Texte en vidéo avec Veo 3 : six erreurs qui ruinent un bon plan

Veo 3 échoue rarement au hasard. Quand un plan revient avec une caméra qui dérive au-delà du sujet, une main qui fond dans un comptoir ou une réplique qui arrive une demi-seconde après que la bouche s'est arrêtée de bouger, la cause est presque toujours un manque dans le prompt. Le modèle a comblé ce vide à votre place, et il l'a comblé avec sa propre supposition.

Les erreurs ci-dessous sont celles qui gâchent le plus de rendus dans le travail de génération vidéo à partir de texte avec Veo 3, à peu près dans l'ordre de ce qu'elles détruisent dans un plan. Chacune a une correction qui coûte une phrase plutôt qu'un budget de rendus supplémentaires, et chacune se vérifie avant de cliquer sur générer.

Erreur 1 : demander à un seul plan de raconter toute une scène

Une seule génération est un plan, pas une scène. Les exemples Veo de Google DeepMind décrivent chacun un sujet, un comportement de caméra et une ambiance sonore ; les exemples Veo 3.1 publiés par Magic Hour sont eux aussi une génération de huit secondes chacun, avec une note de relecture indiquant que le résultat est un plan d'insertion et non une séquence complète.

L'échec s'écrit facilement par accident : « Elle entre dans le café, commande un flat white, s'assoit près de la fenêtre et vérifie son téléphone. » Cela fait quatre actions qui se disputent huit secondes. Ce qui revient est généralement l'action du milieu, exécutée vaguement, le téléphone apparaissant avant que la main n'atteigne la poche.

Corrigez en choisissant l'action unique qui porte le plan. Gardez l'entrée et le téléphone pour des générations séparées, puis montez-les ensemble dans un logiciel de montage. Si vous n'arrivez pas à décider quelle action compte le plus, le plan n'est pas prêt à être décrit.

Erreur 2 : empiler des mouvements de caméra qui se contredisent

« Panoramique lent, orbite et travelling avant » se lit comme de la cinématographie et se comporte comme trois instructions concurrentes. La liste de dépannage de Magic Hour nomme exactement ce cas : la caméra ignore le plan de travail, et la solution consiste à choisir un seul comportement de caméra, à en préciser la direction et le rythme, puis à supprimer les mouvements qui le contredisent.

Guettez l'indice dans le résultat. Un plan qui n'exécute qu'à moitié un mouvement — qui avance sans jamais monter, ou qui orbite autour d'un sujet sortant du cadre — est généralement un prompt contenant deux mouvements, et non un modèle incapable de déplacer une caméra.

Écrivez un mouvement, une direction, un rythme : « La caméra effectue un lent travelling avant, pour finir sur un plan rapproché des mains. » N'ajoutez un second mouvement qu'une fois le premier réussi tout seul.

Erreur 3 : décrire une ambiance au lieu d'une action visible

Des mots comme cinématographique, premium, émotionnel ou dynamique ne se traduisent pas en pixels. Ce sont des jugements portés sur le plan fini, et le modèle n'a aucun moyen de rendre un jugement. Ce qu'il peut rendre, c'est une surface, une direction de lumière et un mouvement.

La liste des erreurs de Higgsfield fait le même constat par l'autre bout : rattachez l'émotion à quelque chose que la caméra peut voir, comme une main hésitante sur un frein ou un regard qui s'attarde, au lieu de nommer le sentiment. La réparation proposée par Magic Hour est un exercice de substitution : premium devient du métal brossé, une surface mate et une lumière de contour maîtrisée ; cinématographique devient une hauteur de caméra et un rendu d'objectif précis.

Comparez « un moment café premium » avec « de la vapeur qui s'élève d'une tasse blanche sur une table en chêne rayée, lumière matinale basse venant de la gauche, caméra fixe, tasse et soucoupe inchangées ». La seconde version donne au modèle quatre choses qu'il peut réellement dessiner et une chose qu'il ne doit pas modifier.

Erreur 4 : écrire les exclusions comme des ordres

La plupart des rédacteurs de prompts terminent par une ligne du genre « pas de texte, pas de filigrane, pas de personnes en plus ». Le guide de rédaction de prompts vidéo de Google demande la forme inverse : éviter un langage injonctif comme « pas de murs » ou « ne montre pas de murs », et présenter les éléments indésirables sous forme de liste, en nommant les objets que vous ne voulez pas voir.

Deux conséquences pratiques en découlent. D'abord, gardez les exclusions dans la forme que le modèle a appris à lire, c'est-à-dire nommer les objets plutôt que de les contredire. Ensuite, traitez toute exclusion comme une demande et non comme une garantie. Magic Hour est direct sur ce point pour les sous-titres : une instruction visant à exclure du texte reste une demande, et les dernières images doivent tout de même être inspectées pour repérer des lettres parasites.

La ligne devient donc « texte, filigrane, personnes supplémentaires », et l'étape de relecture devient une vérification des deux ou trois images où le texte apparaît d'ordinaire : enseignes, écrans, emballages et toute surface tournée vers la caméra.

Erreur 5 : traiter l'audio comme une légende et non comme une piste

Veo 3 génère l'audio nativement : effets sonores, bruit ambiant et dialogues sortent de la même passe que l'image. C'est le principal avantage du modèle sur les générateurs de vidéo muette, et le moyen le plus rapide de le gâcher est de traiter le son comme un ajout après coup à une description visuelle.

Deux formes d'échec dominent. La première est une réplique trop longue pour le plan : le temps que la phrase se termine, la bouche s'est arrêtée de bouger ou la réplique est coupée. La seconde est une demande audio unique et indifférenciée, où musique, ambiance de la pièce, effets et parole s'empilent dans une seule proposition ; le modèle en retient un et abandonne le reste.

Séparez les couches et nommez la personne qui parle. « Ambiance calme de studio, un cliquetis métallique quand la clé touche la table, pas de musique » est une instruction de mixage. « Elle dit, d'une voix détendue, que tout est prêt pour le premier dîner » est une instruction de jeu. Gardez la réplique assez courte pour tenir dans la durée que vous avez réellement demandée, et comptez ses mots en fonction des secondes plutôt que du scénario.

Erreur 6 : laisser les points de contact et la physique en suspens

Tout ce que le prompt ne précise pas est décidé par le modèle. La liste de contrôle de Higgsfield en fait une passe de vérification concrète avant génération : nommer les points de contact — mains, doigts et tout ce qui touche quoi —, ainsi qu'une source de lumière nommée et la direction du mouvement.

C'est pourquoi les mains sont les victimes classiques. Un prompt qui dit « elle ramasse la clé » laisse la prise, le nombre de doigts et l'angle non résolus, et le rendu les résout quelque part entre le plausible et le faux. Un prompt qui dit « son pouce et son index pincent la clé par son anneau et la soulèvent de la table » laisse bien moins de place.

La physique se comporte de la même manière. Le tissu, les liquides et les cheveux sont les domaines où le modèle improvise le plus ; indiquez donc ce qui doit rester fixe : la veste ne bouge pas, le liquide reste au même niveau dans le verre, le cadran et le bracelet de la montre restent inchangés du début à la fin. Ces lignes coûtent peu, et elles font la différence entre une prise produit utilisable et un nouveau tournage.

Corriger l'instruction, pas tout le prompt

L'instinct, après un mauvais plan, est de tout réécrire, et c'est détruire vos preuves. Changez une instruction par nouvel essai et vous apprendrez quelle phrase était responsable.

Conservez une génération de référence : un plan fixe du même sujet, avec le même audio, dont vous savez qu'il fonctionne. Quand une nouvelle tentative échoue, comparez les deux et nommez la différence. Si l'échec se déplace à chaque fois que vous relancez un texte identique, c'est un problème de prompt. S'il est faux exactement de la même façon à chaque exécution, c'est un problème de réglage, et davantage d'adjectifs n'y changeront rien.

Avant de réécrire, passez le symptôme dans cet ordre : précision du sujet, nombre d'actions, nombre de mouvements de caméra, source de lumière, points de contact, couches audio, puis les invariants. Le premier élément réellement sous-spécifié dans votre texte est celui à corriger, et c'est généralement le seul.

Une vérification qui intercepte l'essentiel avant la génération

Lisez le prompt une fois et cochez chaque ligne. Là où une ligne n'a pas de réponse, le modèle en fournira une.

• Un sujet, décrit assez précisément pour être reconnu à partir du seul texte.
• Une action, formulée avec un verbe dont le résultat est visible.
• Un comportement de caméra, avec une direction et un rythme.
• Une source de lumière nommée, avec une direction.
• Chaque point de contact nommé : mains, pieds, objets posés sur des surfaces.
• Un audio réparti entre parole, ambiance, effets et musique, avec la personne qui parle nommée.
• Une ligne d'invariants : ce qui ne doit pas changer pendant le plan.
• Durée, résolution et format d'image réglés dans l'interface, pas dans la phrase.

Ce dernier point compte plus qu'il n'y paraît. Un prompt qui demande un cadrage vertical ne change pas le canevas de sortie comme le fait un réglage vertical, et un rendu paysage recadré en portrait coupera l'action qui vous importait. Là où l'outil expose le réglage, utilisez le réglage.

Rien de tout cela ne rend Veo 3 prévisible comme l'est un storyboard. Cela rend les échecs lisibles, ce qui est la partie exploitable : un plan qui rate une chose nommée peut être corrigé par un changement nommé, tandis qu'un plan qui rate tout signifie en général que le prompt demandait tout à la fois. Si vous hésitez encore sur les plans qui valent le rendu, les cas d'usage de Veo 3 adaptés aux plans courts traitent ce choix, et le générateur de vidéo Veo 3 est l'endroit où va le prompt corrigé.