Demandez deux fois la même personne à n’importe quel générateur et vous obtenez des frères et sœurs. La cohérence est le problème le plus difficile du film généré, et de meilleurs prompts ne le résolvent pas. Les modèles n’ont aucune mémoire d’un appel à l’autre ; chaque requête part de zéro. La cohérence doit donc être construite dans les données d’entrée, et toutes les techniques qui fonctionnent sont des variantes d’une même idée : décider une fois de l’apparence du personnage, sous une forme que le modèle peut copier, et lui fournir cette forme à chaque fois.
Pourquoi ça dérive
Une description textuelle est un filet très large. « Femme, trentaine, cheveux bruns » correspond à des millions de visages, et le modèle en choisit un différent à chaque fois. Même une longue description laisse de la marge : la forme de la mâchoire, la coupe de la veste, la nuance exacte. La lumière, l’angle et le style éloignent encore le résultat. Les modèles vidéo aggravent les choses, car ils doivent aussi garder le visage stable d’une image à l’autre et sacrifient la fidélité à la référence au profit de la qualité du mouvement. Sans ingénierie, le spectateur a besoin de sous-titres pour savoir qui est qui.
Premier levier : les références
Donnez au générateur des images, pas des adjectifs. La bible de personnage stocke jusqu’à quatre visages de référence et les transmet à chaque scène où figure le personnage. Dans Histoire en film, le réalisateur dessine une fiche par personnage avant même qu’une scène n’existe : en pied, pose neutre, fond uni, dans le style du film. Une fiche fonctionne parce qu’une image fixe tout ce qu’une description laisse ouvert. Cela seul supprime l’essentiel de la dérive.
Une apparence écrite accompagne l’image : espèce ou âge, visage, cheveux, costume, couleurs, un signe distinctif. Elle est répétée dans chaque prompt de scène, si bien que même une scène qui ne parvient pas à lire l’image décrit le bon personnage. Rédigez-la pour un modèle : des noms concrets et des couleurs, pas « magnifique ».
Deuxième levier : les variantes
Une seule référence de face n’aide pas pour un plan de profil. Les variantes de pose, générées une fois à partir de la bible, couvrent les angles dont vos scènes ont besoin : en pied, en plan taille, tenues alternatives. Mettre la bible à niveau ajoute des variantes sans la reconstruire. La bible est l’opération individuelle la plus coûteuse du studio : construisez-la donc une fois pour les personnages qui apparaissent dans plus de deux scènes et réutilisez-la d’un film à l’autre ; pour un simple figurant, une image de référence suffit.
Troisième levier : les images d’ancrage
Validez une image de storyboard où le personnage est juste, puis générez la vidéo à partir de cette image. Le clip hérite du visage au lieu de le réinventer. C’est le chemin par l’image clé, et nous l’utilisons à tous les niveaux de qualité : le modèle d’image compose l’image fixe à partir des fiches et du prompt, et le modèle vidéo anime cette image. Les modèles d’image suivent bien mieux les références que les modèles vidéo, et une image ratée coûte une fraction d’un clip raté.
Les images de continuité sont le même levier appliqué entre les scènes. Quand une scène prolonge la précédente au même endroit, le clip démarre sur la dernière image du clip précédent, et le personnage, la lumière et le décor se transmettent. Ne l’utilisez que pour de vraies continuités ; un nouveau lieu exige une nouvelle image, sinon l’ancien décor s’y infiltre.
Ce qui n’a pas marché
- Les fonctions de référence des fournisseurs pour la vidéo. Acceptables pour les visages humains, faibles pour les animaux et les objets, et susceptibles de disparaître sans préavis. Nous les avons contournées ; le chemin par l’image clé n’a besoin que de l’image vers vidéo, que tous les fournisseurs proposent.
- Les noms dans les prompts. Le modèle n’a jamais vu « Leyla » et traite le nom comme du bruit. L’apparence doit être décrite en toutes lettres.
- Les prompts très longs. Au-delà de quelques centaines de mots, les modèles privilégient le début et ignorent le reste. Placez l’apparence en premier.
- Les entrées de distribution fusionnées. Une fiche montrant « les animaux » ne peut pas ancrer séparément une grenouille et une chouette. Un seul être par membre de la distribution, et c’est imposé.
Comment savoir si ça a marché
Choisissez trois scènes avec le même personnage et comparez côte à côte le visage, le costume et la palette. Notez chacune de 0 à 2 : identique au premier coup d’œil, reconnaissable avec effort, pourrait être quelqu’un d’autre. En dessous de quatre sur six, régénérez la fiche avant de régénérer la moindre scène ; le défaut se trouve presque toujours dans l’ancre. Un indicateur moins coûteux est le test des sous-titres : regardez sans le son et demandez-vous si vous savez qui parle. Si vous avez besoin du nom à l’écran, la cohérence a échoué.
Corriger un personnage après coup
Ouvrez Personnages dans la barre latérale ; la distribution du film y est enregistrée avec sa fiche. Ajoutez une autre image de référence, une fiche régénérée ou un angle différent, ou remplacez l’image principale. De retour dans le film, régénérez uniquement les scènes où apparaît le personnage. Les personnages vous appartiennent après le film : associez-les à des scènes de n’importe quel autre film, y compris des scénarios que vous écrivez vous-même.
Questions fréquentes
Une photo d’une personne réelle peut-elle servir de référence ? Uniquement pour les styles photoréalistes, et uniquement avec le consentement de la personne. Pour les styles dessinés, générez la fiche dans ce style ; une photo introduit du réalisme dans chaque scène.
De combien d’images de référence ai-je besoin ? Une bonne fiche en pied suffit pour la plupart des films. Une seconde image en gros plan du visage aide pour les scènes composées surtout de visages, et la bible en contient jusqu’à quatre.
Deux personnages peuvent-ils partager une scène de façon fiable ? Oui, si les deux fiches parviennent à l’étape de l’image et que le prompt les nomme par leur position, par exemple la grenouille à gauche et la chouette à droite. À trois ou plus dans une même image, les modèles actuels commencent à mélanger les traits.
