Film de synthèse à partir de modèles ouverts : mémoire, calcul et licences, étape par étape

Une minute de film

Les modèles génératifs sont devenus un médium artistique : des voix jamais enregistrées, des musiques composées à partir d’une phrase, des plans qu’aucune caméra n’a filmés. Les mêmes modèles produisent maintenant des films de présentation de produits et des vidéos explicatives internes. Devant un bon résultat, on est tenté de croire que le plus difficile est un prompt, ou un script qu’un agent de code pourrait écrire en un après-midi.

Ce n’est pas le cas. Soixante secondes de vidéo 720p à 24 images par seconde font 1 440 images, soit 1,33 milliard de pixels. Les modèles vidéo ouverts ne génèrent pas une minute. Ils génèrent des plans d’environ cinq secondes, chacun étant un long calcul sur un gros GPU, et chacun doit s’accorder avec le suivant. Autour d’eux se trouvent des modèles distincts pour la parole, la musique, le mouvement des lèvres, l’interpolation d’images et la montée en résolution, chacun avec ses propres poids, son empreinte mémoire, ses modes de défaillance et sa licence.

Cette partie parcourt cette pile à poids ouverts, la première voie, avec tous les calculs posés en clair. La deuxième partie prend la seconde voie : les services gérés qui font tourner des piles comparables derrière une API.

Comment un modèle vidéo fabrique une image

Un modèle de diffusion apprend à défaire le bruit. L’entraînement mélange un exemple propre x₀ à un bruit gaussien ε selon un calendrier de bruit, et apprend à un réseau à retrouver ce qui a été ajouté :

x_t = √ᾱ_t · x₀ + √(1 − ᾱ_t) · ε ᾱ_t = f(t) / f(0), f(t) = cos²( (t/T + s) / (1 + s) · π/2 )

La génération va dans l’autre sens : on part d’un bruit pur et on fait des dizaines de pas, chacun étant une passe complète d’un réseau de plusieurs milliards de paramètres. Wan, le modèle vidéo ouvert utilisé pour les chiffres ci-dessous, est entraîné par flow matching, qui apprend une vitesse allant du bruit vers les données plutôt que le bruit lui-même, mais la structure du coût est la même : le nombre de pas, fois les passes par pas, fois le coût d’une passe. De plus, les modèles vidéo ne débruitent jamais des pixels. Un autoencodeur variationnel compresse d’abord le plan en un tenseur latent, et un transformeur travaille sur ce latent, découpé en patchs.

Figure 1 · Le processus direct sur une image générée

Pas t sur T = 1 000 0 Signal conservé, √ᾱ_t 1,000 Bruit ajouté, √(1 − ᾱ_t) 0,000

Le calendrier cosinus de Nichol et Dhariwal (2021), s = 0,008, appliqué à un dessin généré dans cette page. La figure s’anime d’elle-même, de l’image au bruit puis retour ; parcourir le calendrier à l’envers ne sert qu’à illustrer. Un vrai modèle revient à une image en prédisant le bruit, ou la vitesse, à chaque pas : par défaut 40 à 50 pas pour les modèles Wan, chacun étant une passe complète du réseau, deux avec le guidage sans classifieur.

Le nombre de tokens d’un plan

C’est dans le latent que le coût se décide. Wan 2.1, dont le code et les poids sont publiés sous Apache 2.0, compresse le temps par 4 et chaque côté de l’image par 8, puis découpe le latent en patchs de 1 × 2 × 2. Un plan de cinq secondes en 720p, 81 images à 16 images/s, devient 21 images latentes de 90 × 160, puis 21 × 45 × 80 = 75 600 tokens. Dans chaque couche du transformeur, chaque token porte son attention sur tous les autres : 5,7 milliards de paires, par couche, par pas. Le même plan en 480p fait 32 760 tokens, donc passer de 480p à 720p multiplie le travail d’attention par 5,3.

Figure 2 · Des images aux tokens

Résolution Durée du plan 5 s Compression du VAE par image

Images

Latent

21 × 90 × 160

Tokens

75 600

Paires d’attention par couche et par pas

5,72 G

Travail d’attention rapporté à 480p, 5 s

× 5,3

Cadence de 16 images/s ; images latentes = (images − 1) / 4 + 1 ; tokens = images latentes × H / (2c) × W / (2c), où c est la compression du VAE par côté et 2 le patch. Les barres comparent le travail d’attention par couche et par pas avec celui d’un plan de cinq secondes en 480p, sur une échelle linéaire. Les réglages 4K et 20 secondes sont très loin de ce que les modèles publiés génèrent en une passe ; ils montrent pourquoi.

La pile à poids ouverts, couche par couche

Un film ne sort pas d’un seul modèle. Le schéma montre un pipeline à poids ouverts raisonnable pour un film narré, avec un présentateur et des plans générés. Chaque case est un modèle ou un outil distinct, avec ses propres poids, son propre format d’entrée et sa propre façon d’échouer. Sélectionnez une case pour voir ses candidats, sa classe de mémoire et ses modes de défaillance.

Figure 3 · Un pipeline à poids ouverts pour un film narré

Génération vidéo

Anime chaque image clé en un plan d’environ cinq secondes.

Candidats: Wan 2.1 et 2.2 (Apache 2.0), LTX-2.5 (gratuit sous 10 M$ US de chiffre d’affaires) et d’autres : voir la matrice des licences et les résultats de l’arène.
Mémoire: 28,6 Go de poids pour le modèle 14B en BF16, avant les activations : voir la figure 4.
Échoue sur: La continuité entre les plans, la physique, les visages de loin.

Bordure bleue pleine : image. Bleue en tirets : son. Grise : langage. Sombre : assemblage. Les tirets défilent dans le sens des données. Les licences sont celles des poids publiés, qui peuvent différer de la licence du code.

Mémoire et calcul par plan

Deux murs se dressent d’abord : les poids tiennent-ils dans la mémoire du GPU, et combien de temps prend le calcul une fois qu’ils y tiennent. Le transformeur de Wan 2.1 14B est livré sous forme de 57 Go de safetensors en FP32 ; l’inférence le convertit en BF16, soit 28,6 Go, déjà plus qu’une carte de 24 Go avant la moindre activation. Son encodeur de texte, la moitié encodeur de umT5-XXL, est à lui seul un fichier de 11,4 Go. Wan 2.2 va dans les deux sens : son modèle A14B répartit le débruitage entre deux experts de 14,3 milliards de paramètres, l’un pour le bruit fort et l’autre pour le bruit faible, si bien qu’il faut garder 28,6 milliards en mémoire pour 14,3 milliards actifs par pas, et le README demande au moins 80 Go de mémoire GPU pour le faire tourner sur une seule carte ; son modèle 5B prend l’autre levier, un VAE qui compresse chaque image d’un facteur 16 × 16, ce qui laisse un quart des tokens par image latente.

Pour un transformeur de diffusion avec P paramètres actifs, L couches de largeur d et N tokens, une passe avant coûte environ :

FLOPs par passe ≈ 2·P·N + 4·L·d·N² FLOPs par plan ≈ pas × (2 avec guidage sans classifieur, sinon 1) × FLOPs par passe temps par plan ≈ FLOPs par plan ÷ (FLOP/s denses en BF16 × utilisation)

Le premier terme correspond aux multiplications de matrices, le second à l’auto-attention, et aux nombres de tokens de la vidéo, c’est le second qui domine : pour le modèle 14B en 720p, il vaut plus du double du premier. Le guidage sans classifieur, activé par défaut dans les scripts Wan avec une échelle de 5, fait tourner le réseau deux fois par pas, une fois avec le prompt et une fois sans.

Deux temps publiés servent d’ancrage à la formule. Les auteurs de Wan 2.1 annoncent environ 4 minutes pour un plan de cinq secondes en 480p avec le modèle 1.3B sur une RTX 4090 ; avec les 50 pas par défaut et le guidage, la formule retrouve ce temps à environ 73 % du pic BF16 dense de la carte. Pour le modèle 5B de Wan 2.2, ils annoncent moins de 9 minutes pour cinq secondes de 720p sur « un seul GPU grand public » d’au moins 24 Go, ce qui, sur une RTX 4090, signifie au moins 61 %. La figure ci-dessous part de 60 %. Un essai fait pour cet article donne l’autre extrémité : sur une NVIDIA L4, un pipeline diffusers standard a mis 12 minutes 3 secondes pour les 50 pas du même plan en 480p, 14,4 secondes par pas, soit 33 % du pic BF16 dense de la L4. Placez le curseur sur 33 % pour voir ce que cela donne pour une minute finie.

Figure 4 · Est-ce que ça tient, et combien de temps ça prend

Modèle vidéo Précision des poids GPU Résolution Pas d’échantillonnage 50 Utilisation du pic 60 % Générations par plan retenu 4 Guidage sans classifieur Garder l’encodeur de texte sur le GPU

Tokens par plan

75 600

FLOPs par plan

684,24 P

Les poids tiennent-ils ?

Non, déchargés

Ajouté par le déchargement

1,9 min

Temps par plan de 5 s

2,6 h

Temps GPU par minute finie

127,2 h

Des estimations tirées des formules ci-dessus, pas des mesures. L’utilisation est une hypothèse, fixée par défaut à 60 % d’après les deux temps publiés cités plus haut ; l’essai fait pour cet article a atteint 33 % sur une L4. La mémoire ne compte que les poids : les activations, les tampons d’attention et le décodage du VAE viennent en plus. Quand les poids ne tiennent pas, le déchargement les fait transiter par le PCIe à chaque passe, ici à 25 Go/s par hypothèse. Les échantillonneurs distillés à 4 à 8 pas et l’attention parcimonieuse divisent le temps par plusieurs, chacun au prix d’un composant de plus à intégrer et à valider. Une minute finie, ce sont 12 plans retenus de cinq secondes ; le nombre de générations par plan retenu est votre hypothèse.

Les constantes derrière les figures 4 et 5, avec leurs sources :

Élément	Valeur utilisée	Source
Wan 2.1 T2V 1.3B	1,419 milliard de paramètres actifs, 1,419 milliard en mémoire ; 30 couches × 1 536 ; 50 pas par défaut ; 16 images/s ; VAE 8 × 8 par image, fichier de 0,51 Go	configurations Wan2.1
Wan 2.2 TI2V 5B, VAE 16 × 16	5,000 milliards de paramètres actifs, 5,000 milliards en mémoire ; 30 couches × 3 072 ; 50 pas par défaut ; 24 images/s ; VAE 16 × 16 par image, fichier de 2,82 Go	configurations Wan2.2
Wan 2.1 T2V 14B	14,288 milliards de paramètres actifs, 14,288 milliards en mémoire ; 40 couches × 5 120 ; 50 pas par défaut ; 16 images/s ; VAE 8 × 8 par image, fichier de 0,51 Go	configurations Wan2.1
Wan 2.2 T2V A14B, deux experts	14,288 milliards de paramètres actifs, 28,577 milliards en mémoire ; 40 couches × 5 120 ; 40 pas par défaut ; 16 images/s ; VAE 8 × 8 par image, fichier de 0,51 Go	configurations Wan2.2
Encodeur umT5-XXL	Fichier de 11,36 Go en BF16, soit environ 5,68 milliards de paramètres	fichiers des modèles Wan-AI
NVIDIA L4, 24 Go	121 TFLOPS denses en BF16	livre blanc Ada
RTX 4090, 24 Go	165,2 TFLOPS denses en BF16	livre blanc Ada
RTX 5090, 32 Go	209,5 TFLOPS denses en BF16	livre blanc RTX Blackwell
NVIDIA L40S, 48 Go	362,05 TFLOPS denses en BF16	page L40S
A100, 80 Go	312 TFLOPS denses en BF16	page et fiche technique A100
H100 SXM, 80 Go	989,4 TFLOPS denses en BF16	page H100, dense = avec parcimonie ÷ 2
Déchargement PCIe	25 Go/s, par hypothèse ; PCIe 4.0 × 16 offre en théorie 32 Go/s dans chaque sens	Hypothèse
Stockage, autres étapes	Les débits de lecture de la figure 5, et les tailles et minutes indiquées dans les cases de la figure 3	Hypothèses

Le lieu contraint aussi le matériel. Dans la liste de prix AWS du 23 octobre 2026, les instances GPU à la demande de Paris (eu-west-3) étaient les familles g4dn, g5, g6, gr6 et p6-b200 : aucune instance H100 ni L40S. La g6.xlarge, avec une seule L4, coûtait 1,0216 $ de l’heure, et une équipe qui doit garder ses scripts et ses images dans cette région part de cette carte.

Un GPU, de nombreux modèles

La pile de la figure 3 contient plus de poids qu’aucun GPU n’a de mémoire. À moins que chaque étape ait son propre GPU, les modèles se relaient : lus depuis le stockage, transférés sur le GPU, utilisés, évincés. La lecture à elle seule dépend de l’endroit où sont stockés les checkpoints. Grouper par étape (toutes les images clés, puis tous les plans, puis chaque passe de synchro labiale) paie chaque chargement une seule fois. Avancer plan par plan le paie douze fois par minute.

Ce qui pèse le plus dépend du reste de l’installation. Avec les valeurs par défaut de la figure 4, un modèle 14B sur une L4, le calcul vidéo prend environ 32 heures par minute finie et les lectures sont négligeables. Rendez le calcul rapide (une H100 avec un échantillonneur distillé à 8 pas) et mettez les checkpoints sur un disque réseau à 125 Mio/s, lus plan par plan : les lectures prennent alors plus de temps que le calcul, environ 60 % du total avec les hypothèses indiquées. Chaque accélération sur le GPU déplace le goulot d’étranglement ailleurs.

Figure 5 · Lecture des poids contre calcul, pour une minute finie

Stockage des checkpoints Ordonnancement

Total sur un GPU

32,2 h

Lecture des poids

24 s

Part passée à lire

moins de 0,1 %

Pour chaque étape, en hachuré : la lecture de ses poids ; en plein : le calcul. L’axe du temps est logarithmique, d’une seconde à environ onze jours. L’étape vidéo utilise la taille BF16 et le temps par plan de la figure 4 avec ses réglages actuels, multiplié par 12 plans ; l’étape des images clés utilise la taille BF16 d’un modèle d’image de 12 milliards de paramètres. Les autres tailles et durées sont des hypothèses du bon ordre de grandeur, indiquées dans chaque case de la figure 3. Les reprises ne sont pas comptées.

La matrice des licences

« Ouvert » dit que les poids peuvent être téléchargés, pas ce qu’on a le droit d’en faire. Plusieurs des checkpoints les plus connus interdisent l’usage commercial, le plafonnent selon le chiffre d’affaires, ou excluent des territoires entiers, parfois celui du lecteur. Le tableau résume les fichiers de licence tels que lus le 25 octobre 2026. Ce n’est pas un conseil juridique : lisez le fichier de la version exacte que vous déployez.

Modèle	Rôle	Licence des poids	Usage commercial	Point à vérifier
Wan 2.1, Wan 2.2	Vidéo, de 1,3 à 14 milliards de paramètres actifs	Apache 2.0	Oui	Règles d’usage dans le README ; les versions ultérieures de Wan n’ont pas de poids publiés.
HunyuanVideo, HunyuanVideo 1.5	Vidéo, 13 et 8,3 milliards	Tencent Hunyuan Community License	Pas dans l’UE	La section 1(l) exclut l’Union européenne, le Royaume-Uni et la Corée du Sud ; la section 5(c) fait de tout usage hors du territoire un usage sans licence.
LTX-2, LTX-2.3, LTX-2.5	Vidéo avec audio, de 19 à environ 22 milliards	LTX-2 et LTX-2.x Community License	Moins de 10 M$ US	Les entités dont le chiffre d’affaires annuel atteint 10 M$ US ou plus ont besoin d’une licence payante.
MiniMax H3	Vidéo avec audio, 33 milliards	MiniMax H3 Community License	Ni dans l’UE ni aux États-Unis	La section I.5 exclut l’UE, le Royaume-Uni, la Corée du Sud et les États-Unis ; accord écrit au-delà de 20 M$ US de chiffre d’affaires ; le nom doit être affiché.
Mochi 1, MAGI-1	Vidéo, 10 milliards ; 4,5 et 24 milliards	Apache 2.0	Oui	Environ 60 Go de mémoire GPU pour Mochi 1 sur un seul GPU.
Step-Video-T2V	Vidéo, 30 milliards	MIT	Oui	Environ 78 Go de mémoire GPU en pic.
XTTS-v2	Parole, clonage de voix	Coqui Public Model License	Non	Non commercial uniquement ; l’entreprise qui le portait a fermé en janvier 2024, et aucune voie vers une licence commerciale n’a été trouvée.
F5-TTS	Parole, clonage de voix	CC BY-NC 4.0 (le code est sous MIT)	Non	Non commercial à cause de ses données d’entraînement.
Kokoro-82M	Parole	Apache 2.0	Oui	Son phonémiseur de secours, espeak-ng, est sous GPL-3.0.
StyleTTS 2	Parole	MIT, avec des conditions sur les modèles pré-entraînés	Avec mention	Les auditeurs doivent être informés que la voix est synthétique, sauf accord du propriétaire de la voix.
Piper	Parole	Code désormais sous GPL-3.0 ; une licence par voix	Selon la voix	La voix en_US lessac provient d’un corpus sous licence de recherche uniquement.
Orpheus	Parole, 3 milliards	Étiqueté Apache 2.0	À vérifier	Dérivé de Llama 3.2, dont la licence a ses propres conditions sur les dérivés.
LatentSync, LivePortrait	Synchro labiale, animation de portrait	LatentSync : OpenRAIL++ ; LivePortrait : MIT	Vérifier les dépendances	Les deux utilisent les modèles de détection d’InsightFace, sous licence de recherche non commerciale uniquement ; la licence de LivePortrait indique de les remplacer pour un usage commercial.
Hallo3	Tête parlante	Étiqueté MIT	Vérifier le modèle de base	Dérivé de CogVideoX-5B, dont la licence exige un enregistrement et plafonne l’usage commercial.
Whisper	Reconnaissance vocale	MIT pour le code et les poids	Oui	Le hub de modèles étiquette large-v3 en Apache 2.0 ; le dépôt officiel indique MIT.
Parakeet TDT 0.6B v3	Reconnaissance vocale	CC BY 4.0	Oui, avec crédit	Attribution obligatoire.
Aligneur forcé MMS	Alignement	CC BY-NC 4.0	Non	Non commercial.
FLUX.1 [schnell]	Image, 12 milliards	Apache 2.0	Oui	La variante [dev] de la même famille, elle, ne le permet pas. Les fichiers sont en accès restreint sur le hub de modèles : il faut un compte et des conditions acceptées pour les télécharger, et l’essai fait pour cet article a reçu une réponse 401 sans compte.
FLUX.1 [dev]	Image, 12 milliards	FLUX.1 [dev] Non-Commercial License v1.1.1	Non	La section 2(d) autorise l’usage commercial des sorties ; la section 4(a) interdit tout usage commercial ou en production des données que produit le modèle. Une licence commerciale est vendue à part.
FLUX.2 [dev]	Image, 32 milliards	FLUX Non-Commercial License v2.1	Non	Licence commerciale auprès de l’éditeur.
FLUX.2 [klein]	Image, 4 et 9 milliards	4B : Apache 2.0 ; 9B : FLUX Non-Commercial License	4B seulement	Même nom, deux licences.
Stable Diffusion XL	Image	CreativeML Open RAIL++-M	Oui	Restrictions d’usage dans son annexe A (Attachment A).
Stable Diffusion 3.5	Image, 2 et 8 milliards	Stability AI Community License	Moins de 1 M$ US	Gratuit sous 1 M$ US de chiffre d’affaires annuel ; les utilisateurs commerciaux doivent s’enregistrer ; au-delà, une licence entreprise.
HunyuanImage 3.0	Image, 80 milliards (13 actifs)	Tencent Hunyuan Community License	Pas dans l’UE	Le territoire couvert par la licence exclut l’Union européenne, le Royaume-Uni et la Corée du Sud.
Qwen-Image	Image, 20 milliards	Apache 2.0	Oui	Aucun du côté de la licence.
MusicGen	Musique	CC BY-NC 4.0 (le code est sous MIT)	Non	Le code et les poids ont des licences différentes.
Stable Audio Open 1.0	Musique, jusqu’à 47 s	Stability AI Community License	Moins de 1 M$ US	Comme SD 3.5.
YuE	Chansons	v1 : Apache 2.0 ; YuE2 : CC BY-NC 4.0 avec une autorisation pour les créateurs	v1 ; YuE2 pour les particuliers	YuE2 permet aux particuliers de monétiser les sorties ; les entreprises ont besoin d’une licence commerciale.
DiffRhythm	Chansons	Apache 2.0 pour le code et les poids DiT	Vérifier le VAE	Son VAE est affiné à partir de Stable Audio Open et relève de la Stability AI Community License.
Demucs	Séparation de sources	Code sous MIT ; poids déclarés par l’auteur comme destinés à des fins scientifiques	Incertain	Le dépôt est archivé ; la question des poids reste ouverte sur le hub de modèles.
Real-ESRGAN	Montée en résolution	Code sous BSD 3-Clause ; pas de conditions propres aux poids	À vérifier	Les poids sont des fichiers joints aux versions publiées, sans texte de licence propre.
Practical-RIFE	Interpolation	MIT, poids inclus	Oui	Aucun du côté de la licence.

Le retard des modèles ouverts

Sur l’arène texte-vers-vidéo d’Artificial Analysis, où des personnes votent à l’aveugle entre deux plans, le classement lu le 25 octobre 2026 plaçait un modèle fermé en tête : Wan 3.0, à 1175 Elo. Le meilleur modèle à poids ouverts, MiniMax H3, était quatrième à 1158, dans la marge d’erreur. Sa licence exclut l’Union européenne, le Royaume-Uni, la Corée du Sud et les États-Unis. Les meilleurs modèles ouverts qu’une entreprise de l’UE peut faire tourner selon leur licence, les LTX-2.5 de Lightricks, gratuits sous 10 millions de dollars US de chiffre d’affaires annuel, étaient à 949, à la 24e place.

Le modèle derrière les chiffres de cet article a suivi le même chemin : Wan a publié des poids jusqu’à la version 2.2 ; les versions 2.5 à 2.7 sont proposées par l’API d’Alibaba Cloud, sans poids sur le hub de modèles Wan-AI, et l’arène classe la 3.0 comme fermée. La voie ouverte, pour une équipe européenne, part donc de modèles nettement en retrait des services avec lesquels elle serait en concurrence.

Échantillons produits pour cet article

Les estimations sont une chose, les sorties en sont une autre. Les échantillons ci-dessous ont été générés pour cet article avec des modèles à poids ouverts, à partir de scripts conservés avec lui, chaque réglage et chaque temps étant consigné.

Figure 6 · Voix : Kokoro-82M, Apache 2.0, voix af_heart

“Generating a minute of film from open models is a systems problem before it is a creative one.”

12 kHz0

“Wan 2.1 runs at 16 fps, its VAE compresses each frame eight by eight, and EBU R 128 asks for minus 23 LUFS.”

12 kHz0

fps → ˌɛfpˌiˈɛs VAE → vˌiˌAˈi EBU → ˌibˌijˈu R 128 → ˈɑɹ wˈʌn hˈʌndɹəd twˈɛnti ˈAt LUFS → ˌɛljˌuˌɛfˈɛs

Les deux phrases ont été générées le 25 octobre 2026 sur le CPU d’un Apple M4 Max : 6,4 et 11,4 secondes de parole en 2,0 et 0,9 seconde, après 2,3 secondes de chargement. Les phonèmes sont ceux que le module d’entrée anglais du modèle a produits avant tout son : il épelle chaque sigle lettre par lettre et lit “R 128” comme “R one hundred twenty-eight”, là où les ingénieurs de la diffusion disent “R one-twenty-eight”, et souvent “luffs”. Chaque terme de ce genre demande un traitement à part, dans chaque langue. Sous chaque phrase, son spectrogramme log-mel : 80 bandes de fréquence jusqu’à 12 kHz en fonction du temps, recalculé à partir de l’audio, avec une ligne qui suit la lecture. C’est le type d’image dans lequel travaille le décodeur du modèle : son fichier de configuration décrit un ISTFTNet, deux étages de suréchantillonnage de 10 et 6 suivis d’une transformée de Fourier à court terme inverse avec une fenêtre de 20 points et un pas de 5 échantillons, soit 300 échantillons d’audio à 24 kHz, 12,5 millisecondes, pour chaque trame que le modèle prédit.

Une scène nocturne picturale en bleu profond et or pâle : des traits fluides comme de l’encre sous une petite pleine lune, générée par SDXL — Les trois plans, chacun issu de sa propre description, ont été générés le 25 octobre 2026 sur une seule NVIDIA L4 (une instance spot AWS g6.4xlarge à Francfort, 46 minutes pour les trois, à un prix spot proche de 1 $ de l’heure), chaque composant n’étant sur le GPU que le temps de son usage. Un premier plan, qui ne demandait qu’un lent travelling avant, bougeait à peine : ses première et dernière images étaient semblables à 93 % selon le SSIM, contre 38 %, 39 % et 70 % pour ces trois-là. L’image clé vient de SDXL, car FLUX.1 [schnell], le premier choix, est verrouillé sur le hub de modèles. Même univers, modèles différents, rendus différents : c’est le problème de continuité de la section suivante. Un passage qui gardait tous les composants sur le GPU a mesuré 12 minutes 3 secondes de débruitage pour un plan, puis a manqué de mémoire au décodage, l’encodeur de texte de 11 Go étant encore chargé.

Ce qui ne se télécharge pas

Un pipeline qui tourne n’est pas un pipeline qui produit quelque chose qu’on montrerait. Les modes de défaillance sont précis, et la plupart ne se voient que par une personne :

Continuité entre les plans. Chaque plan est échantillonné seul. Les visages, les vêtements et la lumière dérivent d’un plan à l’autre. Conditionner chaque plan sur une image clé commune ou sur la dernière image du plan précédent, ou entraîner un adaptateur d’identité, ajoute chaque fois une étape avec ses propres défaillances.
Synchro labiale en haute résolution. Les modèles de bouche pilotés par l’audio travaillent sur un visage recadré en basse résolution, qui est ensuite recollé. Sur une image 4K, la bouche est agrandie à partir de quelques centaines de pixels, et les longues phrases dérivent.
Texte, mains, éléments de marque. Les images générées écorchent les mots et inventent des logos. Tout ce qui doit être exact est incrusté après coup.
Parole. Les sigles, les nombres, les noms de produits et les mots d’une autre langue sont là où la synthèse casse, et là où l’auditeur le remarque en premier.
Musique. Les morceaux générés perdent leur structure sur les longues durées, dérivent en tonalité ou en tempo, et laissent une couture audible quand on les boucle.
Niveaux et couleur. Chaque étape rend son propre niveau sonore et son propre étalonnage. Un film n’en veut qu’un : pour la diffusion, −23 LUFS selon EBU R 128.

Les métriques aident mais ne tranchent pas. Les benchmarks vidéo notent des dimensions comme la cohérence du sujet et la fluidité du mouvement ; l’intelligibilité et le niveau sonore se mesurent. Aucune ne dit si un plan est bon. En pratique, quelqu’un visionne chaque seconde, et la plupart des générations sont jetées : ce sont les « générations par plan retenu » de la figure 4.

Ce que change un agent de code, et ce qu’il ne change pas

Cet article est un petit test de la question. Un agent de code IA a écrit le code de ses figures sous ma direction, et des agents IA ont trouvé et résumé les fichiers de licence, les fiches techniques et les listes de prix des sources, chacun avec son lien pour que chaque chiffre puisse être vérifié. C’est la part d’un projet de médias génératifs que les agents accélèrent : le code et la lecture.

Aucun de ces travaux n’a produit une heure de GPU, un poids de modèle, une licence ou un plan revu, et ce sont là les coûts du pipeline de la figure 3 : avec les valeurs par défaut de la figure 4, 127 heures de GPU sur une L4 pour une minute finie, une revue de chaque ligne de la matrice des licences pour les versions exactes utilisées, et une personne qui regarde chaque génération. Un prompt ou un skill peut décrire le processus. Ni l’un ni l’autre ne fournit l’infrastructure, les modèles ou la revue.

La seconde voie

Les services gérés font tourner des piles comparables sur leurs propres parcs et vendent le résultat à la seconde, au caractère ou par utilisateur. Les GPU, les licences de leurs modèles et une bonne part du travail de qualité deviennent leur problème ; le brief, la revue et les conditions d’utilisation de ce que vous générez restent les vôtres. La deuxième partie, en préparation, les compare sur le prix et sur un même brief court, avec ce que chaque essai a réellement coûté.

Ce que cette partie n’établit pas

Les chiffres de calcul sont des estimations tirées de configurations publiées et d’une utilisation supposée, ancrées sur deux temps publiés ; des implémentations optimisées peuvent être plusieurs fois plus rapides. Les modèles exécutés pour cet article sont indiqués avec leurs échantillons.
Les licences et les prix sont ceux publiés aux dates indiquées dans les sources. Les deux changent ; vérifiez-les avant toute décision.
Le tableau des licences résume des fichiers de licence. Ce n’est pas un conseil juridique.
Le pipeline de la figure 3 est une conception raisonnable parmi d’autres, pas une recommandation.

Sources

Nichol et Dhariwal, Improved Denoising Diffusion Probabilistic Models, 2021 : le calendrier cosinus.
Équipe Wan, Wan: Open and Advanced Large-Scale Video Generative Models, 2025, et les configurations et scripts de génération de Wan2.1 et Wan2.2, lus le 25 octobre 2026 : dimensions, couches, facteurs de compression du VAE, taille de patch, pas et guidage par défaut. Tailles des checkpoints d’après les dépôts de modèles de Wan-AI sur Hugging Face.
Liste de prix AWS pour Amazon EC2, eu-west-3, version du 23 octobre 2026 : familles d’instances et prix de la g6.xlarge.
EBU R 128 (édition 2023) : la cible de −23 LUFS.
Fichiers de licence et fiches de modèle lus le 25 octobre 2026 : FLUX.1 [schnell], FLUX.1 [dev], FLUX.2 [dev], FLUX.2 [klein] 4B et 9B, SDXL, SD 3.5, licence Stability AI, HunyuanImage 3.0, Qwen-Image, poids de MusicGen, Stable Audio Open, YuE, VAE de DiffRhythm, poids de Demucs, Real-ESRGAN, Practical-RIFE ; pour la vidéo, HunyuanVideo et HunyuanVideo 1.5, LTX-2.x, MiniMax H3, Mochi 1, MAGI-1, Step-Video-T2V ; pour la parole, XTTS-v2, F5-TTS, Kokoro-82M, StyleTTS 2, voix Piper, Orpheus ; pour les visages, LatentSync, LivePortrait, Hallo3, InsightFace ; pour la reconnaissance, Whisper, Parakeet TDT 0.6B v3, aligneur forcé MMS.
Classement texte-vers-vidéo d’Artificial Analysis, tableau avec audio, lu le 25 octobre 2026 ; la page n’affiche pas de date de mise à jour. Versions de Wan : Alibaba Cloud Model Studio et l’organisation Wan-AI.
Fiches techniques et livres blancs d’architecture NVIDIA pour L4, L40S, A100, H100, RTX 4090 et RTX 5090 : débit tensoriel dense et mémoire.