Génération vidéo — Hollywood dans une zone de texte

Un studio hollywoodien d'un milliard de dollars compressé dans un réseau de neurones. Génère de la vidéo cinématographique avec un audio parfaitement synchronisé — dialogues, musique, effets sonores — en une seule passe. Désormais officiellement lancé et accessible mondialement.

Le seul modèle majeur générant simultanément vidéo de qualité cinéma et audio synchronisé. Contrôle au niveau réalisateur avec jusqu'à 12 assets de référence (9 images + 3 vidéos + 3 fichiers audio). Officiellement lancé en février 2026, maintenant disponible sur seed.bytedance.com, CapCut, Dreamina, fal.ai et Higgsfield.

Fournir au modèle suffisamment de références multimodales pour garder un contrôle narratif absolu est aussi méticuleusement complexe que de diriger une vraie équipe de tournage. Les garde-fous régionaux sur les visages et célébrités varient.

Le modèle vidéo de xAI vient de décrocher la première place dans les tests à l'aveugle image-vers-vidéo — rapide, abordable, et de plus en plus redoutable pour transformer des prompts ou des images en clips cohérents en 720p avec audio natif. Imaginez un labo créatif ultra-réactif qui se frotte à Hollywood.

N°1 sur le classement Arena.ai Image-to-Video (1 473 Elo, +52 pts par rapport à la v1.0). Génère des vidéos texte-vers-vidéo, image-vers-vidéo et montage vidéo en 480p/720p avec audio natif à 0,06–0,08 $ par seconde — 65 à 80 % moins cher que Seedance ou Sora à qualité comparable. Rapidité exemplaire : 5 à 30 secondes par clip.

Plafonné à 720p/24fps avec un maximum de 15 secondes — pas de 4K, pas de storyboarding multi-plans. Une modération de contenu agressive bloque même des prompts tout à fait acceptables. Encore en Preview ; un throttling dynamique peut limiter les générations aux heures de pointe.

Une centrale vidéo unifiée qui génère de l'audio synchronisé, des histoires multi-plans et du contenu 4K à partir de texte — un pipeline VFX hollywoodien comprimé dans un onglet de navigateur.

En tête des benchmarks Artificial Analysis avec un Elo de 1 452. L'entraînement multimodal natif permet une synchronisation labiale professionnelle, un mouvement physiquement réaliste et des clips de 15 secondes en 1080p/60fps. Cohérence des personnages supérieure à Veo 3.

Coûts élevés en crédits pour les fonctionnalités Pro (0,50–2 $ par clip), des filtres de sécurité excessifs bloquent les prompts audacieux, et les scènes complexes peuvent glitcher sans contrôle précis.