Dix secondes de vidéo générée, bluffantes. Au plan suivant, votre personnage a changé de mâchoire, de veste et de dix ans d’âge. Entre les deux, aucune erreur de votre part.
La cohérence d’un personnage en vidéo IA décide de la seule chose qui compte dès qu’on enchaîne des plans : regarde-t-on la même personne ? Le problème a beaucoup bougé en peu de temps, et la plupart des méthodes qui circulent répondent encore à un état de l’art périmé.
Pourquoi un modèle perd son personnage en route
Un modèle vidéo ne connaît pas votre personnage. Il part d’un bruit aléatoire et le débruite progressivement jusqu’à obtenir une séquence d’images plausible au regard du prompt et de ce qu’il a appris sur d’immenses volumes de vidéos. Le visage qui en sort est une moyenne statistique compatible avec votre description, pas une identité mémorisée.
Tant que la génération reste dans une même fenêtre, la continuité tient : les images voisines sont produites ensemble, elles partagent le même contexte. Dès que vous relancez une génération pour le plan d’après, ce contexte disparaît et le modèle refait un tirage. Deux tirages à partir de la même description donnent deux personnes différentes, comme deux illustrateurs à qui l’on décrirait une femme brune d’une quarantaine d’années en veste de cuir.
D’où une règle qui n’a pas bougé depuis le premier modèle : tout ce que vous ne verrouillez pas explicitement sera réinventé.
La continuité est devenue une fonction du modèle
Les tutoriels qui circulent partent encore du principe que l’échec est structurel. Il ne l’est plus. Les générations récentes traitent la continuité comme une fonction à part entière, et non comme un effet de bord du prompt.
Trois mécanismes se sont généralisés. La persistance d’état du monde entre plans, poussée à grande échelle par Sora 2 (OpenAI) fin 2025, conserve les propriétés de la scène générée d’un plan au suivant. L’identité réutilisable, baptisée cameos chez Sora, fixe une personne une fois pour la rappeler ensuite. Le conditionnement par images de référence, élargi par Kling 3.0, qui accepte plusieurs images d’un même sujet dans une seule génération, et par le système de référence dédié de Seedance 2.0, remplace la description textuelle par des pixels.
Google a poussé la même logique en janvier 2026 avec sa mise à jour Ingredients to Video : Veo 3.1 conserve un même personnage quand le décor change, et cette brique est descendue jusque dans l’application Gemini et YouTube Shorts. Les trois éditeurs ont convergé, en quelques mois, vers la même réponse.
Retenez le principe plutôt que les noms, car les versions défileront : l’ancre est passée du texte à l’image. Un visage décrit dérive, un visage montré tient.
La dérive longue et le mélange des visages
Ce qui reste non résolu a changé de nature. Deux problèmes décident aujourd’hui du sort d’une production.
Premier point de rupture : la dérive sur le format long. Sur trois ou quatre plans, l’identité tient sans effort. Sur plusieurs dizaines de clips enchaînés, chaque génération réintroduit un écart minuscule, et ces écarts s’additionnent. Le personnage du soixantième plan n’est plus tout à fait celui du premier, sans qu’aucun plan pris isolément paraisse fautif. Une dérive, pas une erreur. Elle ne se voit qu’au montage.
Second point : le brouillage d’identité quand deux personnages partagent le même cadre. Les traits migrent d’un visage à l’autre, les vêtements s’échangent, le modèle fusionne partiellement deux références qu’il traite dans le même espace. Plus les deux personnages se ressemblent, même âge, même type physique, plus l’effet est marqué. ByteDance l’écrit noir sur blanc dans le lancement de Seedance 2.0 : la cohérence multi-sujets reste à optimiser.
Ajoutez-y les objets : accessoires, cicatrices, logos, tatouages. Un détail qui occupe peu de surface dans l’image est la première chose que le débruitage sacrifie.
Quatre leviers qui survivront aux prochains modèles
Aucun des quatre ne dépend d’un produit particulier. Ils tiennent parce qu’ils s’attaquent à la mécanique, pas à une version.
La bible de personnage
Rédigez une fiche figée par personnage : morphologie, âge, coiffure, couleur des yeux, vêtements avec leurs matières, accessoires, et surtout ce qui ne bouge jamais d’un plan à l’autre. Recopiez ce bloc mot pour mot dans chaque prompt, sans le reformuler.
La tentation de varier un peu la formulation entre deux plans est la première cause de dérive évitable. Le modèle ne fait pas la différence entre un synonyme et une nouvelle instruction.
Des pixels plutôt que des adjectifs
Dès que le modèle accepte des images de référence, la description textuelle passe au second rang. Fournissez deux à quatre vues : face, trois quarts, profil, plus un plan large qui montre la silhouette habillée. Une seule image de face suffit rarement : le modèle doit pouvoir deviner ce qu’elle ne montre pas.
Ces références se produisent une fois, avec soin, en amont. Elles deviennent la source de vérité du projet.
Enchaîner par la dernière image du plan
La plupart des modèles acceptent une image de départ, plusieurs acceptent aussi une image de fin (les interfaces parlent de first frame et de end frame). Extraire la dernière image d’un plan pour la donner comme première image du suivant supprime la rupture au raccord.
Le prix à payer est une contrainte de mise en scène : vous héritez du cadre, de la lumière et de la position. Gardez ce procédé pour les raccords dans l’axe et les mouvements continus, pas pour les changements de séquence.
La propagation de référence sur une chaîne longue
Contre la dérive, ne chaînez jamais en cascade. Si chaque plan prend pour référence le plan qui le précède, l’écart se transmet et s’amplifie à chaque maillon. Revenez systématiquement au jeu de références maîtresses, produit une fois et jamais régénéré.
Sur une chaîne de cent clips, c’est la différence entre une identité stable et un lent glissement que personne ne remarque avant la validation client.
Pour les scènes à deux personnages, le contournement le plus fiable relève de la grammaire du cinéma : champ-contrechamp, un visage par plan, plan large court ou cadré de dos. La majorité des dialogues se tournent ainsi depuis un siècle.
Le coût de reprise, pas le coût de génération
Le calcul économique d’une production assistée par IA ne se fait pas au coût de génération, qui est marginal, mais au coût de reprise. Un plan à refaire au milieu d’une séquence validée entraîne ses voisins, parce qu’un raccord se juge toujours par paire.
- Budgétez la préparation avant la génération : la bible et les images de référence concentrent l’essentiel du travail utile.
- Validez sur une chaîne test d’une dizaine de plans avant d’en lancer cent : la dérive reste invisible sur trois.
- Gardez une passe de post-production : uniformiser une identité à l’étalonnage coûte moins cher que régénérer une séquence entière.
Pour les usages où l’identité est contractuelle, publicité avec un visage connu, formation avec un présentateur récurrent, exigez du modèle une identité réutilisable d’un projet à l’autre, pas seulement d’un plan au suivant. C’est le critère qui sépare aujourd’hui les outils de démonstration des outils de production.
Le bon critère de choix a changé
Le plus beau plan de huit secondes ne départage plus rien. Regardez ce que chaque modèle vous laisse comme prises sur l’identité : combien d’images de référence acceptées, quel contrôle sur l’image de fin, quelle réutilisation d’un personnage entre deux sessions de travail. Testez les candidats sur cette grille avant de regarder leurs bandes démo.
Il faut encore revenir aux références toutes les dix secondes pour tenir un visage. Tant que ce sera le cas, un enchaînement de plans générés restera une suite de clips, pas un film.
Questions frequentes
Comment garder le même personnage d’un plan à l’autre en vidéo IA ?
En verrouillant l’identité par des images de référence réutilisées à chaque génération, plutôt que par une description textuelle réécrite à chaque plan. Une fiche de personnage figée, recopiée mot pour mot dans tous les prompts, complète ce verrouillage.
Pourquoi le visage change-t-il entre deux générations ?
Chaque génération est un nouveau tirage à partir d’un bruit aléatoire : le modèle ne conserve aucune mémoire du plan précédent s’il n’est pas explicitement conditionné. Deux tirages issus de la même description produisent donc deux visages différents.
Combien d’images de référence faut-il fournir ?
Deux à quatre vues complémentaires donnent de meilleurs résultats qu’une seule image de face : face, trois quarts, profil et un plan large montrant la silhouette habillée. Certains modèles plafonnent le nombre de références acceptées par génération.
Pourquoi la cohérence se dégrade-t-elle sur les vidéos longues ?
Chaque génération introduit un écart minime qui s’additionne au fil des plans. Sur des dizaines de clips enchaînés, cette dérive devient visible au montage alors qu’aucun plan pris isolément ne semble fautif.
Que faire quand deux personnages apparaissent dans le même plan ?
Les modèles ont tendance à mélanger les traits de deux personnages traités simultanément, d’autant plus s’ils se ressemblent. Le contournement le plus fiable consiste à découper la scène en champ contrechamp, avec un seul visage par plan.
