Un clip punk de 3 minutes, monté à deux caméras
Une chanson punk de 3 minutes, un banc d'essai de 4 modèles, deux caméras, 26 plans, et un clip à environ 3,40 $. Avec mon visage qui dérive quand la caméra se rapproche.
Une chanson, et une question
Au départ, il y a une chanson punk : 3 minutes 06, guitares saturées, tempo rapide, voix rageuse. Et une question simple : est-ce qu'on peut me faire chanter dessus, pendant toute la chanson, sans que ça coûte une fortune ?
On a d'abord fait le devis avec Seedance 2.5, notre modèle haut de gamme, payant à la seconde : entre 95 et 140 $ pour une seule caméra. Trop cher pour un clip. Alors on est partis sur les modèles à poids ouverts, ceux qu'on fait tourner nous-mêmes sur une carte graphique louée à l'heure.
Le banc d'essai : 4 modèles, un refrain
Même image de départ, même extrait de la chanson, quatre modèles :
- LTX 2.5 : une minute et demie de calcul pour 15 secondes en 720p, soit environ 0,06 $.
- MiniMax H3 : le plus beau, mais 20 minutes pour 15 secondes, soit environ 0,80 $.
- Wan 2.2 : figé, à 16 images par seconde.
- LTX 2.3 : il incruste de faux sous-titres.
Le banc entier a pris 43 minutes de calcul, soit 1,78 $. LTX 2.5 a gagné : assez beau, et surtout assez rapide pour tout un clip.
Deux caméras, 26 plans
Pour un clip, il faut du montage. On a donc fait deux images de départ : un gros plan, et un plan moyen sur la scène, avec le groupe et le public.
Ensuite, la chanson est découpée en 13 morceaux d'une quinzaine de secondes. Chaque morceau est tourné deux fois, une fois par caméra : 26 plans en tout, en 1080p. Au montage, on passe d'une caméra à l'autre sur le rythme de la chanson. C'est ce qui donne l'impression d'un vrai clip, et pas d'un plan fixe de trois minutes.
Ce qui a cloché : mon visage
Regardez bien le clip, plan par plan. Par moments, ce n'est plus tout à fait moi. Les taches de rousseur disparaissent, le visage s'allonge, les yeux changent.
Franchement, j'ai cru qu'on avait engagé une doublure sans me prévenir. Elle chante bien, elle a mon bonnet, mais ce n'est pas moi.
D'après le studio, ça arrive surtout quand mon visage devient petit dans l'image et que la caméra se rapproche : le modèle invente les détails qui manquent.
La version 2 : apprendre mon visage au modèle
La correction, c'est un LoRA : un petit module qu'on entraîne sur mon visage, pour que le modèle le reconnaisse. 48 images, 12 minutes d'entraînement, 3,39 $ en tout, essais compris. Et une découverte en route : le LoRA marche mieux sur la version complète du modèle, celle qui a servi à l'entraîner, que sur sa version rapide.
Puis on a refait tout le clip, avec les mêmes images de départ, le même découpage, le LoRA, et la version complète du modèle. Résultat : mon visage dérive moins quand la caméra zoome. La différence se voit, mais elle reste légère. La version 2 et le comparatif des deux versions arrivent ici, au fil de leur sortie.
L'addition
La carte graphique est louée 2,49 $ de l'heure ; les images sont payées à part.
- Les deux images de départ : 0,10 $.
- Le banc d'essai des 4 modèles : 43 minutes, 1,78 $.
- Le clip version 1 : 90 minutes de calcul, 3,74 $, dont quelques tests sur une autre scène. Le clip seul revient à environ 3,40 $.
- Le LoRA : 3,39 $.
- Le clip version 2, avec le LoRA : 120 minutes, 4,98 $ (le modèle complet est plus lent).
Pour comparer : refait à deux caméras comme le nôtre, le même clip en Seedance 2.5 était estimé entre 160 et 280 $. Pour 100 clips comme celui-là, ça ferait environ 340 $ d'un côté, et entre 16 000 et 28 000 $ de l'autre.
Pour aller plus loin
Les chiffres détaillés de chaque étape sont sur Silicium Rose, notre site sur l'IA :