Veo 3.1 : le guide complet du prompt

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.

1. 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

2. Donnez au dernier bloc une action, jamais une extinction

   Veo tasse son séquencierLa 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.

3. 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

4. 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 dernière imageUne 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 prisesUne 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.

Ce qu’il accepte

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.

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.

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 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 UGCUser-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 b-rollDes 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 plans d’ensembleLe 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 et 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 interpolationLe 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 d’une prise, donnez-la comme première image de la prise suivante, et assemblez la série 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 <subject>. Use it for <face, build, colour> 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 : 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.

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.

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.

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 :

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.

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.

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.

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.