Monter une vidéo entièrement avec Claude, plans compris

Monter une vidéo entièrement avec l'IA consiste à régénérer les plans manquants à partir d'une voix et d'images de référence, puis à piloter la timeline en langage naturel. Sur ce projet, une prise unique filmée au téléphone est devenue un reel vertical de 56 secondes et 33 plans : les plans ont été régénérés par Seedance 2, via Dreamina et Magnific, et le montage a été mené par Claude dans Palmier Pro. Voici la méthode, les 34 530 crédits dépensés et les deux pièges qui ont failli me coûter la livraison.

Le résultat

Le montage final arrive iciLa version publiable est en cours de reprise. Les extraits de cet article montrent les plans tels qu'ils sortent de la chaîne.

La chaîne d'outils, étape par étape

Voici les outils utilisés à chaque étape, avec leur coût réel. Les crédits sont l'unité du forfait Magnific, qui agrège une cinquantaine de modèles d'image et de vidéo derrière une seule facturation.

Le point de départ : une voix, des images, un décor inventé

Myriam Allouche, dirigeante du cabinet de conseil RH Horizon Humain, m'envoie une vidéo tournée avec son téléphone, une minute face caméra sur l'employabilité. Bureau blanc, lumière du jour, un micro de podcast dans le champ, aucune caméra B. Le propos est bon, le débit est rapide, 209 mots par minute, et il n'y a rien à jeter dans le texte. Le problème est ailleurs : une minute d'un seul plan fixe ne tient pas sur un fil vertical, où l'œil décroche au bout de 4 secondes sans rupture.

La question que je voulais trancher est simple. Jusqu'où peut-on aller si on refuse de retourner quoi que ce soit ? La matière de départ tient en trois briques. La voix, extraite de la prise et transcrite au mot près. Des images fixes, prélevées aux moments clés du discours. Et un décor qui n'existe nulle part, généré à partir d'une de ces images : un plateau d'interview sombre, mur vert horizon, halo magenta derrière la tête, petite lampe ambre hors foyer. À partir de là, tout le reste a été fabriqué.

Le premier montage se fait sans aucun modèle génératif, avec ffmpeg. Les respirations sont resserrées à 0,12 seconde au lieu d'être supprimées, ce qui garde le naturel. Une redite orale saute, ainsi que l'aparté final : la personne filmée continue de parler 6 secondes après sa chute, ce qui arrive à peu près toujours. La prise passe de 68,3 secondes à 54,4 secondes. C'est cette version, muette encore de toute image nouvelle, qui devient la référence pour tout ce qui suit.

Régénérer des plans avec Seedance 2, sur Dreamina et Magnific

Pour créer du rythme, il faut des angles. Un seul modèle du catalogue accepte simultanément une référence vidéo et une référence audio : Seedance 2, chez ByteDance, que j'utilise via Dreamina pour les itérations et via Magnific quand je produis par API. Magnific est branché en MCP directement dans Claude, ce qui me permet de lancer une génération, de récupérer le fichier et de le mesurer sans jamais quitter le terminal.

Le principe de ces modèles change la façon de travailler. Ils rejouent la scène entière : la personne, son micro, son décor, sa gestuelle, calés sur la piste audio fournie. Rien n'est découpé, donc aucun bord ne trahit le trucage. Trois références partent ensemble à chaque appel : la vidéo pour la performance à conserver, l'audio pour la synchronisation labiale, et l'image du décor. Ce projet a tourné sur Seedance 2.0, dans ses variantes Pro et Mini, et Dreamina propose depuis une version 2.5 du modèle.

La variante Mini du modèle, deux fois moins chère que la Pro, conserve bien mieux le sujet : le micro reste dans le champ, le cadrage ne s'élargit pas. En revanche elle ignore complètement un décor décrit en mots, et rend une pièce claire qui ne raccorde avec rien. En lui donnant la plaque de décor en référence image plutôt qu'en description, elle le prend visuellement. Sujet conservé et décor tenu, pour la moitié du prix. C'est le réglage le plus utile que j'aie trouvé sur ce projet.

Les angles de côté suivent la même logique, avec une contrainte que je n'avais pas anticipée. Comme chaque clip généré porte la portion de voix qu'on lui a donnée, un angle n'est pas réutilisable ailleurs dans le film : le poser sur un autre passage y mettrait les mauvaises paroles. J'ai donc généré un angle par acte du discours, ce qui donne au passage un montage plus juste qu'une caméra B qui sauterait d'un point de vue à l'autre toutes les 3 secondes.

Ce qu'il faut écrire dans le prompt tient en quelques interdits, sans lesquels le raccord casse : la personne ne se tourne pas vers la nouvelle caméra, son regard reste dirigé vers l'axe d'origine désormais hors champ, ses mains ne bougent pas, elle ne saisit pas le micro. J'ajoute systématiquement une exigence de grain de peau visible et d'absence de lissage, sinon le modèle rend un visage de publicité pour crème qui jure avec le reste.

Reste la bouche. Le mouvement labial natif de ces modèles ne suffit pas pour un gros plan, il faut une passe de synchronisation séparée. J'en ai testé quatre. Le moteur à 5 crédits la seconde rend une bouche floue et tronque la durée du clip. Celui à 320 crédits plafonne à 69 % de la netteté du moteur à 140, avec des rouges délavés en prime. Le bon choix coûtait deux fois moins cher que celui que j'avais payé.

Le montage, piloté par Claude dans Palmier Pro

Le montage s'est fait dans Palmier Pro, un éditeur vidéo macOS qui expose 46 outils par MCP, le protocole qui permet à un assistant de piloter une application. Concrètement, depuis le même terminal Claude Code qui me sert à construire ce site, Claude importe les médias, crée la timeline, pose les 33 clips à la frame près, applique les recadrages, écrit les sous-titres, règle l'étalonnage et lance l'export. Je n'ai pas déplacé un seul clip à la souris.

Ce que j'y gagne, c'est de monter sur des mesures plutôt qu'au jugé. Pour raccorder les plans générés avec les plans d'origine, j'ai lu le rapport entre le rouge et le vert dans les tons moyens, celui de la peau : 1,34 sur le plan de face, 1,62 sur les plans de côté qui tiraient vers le cuivre, ramené à 1,31 après correction. Même méthode pour le son. La voix sortait à 18,5 dB sous le maximum et la musique à 22,7, soit 4 dB d'écart quand il en faut environ 12. Les gains ont été posés à partir de ces chiffres.

Ce storyboard est le vrai garde-fou du budget. Tant qu'il n'est pas validé, aucun crédit ne se dépense, parce que c'est lui qui dit quoi générer, pour quelle durée et à quel timecode. Le rythme repose sur trois sources : les échelles du plan de face, qui doivent différer d'au moins 20 % sous peine de jump cut, les angles de côté, et 3 b-rolls illustrés seulement. Au-delà de trois, les inserts sur fond clair transforment un montage sombre en stroboscope.

Le moment le plus travaillé du plan sonore est un silence. Une demi-seconde de coupure totale de la musique sur la question qui porte la chute. Aucun impact, aucun riser, rien.

Quand l'IA fait dire autre chose à la personne filmée

Un modèle qui régénère une prise à partir d'une voix peut faire dire à la personne filmée autre chose que ce qu'elle a dit. Des phrases entières remplacées, avec une synchronisation labiale parfaite et une voix qui ressemble à la sienne. C'est la découverte qui justifie à elle seule d'écrire ce retour d'expérience.

Un exemple relevé sur ce projet, et pas sur n'importe quel passage : l'accroche du film, celle que le spectateur entend en scrollant. Là où Myriam disait « c'est quand vous n'en avez plus », le plan généré lui faisait dire « vous êtes un jeune diplômé qui débarque sa carrière après décembre ». Dans un autre passage, « parce que la loyauté, c'est bien » devenait « si le locataire est bien ». Sur 6 générations, 2 avaient réécrit le propos. Si vous regardez le rush en surveillant l'image, vous ne voyez rien.

Le contrôle qui règle le problème tourne en local, en quelques secondes, et ne coûte rien. Je compare l'enveloppe d'énergie de l'audio du plan généré avec celle de la voix d'origine, et je lis le coefficient de corrélation. Au-dessus de 0,9, le plan est fidèle. En dessous de 0,5, le texte a été réécrit. Les valeurs relevées ne laissent aucune place au doute : 0,983 à 0,993 pour les plans fidèles, 0,240 et 0,252 pour les deux plans truqués. Un plan globalement infidèle peut d'ailleurs garder des segments corrects, que la même mesure localise, ce qui permet d'en sauver 2 ou 3 secondes au lieu de jeter le fichier.

J'ai fait ce contrôle une fois le montage terminé. Résultat : le montage a été entièrement reconstruit sur les seules générations fidèles, 7,5 secondes se sont retrouvées sans source valable et ont été comblées par des b-rolls, et la version livrée est un montage partiel assumé. Cette vérification est désormais une étape obligatoire de ma recette, à faire sur chaque plan avant de le poser dans la timeline.

Le deuxième piège tient en une phrase : quand la source est trop molle, la traiter ne la sauve pas. Ma première architecture consistait à détourer la personne pour l'incruster sur le décor généré. Le masque était propre, stable sur 1 635 images, sans le moindre décrochage. Il a quand même fallu abandonner cette voie après deux jours, parce que la source en 576 pixels de large, agrandie jusqu'à 3,6 fois par les recadrages, restait molle à côté de plans générés nets. Trois rattrapages ont échoué avant que je me rende à l'évidence : régénérer coûte moins cher que réparer, et rend mieux.

Deepfake : ce que la loi impose avant de publier

Autant nommer les choses. Ce que j'ai produit est un hypertrucage, ce que tout le monde appelle un deepfake : un contenu vidéo généré par IA qui représente une personne existante et qu'un spectateur peut prendre pour authentique. Le mot est associé aux usages malveillants, mais la qualification juridique ne dépend pas de l'intention. Une vidéo de marque bienveillante et un trucage nuisible relèvent du même cadre, et c'est le consentement plus la transparence qui font la différence.

En droit français, le texte central est l'article 226-8 du code pénal. Diffuser un montage réalisé avec les paroles ou l'image d'une personne sans son consentement est puni d'un an d'emprisonnement et de 15 000 euros d'amende, peines portées à 2 ans et 45 000 euros quand la diffusion passe par un service en ligne. La loi SREN du 21 mai 2024 a étendu ce texte aux contenus visuels ou sonores générés par un traitement algorithmique, ce qui vise directement les modèles utilisés ici. L'infraction tombe dans deux cas : la personne a consenti, ou la nature artificielle du contenu est expressément mentionnée. Un contenu à caractère sexuel relève de l'article 226-8-1, plus sévèrement puni.

Au civil, l'article 9 du code civil fonde le droit à l'image, indépendamment de toute poursuite pénale. Une autorisation de filmer ne vaut pas autorisation de régénérer : le consentement doit porter sur ce qu'on fait réellement de l'image, ici la recomposition de plans qui n'ont pas été tournés.

Côté européen, l'article 50 du règlement sur l'intelligence artificielle impose à celui qui déploie un système générant un hypertrucage d'indiquer que le contenu a été généré ou manipulé artificiellement. Cette obligation s'applique à partir du 2 août 2026, comme le détaille mon article sur le calendrier de l'AI Act. Une exception existe pour les œuvres manifestement artistiques, satiriques ou de fiction, où la mention doit rester compatible avec la lecture de l'œuvre. Une vidéo de communication d'entreprise n'entre pas dans cette catégorie.

Ce que j'en tire comme règle de production tient en quatre points. L'accord de la personne filmée se demande avant de générer, par écrit, et il porte explicitement sur la recomposition de son image et de sa voix. La mention « vidéo générée par IA » accompagne la publication, en légende du post plutôt que gravée dans le média, pour ne pas abîmer les 2 premières secondes qui décident de l'audience. Le propos tenu à l'écran est vérifié plan par plan, puisqu'un rush infidèle ferait tenir à quelqu'un des paroles qu'il n'a jamais prononcées. Et un plan dont la fidélité n'est pas démontrée ne sort pas, même retouché au montage.

Myriam Allouche a donné son accord explicite pour la vidéo comme pour cet article. C'est aussi une question de confiance : personne n'a envie de découvrir après coup que son visage a servi à un exercice technique.

Combien coûte une vidéo IA de 56 secondes

Le projet a consommé 34 530 crédits sur les 45 000 de mon forfait Magnific, en une session. Rapporté au prix de l'abonnement Premium+, 36 euros par mois, cela représente environ 28 euros de crédits pour 56 secondes de vidéo. Le poste dominant est écrasant : 26 700 crédits pour les seuls plans de côté, génération et synchronisation labiale confondues. Le reste se répartit entre les décors, les b-rolls, la musique et les essais.

Trois règles auraient divisé cette facture. Générer en basse définition tant qu'il s'agit de valider une direction, le piqué se juge en fin de course. Vérifier le tarif du poste avant de choisir le modèle, y compris quand la doctrine est déjà écrite. Et ne jamais lancer une série avant qu'un exemplaire ait été validé. Je les avais écrites avant de commencer. Je ne les ai pas appliquées, et c'est exactement pour cela que je les répète ici.

Les briques open source de la chaîne

Un détail que les démonstrations de vidéo IA passent volontiers sous silence : la moitié de cette chaîne tourne en local, gratuitement, sur des projets open source. Le découpage, les mesures, les masques, les sous-titres, le contrôle de fidélité et la synthèse des effets sonores n'ont consommé aucun crédit. Ils méritent d'être cités nommément.

• whisper.cpp, licence MIT, maintenu par ggml-org : la transcription en local avec des horodatages par token, socle des coupes et des sous-titres.
• RobustVideoMatting, licence GPL-3.0, de Shanchuan Lin et ses coauteurs, publié à WACV 2022 : le détourage vidéo avec un alpha continu et sans frémissement de contour.
• Real-ESRGAN, licence BSD-3-Clause, de Xintao Wang et ses coauteurs au Tencent ARC Lab : l'agrandissement local des rushes.
• ONNX Runtime, licence MIT : l'exécution des deux modèles précédents sur la puce Apple, sans installer PyTorch.
• FFmpeg : les coupes à la frame, les mesures de niveau, les contrôles qualité et la fabrication des effets sonores.
• Palmier Pro, licence GPL-3.0 : l'éditeur et son serveur MCP sont ouverts, seule la partie génération par IA est un service payant.

Ces projets sont exactement ce qui rend l'exercice reproductible sans budget illimité. Ils portent aussi une petite ironie : le modèle de détourage vient des mêmes laboratoires que le modèle de génération vidéo utilisé plus haut.

Ce que je retiens de ce montage 100 % IA

La chaîne fonctionne, et c'est ce qui rend le sujet sérieux. Une prise unique filmée au téléphone donne un reel de 56 secondes avec 4 angles de caméra, un décor de plateau, des sous-titres karaoké et un plan sonore travaillé, sans reconvoquer personne. La partie créative reste entièrement humaine : le scénario, le découpage, le rythme, le choix du silence.

Ce qui change, c'est la nature du contrôle qualité. Sur un tournage, ce que vous filmez est ce que la personne a dit. Ici, il faut le prouver, plan par plan, avec une mesure. Cette étape ne figurait dans aucun tutoriel que j'ai lu avant de commencer, et c'est pourtant elle qui décide si le livrable est publiable.

Le dernier apprentissage est le plus banal, et je le retrouve sur tous les projets IA que j'accompagne, y compris quand il s'agit de bâtir un copilote marketing ou de choisir ses outils : la vitesse de génération ne remplace jamais le cadrage. Le script se valide avant le storyboard, le storyboard avant la première dépense. Chaque fois que j'ai inversé cet ordre, j'ai payé deux fois.

Si vous voulez la version amont de cette méthode, celle qui part d'un scénario et d'images fixes plutôt que d'une prise réelle, elle est détaillée dans mon retour d'expérience sur la vidéo de Nantes à VivaTech. Et si vous vous demandez par où commencer pour installer ce genre de chaîne dans votre équipe, la méthode que j'applique en accompagnement répond à la même logique : cadrer, mesurer, itérer.