- Blog
- Workflow IA text to video : quatre contrôles entre un prompt brouillon et le clip final
Workflow IA text to video : quatre contrôles entre un prompt brouillon et le clip final
Une routine IA text to video qui fonctionne : verrouillez le cadre, écrivez des blocs de plan avec un seul mouvement de caméra, liez chaque référence à une fonction précise, puis évaluez chaque rendu selon la même liste de contrôle avant de modifier la moindre ligne.

La plupart des sessions d'IA text to video tournent mal avant même que le modèle ne rende quoi que ce soit, parce qu'on demande à un seul prompt d'accomplir quatre tâches sans rapport les unes avec les autres : décider du cadre, décrire la scène, contrôler la caméra et juger le résultat. Quand le clip revient raté, impossible de savoir laquelle de ces quatre décisions en est la cause ; l'essai suivant change donc tout, et la boucle ne converge jamais.
La solution est procédurale plutôt que créative. Traitez la génération comme une boucle de production à quatre portes de décision, et faites en sorte que chaque porte réponde à une question avant que la suivante ne s'ouvre. C'est la routine qui tient la route sur des clips cinématographiques courts, des plans produit et des versions courtes pour les réseaux sociaux, réalisés dans un outil d'IA text to video comme Seedance 2.0 sur KOOX AI.
Pourquoi le premier prompt n'est jamais le livrable
Un prompt pauvre n'échoue pas d'une manière reconnaissable, et c'est précisément pour cela qu'il est difficile de le corriger. Le guide de prompt Seedance 2.0 de Runway distingue six modes de défaillance : un sujet vague produit un mouvement d'ambiance générique façon banque d'images, une action décrite en termes généraux est inventée au niveau de détail que vous avez omis, l'absence d'éclairage ou d'indication de caméra laisse le plan plat, une référence non assignée laisse déborder une couleur ou un style que vous n'aviez pas voulu, un paragraphe unique et compact ne donne au modèle aucun repère de rythme, et un prompt sans contraintes finales peut renvoyer des sous-titres, des logos ou des filigranes que personne n'a demandés.
Cette liste est diagnostique, pas décorative. Avant de modifier un prompt, nommez lequel de ces six cas vous avez sous les yeux. Une dérive d'ambiance est un problème de sujet, un cadre plat un problème d'éclairage, un logo inattendu un problème de contraintes, et un clip qui coupe alors que vous vouliez un seul plan-séquence un problème de structure. Un seul de ces cas se règle en réécrivant la ligne d'action.
Porte un : verrouillez le cadre avant d'écrire un seul mot
Les réglages que vous choisissez en haut du panneau contraignent chaque phrase qui suit : décidez-les d'abord, plutôt qu'après la déception du premier rendu. Trois d'entre eux comptent plus que les autres.
La durée et le cadrage viennent en premier. Un clip typique dure de cinq à quinze secondes, ce qui porte quelques plans plutôt qu'une séquence complète : comptez les temps forts que vous pouvez réellement y faire tenir avant de les écrire. Le format d'image façonne la composition autant que le cadrage : un cadre vertical appelle une autre répartition du sujet et de l'espace qu'un cadre large, et le même prompt sert rarement les deux.
La résolution vient ensuite, car elle change la façon dont le prompt se lit. Une description taillée pour le détail fin d'un rendu haute résolution est gâchée sur une passe de brouillon, et une passe en résolution brouillon est le bon endroit pour tester le mouvement. Plusieurs modèles proposent aussi des variantes rapides ou mini qui plafonnent la résolution de sortie : un prompt écrit pour un détail maximal ne l'obtiendra pas là.
La durée par action vient en troisième. Si une seule action demande quatre ou cinq secondes pour être lue, un clip de quinze secondes en contient confortablement trois, et cinq seulement si les mouvements sont petits. Écrire six temps forts dans huit secondes est la cause la plus fréquente d'un clip qui semble précipité sans qu'aucun artefact ne soit visible.
Porte deux : écrivez le brief en deux couches, pas une
Seedance répond à un prompt doté d'une structure externe et d'une description interne, et les prompts qui sous-performent fusionnent généralement une couche dans l'autre. La couche externe est la liste de plans : des blocs étiquetés, écrits dans l'ordre où les événements se produisent, pour que le modèle sache comment le morceau est rythmé avant de savoir ce qu'il contient. La couche interne est la prose à l'intérieur de chaque bloc : qui est là, ce que les personnages font, où, sous quelle lumière, et comment la caméra se comporte.
Deux habitudes rendent cela concret. D'abord, écrivez des phrases liées plutôt qu'une liste de mots-clés. Une liste de noms et d'adjectifs ne donne au modèle aucune relation entre eux : chaque élément est rendu littéralement et indépendamment ; les mêmes éléments écrits en phrases lui donnent quelque chose à tenir ensemble. Ensuite, gardez un ordre cohérent à l'intérieur de chaque plan : d'abord le mouvement de caméra ou la transition, puis l'action et l'expression du sujet, puis la position ou le changement spatial, puis le son. Le modèle sépare ce que fait la caméra de ce que fait le sujet, et un ordre stable rend cette séparation plus facile à lire.

Porte trois : huit éléments par plan, un seul mouvement de caméra
Un bloc de plan complet couvre un sujet précis, les détails de l'action, la scène et l'environnement, l'éclairage et le ton colorimétrique, le mouvement de caméra, le style visuel, la qualité d'image et les contraintes. La qualité d'image et les contraintes finales sont les deux que l'on omet le plus souvent, et ce sont celles qui maintiennent un rendu stable.
La ligne de caméra mérite sa propre règle : un seul mouvement par plan. Demander en même temps une avancée, un recul, un panoramique et une inclinaison accroît l'instabilité, et le résultat se lit comme un cadre incapable de décider où regarder. Les mouvements uniques et standard tiennent mieux, et une terminologie simple suffit : plan moyen, gros plan, plan large, lent travelling avant, travelling latéral fluide, plan fixe. Si une séquence a besoin de deux mouvements, donnez-lui deux plans.
Les contraintes appartiennent à la fin, exprimées comme ce qui ne doit pas apparaître. Décrivez la scène elle-même en termes positifs et réservez la formulation négative à la queue du prompt, où une ligne indiquant de rester sans sous-titres et de ne générer ni logo ni filigrane ne coûte rien et évite la catégorie de re-rendu la plus pénible.
Faites bouger le sujet par partie du corps, degré et transition
Un verbe d'action général laisse le modèle inventer les détails, et le passage entre deux actions se lit comme un saut plutôt qu'une continuité. Nommer la partie du corps, ajouter l'amplitude, la vitesse ou la force, et écrire la transition règlent l'essentiel. « Elle ramasse le bol et le porte à l'étagère » devient « elle soulève lentement le bol à deux mains, puis utilise l'élan de son redressement pour se tourner naturellement vers l'étagère ».
La vitesse est une décision de stabilité autant que de style. Un mouvement lent, doux et continu tient mieux qu'une action à haute énergie, et c'est dans la course, les grands sauts et les mouvements violents que les déformations et l'instabilité ont tendance à apparaître. L'émotion suit la même logique : des mots comme fier ou nerveux ne donnent au modèle rien de visible, tandis qu'une épaule affaissée, une expiration et un sourire à peine marqué lui donnent quelque chose à animer.
Porte quatre : liez chaque référence à une fonction
C'est avec les références que l'IA text to video gagne sa cohérence, et c'est là qu'elle la perd le plus souvent. Deux pratiques apportent l'essentiel de la valeur. Définissez le sujet une fois, à l'aide de deux ou trois traits statiques stables, puis utilisez la même étiquette chaque fois qu'il apparaît, pour que le modèle n'ait jamais à deviner de quelle personne dans le cadre vous parlez. Ensuite, liez explicitement chaque élément à ce qu'il gouverne, au lieu de le joindre en espérant : l'image qui fixe la silhouette du produit contrôle la silhouette, la vidéo qui fixe le mouvement de caméra contrôle le mouvement, et rien d'autre n'est emprunté à l'une ou à l'autre.
Utilisez moins d'éléments que le plafond ne le permet. Quatre ou cinq références au total font généralement mieux qu'un jeu complet, car trop d'éléments empêchent le modèle de juger quels traits sont prioritaires, ce qui se traduit par des conflits de style et de la dérive. Pour un personnage, un portrait en gros plan accompagné d'une image en pied ancre un visage bien mieux qu'une seule image combinée où les traits occupent une trop petite partie du cadre.
Mettez le son dans le prompt, à sa place
Quand le modèle génère l'audio dans la même passe que l'image, le design sonore fait partie du prompt et non d'une étape ultérieure. Indiquez la nature de chaque ligne : dialogue, musique et effets sonores ont chacun leur convention, pour que le modèle n'ait pas à déduire si une phrase est parlée, mise en musique ou s'il s'agit d'un bruit dans la pièce. Une ligne de dialogue dans une langue que le modèle ne présuppose pas doit être accompagnée du nom de cette langue.
C'est aussi là que la passe de relecture justifie son existence. Un clip dont l'image est juste mais dont l'ambiance sonore contredit la scène n'est pas une génération ratée : c'est une ligne à réécrire, car la correction se trouve dans le même prompt que celui qui l'a produite.
Évaluez selon une liste fixe, pas selon une impression
La dernière porte est celle que la plupart des sessions sautent. Avant de décider qu'un rendu est bon, inspectez-le selon la même courte liste à chaque fois : la silhouette du sujet reste-t-elle intacte tout au long du mouvement, l'éclairage reste-t-il cohérent d'un plan à l'autre, y a-t-il du texte, un logo ou un filigrane, le mouvement se lit-il comme continu plutôt que saccadé, et le rythme correspond-il à la liste de plans que vous avez écrite.
Les conseils de caméra et de mouvement destinés à une génération contrôlée disent la même chose en termes de production (voir les notes de ReelMind sur la caméra et le mouvement) : inspectez le plan pour la stabilité du mouvement, la préservation de la silhouette et la cohérence de l'éclairage avant de le raccorder à quoi que ce soit. Un clip qui passe ces trois contrôles est utilisable même s'il ne s'agit pas de la prise que vous imaginiez, et un clip qui en échoue un ne peut pas être sauvé au montage.

Affinez une variable à la fois
La raison d'écrire le prompt en blocs étiquetés est que cela rend l'affinage chirurgical. Changez une ligne entre deux générations, gardez tout le reste identique, et la différence dans la sortie est attribuable. Changez la ligne de sujet et la ligne de caméra en même temps et vous n'avez rien appris, même si le second clip est meilleur.
Tenez un journal court à côté des rendus : le bloc de plan, les réglages et l'unique ligne que vous avez modifiée. Quand un clip revient chaotique, le premier geste est généralement de retrancher plutôt que d'ajouter, car trop d'action pour le temps disponible en est la cause habituelle. Si un rendu renvoie des images noires ou échoue complètement, le prompt est souvent simplement trop complexe pour la durée et la résolution choisies : réduire à une action toutes les quelques secondes ou abandonner la résolution de brouillon est une correction plus rapide qu'une nouvelle réécriture.
Une fois qu'un plan passe la liste de contrôle, cessez d'y toucher et passez au plan suivant de la séquence. Un clip terminé est une suite de plans vérifiés, pas un prompt parfait, et c'est pourquoi la routine qui produit une sortie IA text to video fiable ressemble davantage à une liste de contrôle qu'à une phrase magique.