatre répliques sont tombées **quatre sur quatre**, chacune dans sa
fenêtre, dans l’ordre, mot pour mot.
La preuve la plus forte qu’il lit le séquencier plutôt que les mots, c’est le
silence : un bloc qui nommait une action et aucun dialogue a produit
**2,1 secondes de silence délibéré**, et le modèle est revenu à l’heure ensuite.
Deux secondes, c’est à peu près la finesse maximale qui vaille le coup. En
dessous, vous découpez huit secondes en morceaux trop petits pour contenir un
événement, et ce que vous obtenez, c’est un événement précipité.
### Nommez le dispositif, pas le plan
> Un type de plan demande un cadrage. Un objet demande une chose, et le cadrage suit.
_« POV shot »_ et _« selfie angle »_ marchent mal tous les deux. `"He is holding a selfie
stick in his right hand, at arm's length, a little above his own eyeline and
angled down at him — that is where the camera is"` marche.
Ça marche à double titre. La référence est revenue avec son bras déjà sorti du
cadre vers l’objectif, donc le dispositif existait avant même que le clip soit
envoyé ; et le gag du dernier bloc fonctionne parce qu’on avait déjà dit au
modèle quelle main était occupée à tenir la perche.
C’est la même règle qui vous permet de diriger un _changement_ de caméra. On ne
peut pas poser un type de plan, on peut poser un téléphone.
### Répétez sur Fast, finissez sur Veo 3.1
> Même horloge, mêmes formats, mêmes trois canaux. L’un des deux sert à découvrir.
Veo 3.1 Fast est de la même famille et prend la même consigne. Il a les mêmes
crans 4/6/8, les mêmes deux formats, le même interrupteur audio et la même
notation, donc un séquencier qui marche sur l’un marche sur l’autre. Ce qu’il
abandonne, c’est la fidélité — et les images de référence, qu’il n’a pas du tout.
Passez donc la consigne sur Fast d’abord, et lisez le résultat honnêtement. Il
répond à tout ce qu’un séquencier peut rater : si les blocs tombent là où vous
l’avez demandé, si les répliques tiennent dans l’horloge, si le son arrive à la
bonne seconde, si l’interprétation est celle que vous aviez en tête. Relancez
ensuite les mêmes mots sur Veo 3.1 pour la version que vous gardez.
La seule chose qu’il ne peut pas répéter, c’est un jeu de références, parce qu’il
n’a pas d’emplacement où en mettre. Si votre pièce a besoin de références,
répétez plutôt à quatre secondes sur le modèle complet.
### Une référence porte la pose, pas seulement l’identité
> Une propriété fixée par l’entrée ne se négocie plus en aval.
La référence du vlog était un portrait debout. La consigne demande la marche dans
la ligne de plan, dans le paragraphe du sujet et à l’intérieur de chacun de ses
quatre blocs — _already moving at second 0_, _walking for the whole shot and
never stops_, _already mid-stride_, _keeps walking_, _does not stop walking_,
_still walking_. **Il reste debout.** Mesuré sur les images à 0,2 s, 2,4 s,
3,6 s, 7,4 s et 7,9 s : la même crête, la même géométrie d’arrière-plan, aucun
déplacement vers l’avant et aucune cadence de pas.
Six phrases de prose perdues contre une seule propriété d’une image. La solution
n’est pas une septième — c’est de photographier la référence dans l’état voulu :
en pleine foulée, le poids en avant, une épaule baissée, la crête qui défile
derrière lui.
**Décrivez le mouvement dans l’image, pas dans le paragraphe.**
### Les références verrouillent le format, la durée et votre dernière image
> Une porte ou l’autre, et celle des références est la plus étroite.
La référence-vers-vidéo est un mode, pas un réglage que l’on ajoute à celui que
l’on a déjà. Fournissez entre une et trois images de référence et la requête est
enfermée dans une seule forme :
- **16:9** — les références ne tournent à aucun autre format ;
- **8 secondes** — c’est aussi le plafond, donc ce que vous abandonnez, c’est 4
et 6, pas de la durée ;
- toute **dernière image est ignorée**.
Elles sont aussi réservées au modèle complet — Veo 3.1 Fast et Veo 3.1 Lite n’ont
pas d’emplacement de référence, donc une séquence à plusieurs plans bâtie autour
de l’un ou de l’autre ne tiendra pas.
Le choix est donc concret, pas esthétique. Une pièce verticale avec un personnage
récurrent n’a pas de route par les références : décrivez-le en prose, ou fixez-le
dans une première image et animez celle-ci à la place.
### Veo anime un visage photographié
> Le refus que vous rencontrez ailleurs n’existe pas ici, et c’est souvent toute la raison d’être ici.
Tendez à Seedance un gros plan photoréaliste d’une personne et il refuse : `E005 — the
input or output was flagged as sensitive`, par toutes les portes, image de
référence comme première image. Veo 3.1 Fast a pris la même image sans
commentaire, et c’est en plus le meilleur modèle de parole.
C’est sur cet axe que les deux modèles diffèrent vraiment pour le travail
User-generated content : une publicité tournée pour ressembler à un vrai client qui l’aurait filmée sur son téléphone, plutôt qu’à une publicité..
Si votre pièce a besoin d’une personne crédible parlant face caméra à partir
d’une image que vous avez déjà, c’est ce modèle-là qui le fera.
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, et la personne de chaque
exemple ici a été générée.
---
## Les chaînes
Veo a quatre portes, et celle que vous empruntez décide plus du résultat que tout
ce que vous écrivez. Chacune exclut quelque chose.
### Les blocs que toute consigne utilise
> Écrivez la consigne comme un découpage technique avec une feuille de son attachée. C’est ainsi qu’il la lit.
Quelle que soit la porte empruntée, le prompt se construit avec les mêmes
parties, dans l’ordre que le modèle lit le plus fidèlement :
```
[Shot] the take, its length, the camera, and that it is unbroken
[Subject] who or what must stay identical from first frame to last
[Context] the room, the weather, the light — skipped if a frame carries it
[Action] the beat sheet, one block per two seconds
SFX: the events inside that block, on their own line
[Ambient noise] the bed that runs under all of it
[Style] the stock, the lens, the grade
[Avoid] what must never appear
```
Il n’y a **pas de champ de prompt négatif** ici, donc la ligne `Avoid:` au pied
de la consigne est l’endroit où vivent les exclusions. Elle est lue : chaque
consigne des exemples détaillés ci-dessous se termine par une, et ce qu’elles
interdisent est resté dehors.
À 4 000 caractères pour huit secondes de film, ce n’est pas la place qui vous
manque. Ce pour quoi vous vous battez, c’est l’attention.
> **La règle pour couper : supprimez tout ce qui ne peut pas arriver en huit secondes.**
> Un changement de costume, un deuxième lieu, un arc de personnage — rien de tout
> cela ne tient, et une phrase qui en décrit un est une phrase dépensée pour rien.
### Comment écrire le bloc son
La parole est citée mot pour mot à l’intérieur du temps auquel elle appartient.
Les événements ont leur propre ligne `SFX:`. Le fond sonore a une seule ligne
`Ambient noise:` pour tout le clip.
```
[00:02-00:04] He keeps walking, his breath fogging past the lens, and says,
"Forty minutes back." The wind rises behind him.
SFX: fur and wind buffeting the microphone, a low gust building.
Ambient noise: a constant high-altitude wind under everything, thin and cold.
```
Trois choses valent la peine d’être connues avant d’en écrire un.
**Citez la réplique ; ne la décrivez pas.** `she says, "That's the part nobody tells
you."` vous rend cette réplique. `she says something encouraging` vous rend une
bouche qui bouge autour de syllabes qui ne sont pas des mots, parce que vous avez
demandé une description et que le modèle a rendu la description.
**Comptez les mots contre l’horloge.** Huit secondes, c’est environ vingt mots à
un débit naturel, tous blocs confondus. Écrivez-en vingt-cinq et la prise se
termine au milieu d’un mot.
**Dites « no music » si c’est ce que vous voulez.** Laissé à lui-même, Veo met une
musique sur une scène plus souvent qu’à son tour, en général une nappe grave, et
elle arrive déjà mixée sous le dialogue, là où plus rien ne peut l’en séparer. Si
vous voulez bien une musique, nommez l’instrument et le ton — _solo piano,
sparse, one note at a time_ — parce qu’un nom de genre vous rend une
bande-annonce.
### Chaîne A : partir d’un texte
Rien qu’une consigne écrite.
#### À quoi elle sert
- **Idéal pour :** le Des images où personne ne parle — un paysage, des mains, une rue, un détail — montées autour des plans principaux pour couvrir une voix off ou laisser respirer une scène., les Le plan large qui ouvre une scène et vous dit où vous êtes avant que quiconque y fasse quoi que ce soit., l’ambiance, une seule réplique dans un lieu que vous n’avez pas besoin de faire correspondre.
- **Vous coûte :** le contrôle. Vous obtenez une bonne version de votre
description, pas votre personne ni votre produit précis.
- **Attention :** c’est la seule porte où rien ne tient un visage ou un objet en
place sur les huit secondes.
#### Comment l’écrire
Chaque bloc doit fonctionner, parce que rien n’est fourni. Dépensez les
caractères sur le **sujet** et sur les **temps**, et écrivez le look en faits de
caméra plutôt qu’en mots d’ambiance : un objectif nommé, une direction de lumière
énoncée, un grain. _« Cinematic »_ n’achète rien.
Décrivez **une seule fois**, en détail, quiconque doit rester identique, puis
renvoyez à cette description plutôt que de la répéter. Répéter invite au
redessin.
### Chaîne B : partir d’un texte avec une première image
Vous avez une image, et le clip commence exactement dessus.
#### À quoi elle sert
- **Idéal pour :** donner vie à une image déjà arrêtée — un plan produit, une
affiche, un personnage, un écran.
- **Vous coûte :** les images de référence. C’est une route ou l’autre.
- **Attention :** c’est la porte qui garde le 9:16, ce que les références ne font
pas.
#### Comment l’écrire
> C’est la chaîne où **moins de prompt vaut mieux.**
L’image porte déjà le cadrage, les vêtements, la pièce, la lumière et la couleur.
Les décrire à nouveau gâche des caractères et risque de contredire l’image — et
si vos mots et l’image divergent, vous avez rendu incertain ce qui était déjà
réglé.
Dites _« the woman of the first frame, unchanged »_ une fois, puis dépensez tout
le reste sur ce qui **change** : le mouvement, l’interprétation, la parole, la
caméra.
#### L’image est un point de contrôle
Faites l’image fixe, puis regardez-la avant que quoi que ce soit ne bouge. À huit
secondes, l’image n’est pas là pour tenir le plan — la dérive est un petit risque
sur un clip aussi court. Elle est là pour qu’une erreur de première étape soit
attrapée tant que c’est encore une seule image, et pas huit secondes de mouvement
bâties par-dessus.
La fraise en verre en est le cas d’école. _Est-ce du verre, ou est-ce un fruit ?_
se règle dans l’image fixe ou ne se règle pas du tout : un modèle vidéo qui part
d’une vraie fraise passe ses huit secondes à couper une vraie fraise, et aucune
description sonore ne le sauve.
**Exemples détaillés :** [Deux coupes, huit secondes](#deux-coupes-huit-secondes)
et [Le visage que Seedance a refusé](#le-visage-que-seedance-a-refusé).
### Chaîne C : partir d’un texte avec une première et une dernière image
Vous avez les deux bouts, et le modèle invente le milieu.
#### À quoi elle sert
- **Idéal pour :** une transition dont vous avez dessiné les deux côtés, un
mouvement qui doit finir à un endroit précis, un plan qui doit passer la main
au suivant.
- **Vous coûte :** les images de référence, qui la désactivent silencieusement.
- **Attention :** les deux images doivent être séparées par huit secondes
plausibles. C’est une Le remplissage du mouvement entre deux images que vous avez déjà, plutôt que l’invention de la fin d’un plan. Vous fournissez les deux bouts ; le modèle fait le trajet., pas une téléportation.
#### Comment l’écrire
Les deux images priment sur la prose. Un temps qui contredit la dernière image,
ce sont deux instructions qui tirent l’une contre l’autre, et l’image gagne en
général — lisez donc la dernière image avant d’écrire le dernier temps, et
réécrivez le temps pour décrire ce que l’image montre vraiment.
C’est aussi la seule porte qui a la même largeur sur les trois paliers. Fast et
Lite prennent une première et une dernière image exactement comme le modèle
complet, donc l’interpolation est la seule chose que Veo 3.1 Lite fait aussi bien
que tout le reste de la famille.
L’argument pratique de la deuxième porte, c’est qu’elle épingle la fin. Sans
elle, le séquencier est la seule chose qui tienne la dernière seconde d’un clip,
et un horaire glisse dès que quelque chose dans le plan doit physiquement se
déplacer. Deux bouts, cela veut dire que l’horaire peut glisser, mais pas la
destination.
C’est aussi comme cela qu’on enchaîne au-delà de huit secondes :
[extrayez la dernière image](/fr/guides/extract-a-frame-from-a-video/) d’une
prise, donnez-la comme première image de la prise suivante, et
[assemblez la série](/fr/guides/join-clips-into-one-video/) à la fin.
### Chaîne D : partir d’un texte avec des références
Vous avez un sujet — un personnage, une créature, un produit — et il doit
survivre au clip.
#### À quoi elle sert
- **Idéal pour :** un personnage qui revient sur plusieurs clips, un visage qui
doit correspondre à quelque chose de déjà rendu.
- **Vous coûte :** le vertical, le choix de 4 ou 6 secondes, et votre dernière
image. Fast et Lite aussi, qui n’ont pas d’emplacement de référence.
- **Attention :** la référence fixe la pose autant que l’identité.
#### Une à trois, et chacune a un rôle
Trois emplacements, c’est un petit budget à côté de ce que donne un modèle à
prise longue, donc chacun doit gagner sa place. Dites à quoi il sert, et écartez
ce qu’il n’est pas :
```
[Image1] is . Use it for only.
Do not use its background, lighting, framing or pose.
```
Choisissez des images nettes et bien éclairées qui montrent le sujet sous l’angle
où vous voulez qu’on le voie — et rappelez-vous que « sous l’angle où vous voulez
qu’on le voie » inclut l’_attitude_ dans laquelle vous le voulez, parce que la
pose voyage avec.
**Exemple détaillé :** [Un trajet que personne n’a filmé](#un-trajet-que-personne-na-filmé) :
une référence, huit secondes, et un séquencier respecté quatre sur quatre.
---
## Quand ça casse
### « Les deux dernières secondes sont mortes »
Le dernier bloc nommait une extinction, une pose ou un silence, et Veo n’étire
pas l’action pour remplir une fin où on lui a dit qu’il ne se passe rien.
> **Solution :** donnez au dernier bloc un vrai événement — une tranche qui se
> pose, un couteau qu’on repose, une réplique lancée en sortant du cadre.
> Vérifiez le niveau à la septième seconde, pas à la première.
### « La prise se termine au milieu d’un mot »
Plus de mots que l’horloge n’en contient. Huit secondes, c’est environ vingt mots
à un débit naturel, tous blocs confondus.
> **Solution :** comptez les mots, pas les lignes. Coupez un temps plutôt que
> d’accélérer quelqu’un, ou répartissez la scène sur deux prises et assemblez-les.
### « Il y a de la musique dessous et je n’en ai jamais demandé »
Laissé à lui-même, Veo met une musique sur une scène plus souvent qu’à son tour,
et elle arrive déjà mixée sous le dialogue.
> **Solution :** mettez `No music, no score, no soundtrack.` dans la ligne
> `Avoid:` de chaque consigne sous laquelle vous comptez poser une piste plus
> tard. Il n’y a aucun moyen de l’en séparer après coup, c’est donc une décision
> que vous ne prenez qu’une fois par prise.
### « Je n’arrive pas à obtenir un clip vertical avec mon personnage dedans »
Les images de référence tournent en 16:9 et à aucun autre format, sur tous les
modèles de la famille qui en ont — c’est-à-dire uniquement le modèle complet.
Vertical et références ne se combinent pas, donc le format est décidé dès
l’instant où vous allez chercher une référence.
> **Solution :** utilisez une première image au format voulu, ou décrivez le
> sujet en prose. Une première image garde le 9:16 ; un jeu de références,
> jamais.
### « Ma dernière image n’a rien fait »
Des images de référence étaient fournies dans la même requête, et une dernière
image est jetée dès qu’il y en a.
> **Solution :** choisissez une porte. Une prise à première et dernière image ne
> porte pas de références, et une prise à références n’a pas de fin que vous
> puissiez épingler.
### « Le personnage ne fait pas ce que je n’arrête pas de demander »
Une image de référence porte la pose autant que l’identité, et une propriété
fixée par l’image ne se négocie pas en prose.
> **Solution :** refaites la référence dans l’état voulu. Une image fixe bat six
> phrases, et aucun nombre de phrases ne l’emporte.
### « Ça a coûté le double de ce que j’attendais »
L’interrupteur audio. Il double le tarif à la seconde sur Veo 3.1 et l’augmente
de moitié sur Fast.
> **Solution :** coupez l’audio pour tout ce qui n’a rien à dire — un paysage,
> une texture, un plan que vous mettrez vous-même en musique. Notez que
> Veo 3.1 Lite n’a pas d’interrupteur à couper, donc un clip muet doit venir de
> Veo 3.1 ou de Fast.
### « Il n’y a nulle part où mettre un prompt négatif »
Il n’y a pas de champ pour cela ici.
> **Solution :** écrivez-le dans le prompt, en dernière ligne `Avoid:`. Nommez le
> raté que la scène appelle plutôt qu’une mise en garde générale — _« it does not
> shatter, crack, splinter, crumble, chip or send shards flying »_ est ce qui a
> acheté deux coupes nettes à travers une fraise en verre, et une comparaison
> positive à côté (_« parts cleanly, like cold butter »_) est ce qui a fait tenir
> la négation.
---
## Exemples détaillés
Trois pièces finies, chacune avec la consigne qui l’a faite. Chacune est une
**génération unique**, et rien ici n’est plusieurs prises montées ensemble.
Les trois sont entrées par une image — une première image deux fois et une
référence une fois — parce que c’est ce que nous avons fait tourner. La chaîne A
n’a pas encore d’exemple détaillé ici, et un exemple inventé vaudrait moins que
le manque.
### Deux coupes, huit secondes
_Chaîne B : une première image._
Durée
8 s, une seule prise
Cadre
16:9, 1080p
Fourni
Une première image
Coût
7,5 + 267
La première image, faite en premier, pour régler une question : du verre, ou un fruit ?
Un couteau à travers une fraise en verre soufflé — le format d’origine de l’ASMR
IA, et celui qui convertit encore. **Le son est le produit** ; l’image est ce qui
rend le son plausible.
Deux coupes en huit secondes, parce qu’une seule est une démonstration et que
trois font un montage. Chaque temps sonore est sur sa propre ligne `SFX:`
accrochée à son propre timecode, et chacun est revenu comme un événement distinct
et mesurable : premier contact à 1,6 s, l’appui à 1,9 s (−7,4 dB), la lame qui
traverse à 3,0 s (−0,1 dB), la deuxième coupe à 4,1 s (−1,2 dB). **Voilà ce
qu’achète la notation** — des sons écrits séparément qui arrivent séparément,
plutôt qu’une bouillie.
Deux enseignements à emporter. **Nommez le raté que la physique appelle** — du
verre sous une lame veut éclater, et toutes les premières versions publiques de
ce format le font. Et **décrivez l’intérieur avant que quoi que ce soit ne le
coupe**, parce que la face coupée est le plan que tout le genre attend et que
le modèle n’inventera pas un intérieur dont on ne lui a jamais parlé.
C’est aussi là que la règle de la fin morte a été mesurée. Quatre temps étaient
demandés sur huit secondes ; le modèle a joué les quatre dans les quatre
premières, et **à partir de 4,5 s chaque crête se tient sous −41 dB** — trois
secondes et demie, 44 % du court, sans rien qui bouge dans l’image non plus. Le
dernier bloc demandait une résonance qui s’éteint dans le silence, et Veo ne
remplit pas un bloc qui nomme une absence. Donnez-lui plutôt une tranche qui
finit de basculer.
La consigne, en entier
Extreme close-up, one single continuous unbroken 8-second shot from a locked-off
camera. No pan, no tilt, no zoom, no push-in, no dolly, no handheld drift, no
cuts, no dissolves. Shallow depth of field. The framing at second 8 is identical
to second 0.
Subject: a solid opaque glass sculpture of a strawberry, in a strawberry's own
natural red, resting on a pale warm wooden cutting board. Glossy blown-glass
surface, seed pits and shoulder dimples moulded into the glass, a small opaque
green glass hull on top. Inside, the glass is a paler milky pink, so every cut
face reveals a clean cross-section of pale core inside red rind. It is a glass
object for the whole shot and never becomes a real fruit: it never softens,
never bleeds juice, never turns to wet flesh or pulp, never sweats. One human
hand holds a stainless steel chef's knife and enters from the right.
Context: the board sits on a dark uncluttered surface, the background falling
away to soft shadow. Crisp soft studio key from camera-left, gentle specular
highlights along the blade and the glass shoulders, one thin red caustic thrown
onto the wood. The light, the board and the background never change.
Action:
[00:00-00:02] The glass strawberry sits perfectly still. The knife lowers from
above and the edge settles against the top of the glass without moving it.
SFX: one faint high glass tick as the steel meets the glass.
[00:02-00:04] The blade presses down and passes cleanly through in one smooth
unhurried stroke. The first slice separates and tips over flat onto the board,
its pale cross-section facing the camera. SFX: a dense crystalline crunch
building through the stroke and releasing as the blade breaks through, then a
bright glassy clink as the slice lands on the wood.
[00:04-00:06] The hand lifts the knife clear, shifts a finger's width to the
left, and cuts again, a little faster. A second even slice falls away and comes
to rest beside the first. SFX: a second crunch, shorter and sharper than the
first, then a light double clink as the slice rocks twice and settles.
[00:06-00:08] The knife lifts up out of the top of frame. The two slices are
still. Nothing else moves. SFX: the last of the glass ringing decaying away into
silence.
Cutting behaviour: the glass parts cleanly, like cold butter, along the exact
line of the blade. It does not shatter, crack, splinter, crumble, chip or send
shards flying, and no piece leaves the board.
Ambient noise: a quiet padded studio room tone underneath everything, and
nothing else.
Style: photorealistic, ultra sharp, calm and premium, high-fidelity ASMR
recording in both picture and sound. The audio is close-miked and intimate, and
the loudest thing in the mix is the glass.
Avoid: music, score, melody, humming, singing, speech, voice-over, narration,
breathing, a second hand, a second piece of fruit, real fruit juice or pulp,
flying shards, camera movement of any kind, cuts, crossfades, background
changes, extra props, on-screen text, captions, subtitles, watermarks and logos.
### Un trajet que personne n’a filmé
_Chaîne D : une référence._
Durée
8 s, une seule prise
Cadre
16:9, 1080p
Fourni
Une image de référence
Coût
7,5 + 267
L’unique référence — et le bras tendu hors du cadre, c’est le dispositif, déjà construit.
Le vlog de cryptide, c’est là qu’a commencé la vidéo IA de personnage, et la
blague tient à ce qu’il est parfaitement sincère. Huit secondes de corvée,
filmées par celui qui la fait : il marche, il dit deux phrases sur la marche, le
temps l’interrompt, et il finit sa phrase.
**Le séquencier a été respecté presque exactement.** Transcrit avec les timecodes
de chaque mot, face aux quatre blocs demandés :
| Demandé | Obtenu | Réplique |
| --------------- | ------------------ | ------------------------------ |
| `[00:00-00:02]` | 0,00–1,60 | « Forty minutes to the ridge » |
| `[00:02-00:04]` | 1,64–4,10 | « Forty minutes back » |
| `[00:04-00:06]` | 4,10–6,20, silence | la rafale |
| `[00:06-00:08]` | 6,20–7,38 | « Every day of my life » |
Quatre sur quatre — et la preuve la plus forte qu’il a lu le séquencier, ce sont
les **2,1 secondes de silence délibéré** dans la fenêtre de la rafale. Il s’est
tu sur tout un bloc qui nommait une action et aucun dialogue, puis il est revenu
à l’heure.
L’essuyage a bien été rendu, et dans le bon ordre : la rafale blanchit le cadre
vers 4,0 s, le doigt entre par la droite vers 5,0 s _alors que c’est encore
blanc_, et l’image se dégage derrière lui. Trois idées tenues à la fois —
l’objectif est une surface, il y a de la neige dessus, et un doigt appartient à
la main qui ne porte pas la perche.
**Et il ne marche pas.** La consigne le demande dans la ligne de plan, dans le
paragraphe du sujet et dans chacun des quatre blocs. La référence est un portrait
debout, et c’est debout qui est revenu — toute la règle de la pose, dans un seul
clip.
La consigne, en entier
A single continuous unbroken 8-second handheld selfie video, filmed by the yeti
himself. He is holding a selfie stick in his right hand, at arm's length, a
little above his own eyeline and angled down at him — that is where the camera
is. The camera never leaves his hand. Wide-angle lens, his head and shoulders
filling the frame, the ridge and the sky behind him. The frame jolts and swings
with every step he takes, and it is already moving at second 0.
Subject: the creature from the reference image, unchanged — the same dirty
off-white shaggy fur, the same broad flat face, the same tired patient
expression. He is walking for the whole shot and never stops, never sits and
never puts the camera down. He speaks directly into the lens in a deep, low,
rumbling voice, flat and matter-of-fact, like a man describing his commute. His
breath fogs in the cold.
Context: he is trudging along an exposed snow ridge high above a sea of cloud,
exactly as in the reference image, the wind hard from his left and spindrift
streaming past him. Bright flat diffuse daylight with no sun disc, no cast
shadows and no rim light. The light never changes and the background stays a
soft white cloud layer throughout.
Action:
[00:00-00:02] Already mid-stride and already shaking. He glances into the lens
and says, "Forty minutes to the ridge."
SFX: the deep crunch and squeak of huge feet breaking wind-packed snow, one
heavy step at a time, close to the microphone.
[00:02-00:04] He keeps walking, his breath fogging past the lens, and says,
"Forty minutes back." The wind rises behind him.
SFX: fur and wind buffeting the microphone, a low gust building.
[00:04-00:06] A hard gust hits from his left and throws a sheet of spindrift
straight across the lens. The picture goes white and grainy and he is only a
dark shape behind it. He does not react and does not stop walking.
SFX: a sharp roar of wind peaking, snow hissing against the lens.
[00:06-00:08] One enormous furred finger comes into frame from the right and
drags across the lens, smearing the snow clear in a wet streak with a little
still caught in the corners. His face comes back into view, still walking, and
he finishes, "Every day of my life."
SFX: a soft muffled scrape of fur on wet glass, then the footfalls again.
Ambient noise: a constant high-altitude wind under everything, thin and cold,
with no melody in it.
Style: photorealistic amateur vlog footage, natural available light only — the
honest look of a phone camera in bad weather, with mild wide-angle distortion, a
little sensor noise, and an exposure that hunts slightly in all the white.
Avoid: music, score, soundtrack, humming, singing, a narrator, a second voice, a
second character, any other person or animal, on-screen text, captions,
subtitles, titles, watermarks, logos, a locked-off or tripod-steady frame, a
camera that leaves his hand, a third-person shot, a drone shot, cuts, dissolves,
speed ramps, slow motion, the yeti stopping or standing still, bared fangs, a
snarl, a costume seam, a human face.
### Le visage que Seedance a refusé
_Chaîne B sur Veo 3.1 Fast : une première image, en vertical._
Durée
8 s, une seule prise
Cadre
9:16, 720p
Fourni
Une première image
Coût
11 + 100
La première image, faite en premier, pour que la marque sur l’étui soit réglée avant que quoi que ce soit ne bouge.
Une publicité UGC dans la forme que prend presque chacune d’entre elles : quatre
temps, quatre répliques citées, une caméra fixe sur le tableau de bord, et un
produit tenu à côté d’un visage.
**Elle existe parce que Seedance l’a refusée.** La même première image est revenue
en `E005 — the input or output was flagged as sensitive`, la catégorie sur
laquelle ce filtre est le plus strict, et relancer une entrée identique contre le
même classifieur n’est pas un plan. Veo 3.1 Fast a pris la même image sans
commentaire.
Deux choses plus petites qu’elle démontre. **Une première image garde le 9:16** —
la sortie fait 720×1280, et c’est la porte par laquelle une pièce verticale doit
passer, parce que des références l’auraient forcée au paysage. Et **quatre
répliques citées tiennent en huit secondes** avec de la marge : dix-huit mots au
total, sous le plafond des vingt mots, et aucune ne se termine au milieu d’une
syllabe.
La seule chose qu’elle ne démontre pas, c’est les petits caractères. Suivez
l’étui sur les huit secondes — le vert menthe et la forme tiennent, mais le
logotype en dessous abandonne vers la moitié. **Les gros caractères survivent à
un modèle vidéo. Les petits caractères sont une texture**, et un texte qui doit
rester lisible a sa place dans la première image, grand dans le cadre, pas dans
le prompt.
La consigne, en entier
One continuous unbroken 8-second vertical shot from a completely fixed camera
resting on the dashboard. No pan, no tilt, no zoom, no push-in, no handheld
drift, no cut, no dissolve. The framing at second 8 is identical to second 0.
Subject: the woman of the first frame, unchanged in every frame — same face,
same hair, same dusty-pink fleece, same seatbelt, same car. She stays in the
driver's seat of the parked car throughout and never opens a door, never starts
the engine, never turns away from the lens.
Product: the pale mint NUVELO carton of the first frame, its lettering unchanged
and legible whenever it faces the camera, plus one loose stick sachet in the
same mint and coral. The carton never changes size, colour or wording.
Action:
[00:00-00:02] She is already holding the carton up beside her face. She looks
into the lens and speaks, her other hand resting on the wheel.
"Okay, I have to talk about these."
SFX: the close soft ambience of a parked car interior.
[00:02-00:04] She rotates the carton a quarter turn to show its side, then
brings it square to the camera again.
"Thirty sticks, one a day."
SFX: a light card-on-card rustle as the box turns in her hand.
[00:04-00:06] She lowers the carton out of the bottom of the frame and brings up
a single stick sachet, pinched between thumb and forefinger, and gives it one
small shake.
"You just tear one open."
SFX: a short crisp foil crinkle as the sachet shakes.
[00:06-00:08] She raises the carton back up beside her face so the box and the
sachet are held up together, one in each hand, nods once and smiles.
"That's the whole thing. Try it."
SFX: nothing but the room.
Light: constant flat daylight through the windshield for all eight seconds. No
exposure shift, no relight, no flicker, no colour drift.
Ambient noise: the quiet interior of a parked car, a faint distant street
outside, and nothing else.
Style: plain front-facing phone video, no colour grade, no cinematic contrast,
faint sensor noise in the shadows. Her voice is close, warm, conversational and
unhurried, as recorded by the phone's own microphone.
Avoid: music, score, backing track, a second voice, a second person, a second
pair of hands, camera movement of any kind, cuts, crossfades, speed ramps, the
car moving, a face or hair that morphs or re-rolls, clothes that change, the
carton changing its wording or colour, a phone visible in frame, on-screen text,
captions, subtitles, watermarks and logos.
---
## À propos de justpictur.ing
justpictur.ing est un studio d'images IA : images, clips, voix off et musique guidés par le prompt, et des vidéos adossées à un storyboard dont les personnages restent les mêmes d'un plan à l'autre.
Les agents se connectent en MCP et peuvent générer directement :
```
claude mcp add justpicturing https://api.justpictur.ing/mcp --transport http
```
L'application se trouve sur https://app.justpictur.ing et demande un compte.
Chaque guide de ce site a un jumeau Markdown à son URL suivie de `.md`. Tous les guides: https://justpictur.ing/fr/guides/
