Depuis fin juillet 2026, il est possible de décrire une scène en une phrase et de recevoir jusqu'à 20 secondes de vidéo avec audio synchronisé — dialogue, effets et son d'ambiance — sans rien tourner. FLUX 3, de Black Forest Labs, a réuni tout cela dans un seul modèle, disponible par API en 1080p depuis le 5 août. La question qui compte pour qui vend n'est pas de savoir si la technologie impressionne. C'est ce qu'elle résout déjà dans votre vidéo produit — et ce qu'elle rate encore.
Nous produisons des vidéos avec l'IA depuis des mois, pour l'agence et pour des clients. Voici la liste honnête : là où elle fait gagner des semaines et là où elle gâche encore le matériel.
Ce qui a vraiment changé
Trois choses sont sorties du laboratoire en 2026. D'abord l'audio natif : jusqu'ici, le son et l'image étaient générés dans des outils différents puis synchronisés à la main ; désormais ils sortent ensemble, pas, bris de verre et voix dans la même passe. Ensuite la cohérence du personnage d'une scène à l'autre, talon d'Achille historique de la vidéo par IA — le même visage changeait à chaque coupe. Enfin l'enchaînement de scènes, qui permet de monter une séquence continue au lieu de clips isolés.
S'y ajoute une couche de logistique : des outils qui choisissent seuls le modèle à utiliser selon la priorité — qualité, vitesse ou coût. Pour une agence qui produit en volume, cela compte plus qu'il n'y paraît : les essais sur le modèle bon marché, la livraison finale sur le cher.
Là où ça marche déjà
- Ambiance et b-roll. La scène d'appui — la rue, le bureau, la table dressée, l'usine — sort convaincante et coûte presque rien face à une journée de tournage.
- Le produit en situation. Placer le produit dans un décor qui n'existe pas ou qui coûterait cher à monter. Le résultat est solide, surtout en combinant avec le vrai modèle 3D du produit.
- Des variantes pour tester. Générer cinq ouvertures différentes de la même publicité et voir laquelle retient le spectateur. C'était prohibitif ; c'est aujourd'hui une après-midi.
- Un porte-parole court. Huit ou dix secondes face caméra fonctionnent — à condition d'un texte bref et d'une scène épurée.
Ce qui rate encore (et nous en avons fait les frais)
- Le texte à l'écran devient du gribouillis. Toute lettre que l'IA doit dessiner — panneau, étiquette, interface d'application, sous-titre — sort brouillée. Solution : tout le texte est ajouté après, par composition, jamais par l'IA.
- Le logo est recréé, pas copié. Sur un mur au fond, il sort souvent fidèle. Sur un t-shirt, un badge, un gobelet, l'IA le redessine à sa façon — et le client le voit tout de suite. Là, nous incrustons le vrai logo par-dessus.
- La voix se trompe d'intonation. La voix de synthèse réussit la prononciation et rate l'intention : accent sur le mauvais mot, question qui sonne comme une affirmation. Regénérer coûte peu ; réécouter est obligatoire. Les mots que l'IA s'obstine à lire en anglais, nous les écrivons phonétiquement dans le script.
- La continuité entre les plans. Même avec les nouveaux modèles, le personnage ne reste identique que si la description est identique et précise dans tous les prompts. Un mot changé, un visage changé.
- Mains, reflets et petits objets. Cela s'est beaucoup amélioré, mais c'est encore là que la scène trahit sa nature synthétique.
Le flux qui marche en pratique
- Valider l'image avant d'animer. On génère d'abord la scène fixe, on ajuste cadrage, marque et tenue — et seulement ensuite on l'anime. Corriger sur une image coûte peu ; corriger sur 20 secondes, non.
- Séparer l'IA du programmatique. Scène, décor et personnes par l'IA ; texte, interface, graphique et logo par composition. C'est cet hybride qui donne une finition professionnelle.
- Musique dessous, voix devant. La musique entre au mixage, bien sous la voix, sans regénérer la prise déjà réussie.
- Regénérer plutôt que réparer. Quand la prise est presque bonne, la tentation est de retoucher. En demander une autre va plus vite et donne mieux.
Quand ne pas utiliser l'IA en vidéo
Certains contenus ne doivent pas être synthétiques, et ce n'est pas une question de qualité. Le témoignage client, l'avant-après et la personne réelle de la marque doivent être réels — si le public découvre que la « cliente satisfaite » a été générée, les dégâts ne sont pas esthétiques. Idem pour tout ce qui fait office de preuve : résultat d'un traitement, image d'un bien qui existe, photo de l'équipe. Et quand la pièce est clairement une illustration générée, le dire en légende ne coûte rien et évite la conversation désagréable plus tard.
Ce que cela change au budget
Le coût a changé de place. Avant, la plus grosse ligne était la production : journée de tournage, équipe, matériel, lieu. Désormais la plus grosse ligne est la direction et la relecture — décider ce que la scène doit dire, écrire le bon script, choisir parmi trente prises celle qui ne trahit pas son origine et soigner la finition. Cela reste du travail humain, et c'est lui qui sépare une vidéo qui vend d'une vidéo qui impressionne dix secondes.
C'est ainsi que nous faisons la production de vidéos promotionnelles : l'IA là où elle est bonne, la composition là où elle échoue, et un script qui existe avant toute génération.
Sources
Les fonctionnalités et dates de FLUX 3 (vidéo jusqu'à 20 secondes avec audio natif synchronisé, cohérence de personnage, disponibilité générale par API en 1080p depuis le 5 août 2026) proviennent de l'annonce de Black Forest Labs. Le sujet nous est venu par la newsletter Café com AI. Le reste vient de notre propre production.