Créer un clip vidéo avec ia : notre clip de 2 min en 7 jours

Nous avons réalisé un clip vidéo animé de 2 minutes pour un morceau original, avec Ava et Jordan présents du début à la fin. La production complète s’est étalée sur 7 jours calendaires, du 10 au 16 août 2026.

Le vrai sujet, c’est l’entonnoir. Nous avons lancé 205 générations, obtenu 20 minutes d’images, puis gardé 1 minute 58 secondes au montage final, soit environ un ratio de 10:1.

C’est ce ratio, bien plus que la qualité d’un clip isolé, que l’on sous-estime quand on veut faire un clip vidéo ia. Un bon ai music video generator peut sortir de très belles séquences, mais le résultat final vient surtout du tri, du rythme, de la réutilisation et des coupes.

Nous n’avons rien animé tant que l’identité visuelle n’existait pas en images fixes. Le concept art a posé la palette, les tenues et les deux visages avant le passage à la production des plans.

Ensuite, chaque plan a reçu sa propre image de départ, générée dans Nano Banana 2 à partir du concept art. Une partie de ces images a ensuite été retouchée dans un éditeur d’image, pour un total de 151 frames sur le projet.

Cet ordre change tout : en image-to-video, la composition, la lumière et les personnages sont hérités de l’image fixe. Une mauvaise frame de départ ne se rattrape pas avec un bon prompt de mouvement.

Nous avons aussi donné des prénoms aux personnages, Ava et Jordan, et les avons utilisés dans les prompts. Vingt-deux prompts les mentionnaient par leur prénom : cela a mieux préservé leur identité que de redécrire les cheveux et les vêtements à chaque fois. C’est l’une de nos leçons les plus nettes sur la cohérence des personnages en vidéo IA.

Le concept art a été créé avant la moindre animation. Il a fixé la palette, les tenues et les deux visages : toute la suite avait une référence à suivre.

Pour la génération vidéo, 204 des 205 essais ont utilisé Seedance 2.0 en image-to-video à 1080p. Dans ce lot, 155 clips duraient 5 secondes pour 15 crédits chacun, et 35 clips duraient 10 secondes pour 30 crédits chacun.

Le rendu moyen a pris 94 secondes, le plus long 19 minutes, et le projet a cumulé 5,3 heures de temps machine. Côté registre vidéo, le chiffre est exact : 3 613 crédits facturés, 30 remboursés pour deux générations échouées, soit 3 583 crédits nets.

Le projet complet revient à environ 4 500 crédits, mais les deux blocs ne viennent pas de la même source. La vidéo a été mesurée dans le journal du compte ; les frames et le lip sync ont été estimés à partir de la grille tarifaire publique, car ces outils n’étaient pas facturés sur le compte utilisé.

Les images Nano Banana 2 coûtent 2 crédits depuis un prompt ou 4 via l’éditeur. Comme nous avons utilisé les deux, les 151 frames reviennent à environ 453 crédits. Le lip sync Kling 2.6 facture 2 crédits par seconde d’audio : les 27 clips synchronisés gardés représentaient 209 secondes facturées, soit 402 crédits, tandis que les 33 essais de lip sync montaient à environ 491 crédits.

C’est le point sur lequel nous avons le plus bataillé. Quand nous demandions une interprétation du refrain, le modèle revenait sans cesse à son réflexe : grands yeux sincères, légère tristesse, alors que nous voulions quelque chose de plus cool, conscient de soi, presque amusé.

Une description positive ne suffisait pas. Ce qui a aidé, c’est d’écrire l’expression comme une évolution à l’intérieur du plan : le visage change au fil des secondes au lieu de porter un seul adjectif pendant dix secondes. Vingt-six de nos prompts utilisaient ce type d’arc émotionnel.

L’autre solution consistait à nommer clairement le défaut indésirable et à l’interdire. Nous avons utilisé des formulations comme « pas de regard de biche, pas d’expression innocente aux yeux écarquillés, pas de tristesse de ballade » ; 19 prompts contenaient une interdiction de ce genre. Quand un modèle a un biais fort, la négation est souvent plus efficace qu’un adjectif.

Dès qu’un lieu existait, y revenir avec un deuxième angle devenait l’une des parties les plus coûteuses du workflow. Réécrire le prompt modifiait souvent trop de choses ; nous avons obtenu de meilleurs résultats en relançant exactement le même prompt.

Au total, 21 prompts ont été soumis plusieurs fois à l’identique, octet pour octet, générant 29 essais supplémentaires. Nous avons aussi verrouillé les deux extrémités d’un mouvement avec une première et une dernière frame : c’est à cela qu’a servi l’unique génération Kling 2.6 du projet.

La profondeur de champ a aidé à masquer les écarts restants. Trente-quatre prompts rendaient l’arrière-plan doux et secondaire, de sorte qu’un décor régénéré n’avait pas besoin de correspondre parfaitement dans chaque détail.

Notre ordre était simple : générer le plan d’abord, puis appliquer le lip sync dans Kling 2.6, piloté par la voix du morceau final. Nous avons produit 33 clips synchronisés de cette façon.

La partie contre-intuitive se trouve dans le prompt de mouvement. Il devait garder la bouche discrète et détendue, car elle serait remplacée ensuite ; 10 prompts le disaient explicitement, et les plans avec une articulation trop expressive résistaient au lip sync ajouté par-dessus.

La grande leçon du projet : savoir générer sans savoir monter produit une bande démo, pas un clip. Le morceau était à 130 BPM, et la vidéo finale compte 142 plans en 118 secondes.

Le plan médian dure 0,70 seconde, soit une noire pointée. Quatre-vingt-cinq plans durent exactement 1,5 temps, 31 durent exactement 2 temps, et 117 des 141 coupes tombent à moins d’une demi-frame de la grille des demi-temps.

La densité vient aussi de l’emplacement des coupes. Quatre-vingts des 141 coupes passent à un autre lieu : la vidéo alterne entre l’école, le café, la chambre et la fête, au lieu de dérouler chaque scène en bloc.

Nous avons réutilisé volontairement de la matière : 82 clips sources couvrent 123 plans, et certains apparaissent jusqu’à quatre fois. Le tempo était aussi inscrit dès la génération, pas seulement au montage, avec 19 prompts mentionnant un BPM et 3 décrivant la chorégraphie temps par temps ; les deux longs respirations autour de 77-84 secondes sont les seules pauses, et elles sont assumées.

Deux types d’erreurs ont tout de même percé. Sur les plans longs et presque statiques, le modèle pouvait halluciner des silhouettes supplémentaires, avec une deuxième personne qui apparaît de nulle part ; les lettres se dégradaient aussi dès que la caméra bougeait, si bien que WESTFIELD sur les uniformes des cheerleaders se transformait en suite de signes incohérents au fil du plan.

Les parades sont peu spectaculaires, mais utiles. Nous avons gardé des plans courts — le montage rapide y contribue déjà —, évité les textes lisibles dans le cadre ou les avons laissés hors focus, puis relancé plutôt que réécrit quand un clip était presque bon.

Voici l’ordre que nous reprendrions sans hésiter.

1. 1Terminer le morceau d’abord. Le montage repose sur son tempo : il faut donc l’audio final avant de générer le moindre plan.
2. 2Poser l’univers visuel sur le papier. Un concept art qui fixe la palette, les tenues et les deux visages donne une référence claire à tous les prompts suivants.
3. 3Nommer les personnages et utiliser leurs prénoms dans chaque prompt : « Ava » et « Jordan » ont mieux maintenu l’identité d’une génération à l’autre qu’une simple description physique.
4. 4Générer une frame par plan dans Nano Banana 2, en partant du concept art plutôt que de zéro.
5. 5Animer chaque frame dans Seedance 2.0. Les clips de 5 secondes en 1080p sont le format de base ; passez à 10 secondes seulement quand l’action le justifie vraiment.
6. 6Écrire le mouvement en temps, au tempo du morceau, pour que l’action générée tombe sur la même grille que le montage.
7. 7Dire aussi ce que vous ne voulez pas. Les mauvais réflexes émotionnels sont la cause la plus fréquente d’un plan techniquement réussi mais faux à l’écran.
8. 8Ajouter le lip sync en dernier, dans Kling 2.6, uniquement sur les plans où la caméra reste sur un visage.
9. 9Couper sur le beat et alterner les lieux plutôt que de dérouler chaque scène en bloc.