Téléversez une photo de vous et de quelqu'un qui vous manque, ou deux photos séparées prises à des années d'intervalle, et transformez cet instant figé en une courte vidéo où vous vous enlacez tous les deux. Construit sur de vrais modèles image-vers-vidéo avec contrôle du mouvement, pas un filtre, vous choisissez donc comment se déroule l'étreinte avant de générer quoi que ce soit.
La tendance "câliner mon jeune moi" s'est propagée parce qu'elle fait ce qu'un filtre n'a jamais pu faire : elle prend deux moments qui ne se sont jamais touchés, une photo d'enfance et une photo d'adulte, ou deux personnes qui n'ont jamais partagé la même pièce, et les laisse s'enlacer un instant. Picasso IA ne simule pas cela avec un modèle tout fait. Il fait tourner les mêmes modèles image-vers-vidéo conçus pour des photos de produits, pointés sur une photo personnelle, si bien que l'étreinte bouge comme le modèle comprend réellement le mouvement, pas comme un préréglage l'aurait décidé.
L'attrait ne tient pas vraiment à la qualité vidéo, il tient au vide précis que le clip comble. Une photo de votre enfance, le portrait d'un parent disparu, l'image d'un ami parti au loin, tous ces moments sont figés à distance. Transformer l'un d'eux en trois secondes de mouvement où les deux silhouettes se rapprochent et s'enlacent donne à l'image fixe une forme de clôture qu'une photo statique ne peut pas offrir, et ce poids émotionnel explique pourquoi le format continue de resurgir sur chaque réseau social au lieu de s'éteindre comme une mode de filtre classique.
Il se trouve aussi que cela correspond exactement à ce que les modèles vidéo actuels font bien. La génération image-vers-vidéo excelle dans le mouvement humain plausible sur un clip court, et une étreinte est un mouvement simple et bien défini : deux silhouettes réduisent une distance et leurs bras s'enroulent. C'est bien plus facile qu'une chorégraphie ou une séquence d'action complexe, ce qui explique en partie pourquoi les résultats semblent souvent convaincants dès le premier ou deuxième essai plutôt que d'exiger des dizaines de tentatives.
Il existe plus d'un chemin vers le même résultat, et celui qui vous convient dépend de votre point de départ : une photo où les deux personnes apparaissent déjà ensemble, deux photos séparées qui doivent d'abord devenir une seule scène, ou une photo plus un mouvement précis que vous voulez reproduire exactement.
| Point de départ | Modèle à utiliser | Ce que vous téléversez | Idéal pour |
|---|---|---|---|
| Une photo, les deux personnes déjà dans le cadre | wan-2.7-i2v ou hailuo-02 | La photo unique, plus un prompt décrivant l'étreinte | Le cas le plus simple, le plus rapide à tester |
| Deux photos séparées, époques ou lieux différents | qwen-image-edit-plus ou nano-banana-2-lite, puis un modèle vidéo | Les deux photos, fusionnées d'abord en un seul composite | "Câliner mon jeune moi", retrouvailles, animaux et propriétaires |
| Un mouvement d'étreinte précis à reproduire | kling-v2.6-motion-control | Votre photo plus une courte vidéo de référence de l'étreinte | Reproduire un geste ou un rythme particulier |
| Test rapide sans vidéo de référence | kling-v2.1 ou kling-v2.6 | La photo et une description textuelle simple | Itération rapide avant de se lancer dans un clip plus long |
Commencez par la première ligne si vos éléments le permettent. Le chemin en deux étapes de la deuxième ligne prend plus de temps car il fait tourner deux générations distinctes, mais c'est le seul itinéraire quand les deux personnes de la vidéo n'ont jamais figuré ensemble sur une même photo.
La plupart des vidéos "câliner mon jeune moi" ne partent pas d'une photo, mais de deux, fusionnées en une seule scène avant que quoi que ce soit ne bouge. C'est l'étape que les gens sautent quand le résultat les déçoit : donner deux photos séparées directement à un modèle vidéo produit généralement quelque chose de confus, car le modèle n'a aucune instruction sur la façon dont les deux photos se situent l'une par rapport à l'autre dans l'espace.
La solution consiste à fusionner d'abord avec un modèle d'édition d'image conçu exactement pour cela. qwen-image-edit-plus et nano-banana-2-lite acceptent tous deux plusieurs images de référence et une instruction en langage courant, et peuvent tous deux placer une personne d'une photo dans la scène d'une autre en gardant son visage et ses proportions reconnaissables. Un prompt comme placez la personne de l'image un à côté de la personne de l'image deux, debout toutes les deux, face à face, avec une lumière chaude d'intérieur produit une seule photo composite où les deux sujets partagent enfin un cadre.
Ce composite est ce que vous confiez ensuite au modèle vidéo. Comme les deux personnes partagent déjà éclairage, échelle et une pose crédible, le modèle vidéo a une tâche plus facile : combler le petit écart restant entre elles plutôt que d'inventer une scène partagée à partir de rien. Cet ordre, fusionner d'abord, animer ensuite, est le facteur qui détermine le plus si le clip final paraît forcé ou paraît réel.
Voici le chemin complet depuis deux photos sur votre téléphone jusqu'à une courte vidéo, couvrant à la fois le cas d'une seule photo et celui de deux photos, sautez donc l'étape qui ne vous concerne pas.
La différence entre une vidéo de câlin qui paraît touchante et une qui paraît dérangeante tient presque toujours au rythme et au cadrage, pas au modèle sous-jacent. Un prompt qui dit simplement deux personnes s'enlacent tend à produire quelque chose de brusque : les bras se mettent en place d'un coup, l'étreinte commence et finit dans la même seconde, et le mouvement paraît mécanique plutôt que chaleureux.
Décrire le mouvement par étapes règle la plupart de ces problèmes. Décomposez l'étreinte en temps forts : ils marchent l'un vers l'autre, marquent une pause, ouvrent les bras et s'enlacent lentement, en maintenant l'étreinte un instant. Nommer la pause compte plus que tout autre mot, car c'est la partie qu'un prompt bâclé oublie en premier et celle qui se lit comme de l'émotion plutôt que de la chorégraphie. Garder la caméra plutôt fixe, au lieu de demander un mouvement cinématographique ample, aide aussi, car un plan statique laisse le spectateur se concentrer sur l'étreinte.
Si les mains ou les bras générés paraissent bizarres au point de contact, ne continuez pas à régénérer tout le clip à l'aveugle. Essayez d'abord une durée plus courte, car les points de contact sont généralement là où un modèle vidéo est le moins sûr de lui, et un clip de cinq secondes lui laisse moins de temps pour s'éloigner d'une erreur commise tôt.
La cohérence de la lumière entre les deux photos source compte aussi plus qu'on ne le pense. Une photo fusionnée où une personne a une lumière chaude d'intérieur et l'autre une lumière froide de jour tend à transmettre cette incohérence à la vidéo, car le modèle la traite comme faisant partie de la scène plutôt que comme quelque chose à corriger.
Ce format est authentiquement émouvant quand il fonctionne, et c'est justement pour cela qu'il mérite un compte-rendu honnête de quand il ne fonctionne pas.
Rien de tout cela ne signifie que le format ne fonctionne pas. Cela signifie qu'il faut prévoir deux ou trois essais plutôt que d'attendre que la première génération soit la bonne, ce qui est vrai pour la plupart des générations vidéo par IA.
Oui, si les deux personnes apparaissent déjà ensemble sur cette photo. Téléversez-la sur un modèle image-vers-vidéo comme wan-2.7-i2v ou hailuo-02 et décrivez l'étreinte souhaitée ; le modèle anime la scène existante sans avoir besoin de rien combiner. L'étape de fusion de deux photos ne compte que lorsque vos sujets proviennent d'images séparées qui n'ont jamais été prises ensemble.
Utilisez un modèle d'édition multi-images, qwen-image-edit-plus ou nano-banana-2-lite, tous deux disponibles dans le Toolkit. Téléversez les deux photos et écrivez une instruction simple décrivant comment les deux personnes doivent être positionnées ensemble, debout, proches, face à face, avec un éclairage cohérent. Le résultat est une photo composite, que vous animez ensuite avec un modèle vidéo comme étape séparée.
Il n'existe pas de meilleur choix unique, car le bon pick dépend de votre point de départ. wan-2.7-i2v et hailuo-02 produisent tous deux un mouvement naturel et physiquement crédible à partir d'une seule photo et d'un prompt texte. kling-v2.6-motion-control est le choix le plus solide quand vous disposez d'une vidéo de référence de l'étreinte exacte à reproduire, car il transfère ce mouvement précis au lieu d'en générer un à partir d'une description.
Le point où les mains pressent une épaule ou un dos est la partie la plus difficile d'une étreinte à bien rendre pour n'importe quel modèle vidéo actuel, car les doigts impliquent un détail fin dans une zone petite et en mouvement rapide du cadre. Les clips plus courts tiennent généralement mieux que les longs, et un prompt plus précis sur l'emplacement des mains aide souvent plus que de simplement régénérer la même demande.
Oui, et c'est l'un des usages les plus courants du format. Téléversez une photo claire de vous et une photo claire de la personne que vous voulez inclure, fusionnez-les en une seule scène avec un modèle d'édition puis animez le résultat. Considérez le résultat comme un hommage visuel tendre, car le modèle génère une étreinte plausible, pas la reconstitution d'un moment réel qui s'est produit.
Les modèles image-vers-vidéo actuels sur Picasso IA génèrent des clips courts, typiquement de cinq à dix secondes selon le modèle. Cette durée convient bien au format, puisqu'une étreinte est déjà un mouvement bref en soi, et dépasser dix secondes augmente le risque qu'un visage ou une proportion dérive au milieu du clip sans rien ajouter dont la tendance a besoin.
Pas forcément, mais un angle plutôt de face ou de trois quarts sur les photos source donne au modèle l'information la plus claire pour travailler. Une étreinte tourne naturellement les deux visages partiellement loin de la caméra à mesure qu'elle se produit, ce qui est déjà un angle plus difficile pour ces modèles qu'un portrait de face, donc partir d'une photo claire, bien éclairée et de face donne à la génération la meilleure base.
Oui, la même approche en deux étapes fonctionne pour une personne enlaçant un animal, ou même deux animaux, tant que les photos source sont claires. Fusionnez d'abord les deux sujets en une seule scène s'ils viennent de photos séparées, puis animez l'étreinte avec les mêmes modèles vidéo utilisés pour les personnes. Le pelage et les pattes se comportent différemment des mains, et rendent généralement de façon un peu plus indulgente au point de contact.
Le décalage se répercute généralement sur la vidéo finale, car l'étape de fusion traite les deux photos comme faisant partie d'une seule scène voulue plutôt que de corriger leur éclairage différent. Dans la mesure du possible, mentionnez l'éclairage souhaité dans le prompt de fusion, lumière chaude d'intérieur ou lumière douce de jour, pour que le modèle d'édition égalise la différence avant que le modèle vidéo ne voie le composite.
L'étape de fusion et celle de génération vidéo coûtent toutes deux des crédits, et le total dépend des modèles et réglages choisis, car une vidéo plus longue ou en plus haute résolution coûte plus qu'une courte en basse résolution. Les nouveaux comptes démarrent avec des crédits gratuits, suffisants pour tester le flux en deux étapes avant de dépenser quoi que ce soit d'autre, et les tarifs actuels des plans figurent sur la page tarifs, le seul endroit fiable pour des chiffres exacts.
Deux photos et quelques minutes suffisent pour essayer. Ouvrez le Toolkit, fusionnez vos images si besoin, et regardez à quoi ressemble l'étreinte en mouvement.
