Écrivez un script et transformez-le en vidéo avec narration, clips générés, sous-titres incrustés et fond musical. Sans caméra, sans micro et sans visage à l’écran. Chaque élément est un modèle distinct du toolkit, et vous décidez de ce qui reste et de ce qu’on régénère.
Ces clips motivationnels avec une voix posée, des images lentes de montagnes ou de lumières de ville et quelques mots forts à l’écran suivent tous la même recette, et aucun n’a besoin d’un visage devant la caméra. Vous écrivez un script, vous le transformez en narration, vous générez un clip pour chaque phrase, puis vous ajoutez des sous-titres et de la musique. Chaque élément est un modèle distinct de Picasso IA, et cette page montre comment ils s’enchaînent.
Le format est simple exprès: une voix qui parle lentement, des images qui portent l’ambiance, une poignée de mots à l’écran à la fois. Le coût de la méthode traditionnelle se situe autour de cette simplicité: les images, c’est un abonnement à une banque de stock ou une heure à chercher le bon lever de soleil, et la voix, c’est une pièce silencieuse et un bon micro. Chacune de ces choses est désormais une génération que vous pouvez répéter jusqu’à ce que ça colle.
Picasso IA met toute la chaîne au même endroit. Le catalogue compte 502 modèles, dont 75 modèles de langage pour le script, 24 de synthèse vocale, 121 de texte vers vidéo et 10 de musique, et tous tournent dans le toolkit. Parcourez le catalogue complet pour voir ce qui se trouve à côté des modèles cités ici. Les nouveaux comptes reçoivent des crédits gratuits, de quoi réaliser une courte vidéo d’essai avant de décider quoi que ce soit. Ce que coûte chaque étape dépend du modèle et des réglages, donc c’est la page des tarifs qu’il faut consulter, pas celle-ci.
Sans visage veut dire exactement cela: personne devant la caméra, et une voix soit synthétique, soit la vôtre. Pour la vue à l’échelle d’une chaîne, avec niches et routines de publication, lisez la page sur les vidéos YouTube sans visage. Cette page couvre un seul format, la courte vidéo motivationnelle.
Le script est la seule étape où l’IA doit assister et non signer. Un modèle de langage comme claude-sonnet-5 ou gpt-5 rédige un brouillon en quelques secondes, et ce brouillon vaut ce que vaut la consigne. Donnez-lui le public, la durée en secondes parlées, le ton et une seule idée, et demandez des phrases courtes avec une image par ligne, car chaque ligne devient un plan.
Voici la règle qui compte le plus sur cette page: ne demandez jamais à un modèle une citation d’une personnalité pour l’afficher à l’écran. Les modèles de langage produisent des citations avec un aplomb total, et une bonne partie sont mal attribuées ou purement inventées. Coller un vrai nom sur des mots que cette personne n’a jamais dits est injuste envers elle et gênant pour vous. Écrivez avec votre propre voix, ou ne mettez aucun nom sur les phrases. Si une vraie citation compte pour votre vidéo, copiez-la depuis une source que vous avez ouverte vous-même et citez cette source.
La même prudence vaut pour les voix. Utilisez une voix du catalogue ou la vôtre, jamais celle d’une personne réelle et identifiable qui n’a pas donné son accord. Relisez ensuite le script final à voix haute une fois avant de générer quoi que ce soit, car l’oreille repère une phrase maladroite en deux secondes.
Les images donnent son caractère à la vidéo, et il y a plusieurs façons de les produire. Le tableau compare les options réalistes sur Picasso IA, avec le compromis de chacune.
| Approche | Modèle à essayer | Bien pour | Attention à |
|---|---|---|---|
| Un clip par phrase du script | veo-3.1 | Des plans propres en 1080p de 4, 6 ou 8 secondes, en 16:9 ou 9:16 | Huit secondes, c’est court, prévoyez une idée par clip |
| Plusieurs scènes en un seul lancement | kling-v3-video | Jusqu’à 6 scènes et 15 secondes en une génération | Les scènes partagent le lancement, donc en refaire une revient à tout relancer |
| D’abord une image fixe, puis le mouvement | un modèle d’image, puis l’un des deux modèles vidéo avec une image de départ | Fixer le look avant de dépenser sur la vidéo | Une étape de plus, et les mots de style doivent rester identiques |
| Images d’ambiance sans personnes | veo-3.1 | Lever de soleil, océan, route de montagne, ville la nuit | C’est le look le plus vu du genre, ajoutez donc un détail précis |
| Une figure fictive à travers les scènes | veo-3.1 avec images de référence | Une silhouette ou un personnage récurrent | Les visages dérivent d’un clip à l’autre, gardez-les loin de l’objectif |
Quel que soit votre choix, répétez les mêmes mots de style dans chaque prompt, comme l’heure de la journée, la sensation de l’objectif et la palette de couleurs. C’est ce qui fait que huit clips séparés se lisent comme un seul film. L’audio des clips est remplacé de toute façon par votre narration, donc pour ce format vous pouvez le laisser désactivé. Pour en savoir plus sur ce type d’images d’appoint, voyez la page sur le b-roll par IA.
Voici la chaîne du script au fichier final. Tout se passe dans le toolkit, un modèle par étape, et chaque étape passe son résultat à la suivante.
L’ordre des deux dernières étapes n’a rien d’arbitraire. Autocaption lit la piste audio pour la transcrire, donnez-lui donc la narration seule, avant toute musique. La musique vient en dernier, en mode mixage et non en mode remplacement, avec le multiplicateur de volume bien en dessous de un pour que la voix reste devant. Écoutez ensuite le résultat sur le haut-parleur d’un téléphone, là où la plupart des gens l’entendront.
Les sous-titres méritent un peu de style. Autocaption vous laisse choisir la police, la couleur, le contour, la position à l’écran, le nombre de caractères par ligne et une couleur de surlignage pour le mot prononcé. Ses propres notes suggèrent une ligne plus courte et une taille plus petite pour les reels que pour une vidéo classique, partez donc de là pour les clips verticaux. Il fournit aussi la transcription sous forme de fichier. Si un nom ou un mot inventé est mal orthographié, modifiez la transcription et relancez avec la version corrigée plutôt que de vivre avec l’erreur.
Regardez la vidéo terminée une fois sans le son. Si elle se comprend encore, et qu’aucun sous-titre n’est coupé par le bord de l’écran ou caché derrière un bouton de l’appli, elle résistera à la façon dont la plupart des gens regardent vraiment.
Pour la musique, décrivez un style et une ambiance dans le prompt et activez le mode instrumental, qui n’a pas besoin de paroles. Un piano cinématographique lent qui monte peu à peu laisse respirer la voix. Une piste générée est un audio nouveau, mais les plateformes ont leurs propres règles sur les médias générés par IA et sur les contenus répétitifs ou produits en masse, et ces règles changent. Lisez les exigences actuelles de la plateforme où vous publiez avant de construire un calendrier autour d’un seul outil. Il y a plus sur cette étape dans les pages sur la musique de fond pour vidéos et les sous-titres automatiques pour vidéos.
Ce format a des aspérités, et mieux vaut les connaître avant de générer une douzaine de clips.
Rien de tout cela ne fait de ce format une mauvaise idée. Le travail humain se déplace simplement vers le script, le choix des clips et l’écoute finale.
Oui, et cette page est construite autour de cela. La narration vient d’un modèle de synthèse vocale ou de votre propre enregistrement, l’image vient de clips générés et les mots à l’écran viennent des sous-titres. Si vous voulez un personnage récurrent, prenez-en un fictif et comptez régénérer quelques clips jusqu’à ce que le visage paraisse stable.
Un par tâche. Un modèle de langage comme claude-sonnet-5 rédige le brouillon, speech-2.8-hd le lit à voix haute, veo-3.1 ou kling-v3-video fait les images, video-merge et video-audio-merge assemblent les éléments, autocaption ajoute les sous-titres et music-2.6 crée la piste. Vous pouvez remplacer n’importe lequel par un autre modèle de la même catégorie du catalogue, qui compte 24 modèles de synthèse vocale et 121 de texte vers vidéo.
Elle écrit vite un premier brouillon, et ce brouillon est un bon point de départ, mais il ne devrait pas être le script final. Les modèles s’appuient sur des tournures connues, donc un brouillon non retravaillé ressemble à toutes les autres vidéos motivationnelles. Donnez au modèle un public précis et une idée, puis réécrivez les lignes qui sonnent génériques. La vidéo n’est aussi distinctive que le script avec lequel vous terminez.
Ne générez pas de citations pour y coller un vrai nom, car les modèles inventent ou attribuent mal les citations sans prévenir. Si une vraie citation compte, copiez-la depuis une source que vous avez vérifiée et citez-la. Quant aux voix, prenez une voix du catalogue ou la vôtre, et n’imitez jamais une personne réelle qui n’a pas donné son accord. Dire qu’il ne s’agissait que d’une voix d’IA ne change pas à qui elle ressemble.
Il n’y a pas de limite unique, car la vidéo finale est assemblée à partir de clips. veo-3.1 produit des clips de 4, 6 ou 8 secondes et kling-v3-video va jusqu’à 15, et video-merge réunit autant de clips que vous lui en donnez. Les vraies limites sont donc la longueur de votre script et le nombre de clips que vous voulez générer et vérifier.
Oui. Les deux modèles vidéo peuvent sortir en 9:16, et kling-v3-video fait aussi du 1:1. Autocaption propose des réglages de lignes plus courtes et de police plus petite adaptés aux reels, et vous pouvez déplacer les sous-titres pour que les applis ne les recouvrent pas. Générez les clips en vertical dès le départ plutôt que de recadrer ensuite des clips horizontaux.
Personne ne peut le promettre dans un sens ou dans l’autre, et les règles changent. Les plateformes publient des politiques sur les contenus répétitifs ou produits en masse et sur l’étiquetage des médias générés par IA, et leur application évolue avec le temps. Lisez les exigences actuelles de chaque plateforme où vous publiez, étiquetez vos vidéos comme elles le demandent et voyez dans un script distinctif et des images variées votre meilleure protection, car ces politiques visent surtout les envois quasi identiques.
Lancez autocaption sur la vidéo qui porte déjà la narration finale. Il transcrit l’audio qu’il entend et cale chaque mot dessus, donc la synchronisation suit votre voix et non une supposition. Si vous modifiez la narration ensuite, relancez les sous-titres, car le minutage appartient à l’ancien audio. Faites-le avant d’ajouter la musique pour que la transcription n’entende que la voix.
Oui. Enregistrez vous-même la narration et ajoutez-la avec video-audio-merge à la place de la voix générée. Si vous voulez une version IA de votre propre voix, la page sur le clonage de voix par IA l’explique, avec une règle qui ne plie pas: ne clonez qu’une voix qui est la vôtre, jamais celle de quelqu’un d’autre.
Elle se paie en crédits, et le total dépend du nombre de modèles que vous utilisez et de leurs réglages. Les clips vidéo sont généralement la plus grosse part. Les nouveaux comptes démarrent avec des crédits gratuits, et la page des tarifs donne les offres actuelles, seul endroit fiable pour les chiffres car ils changent.
Choisissez une idée, écrivez dix lignes honnêtes dessus et générez le premier clip dans le toolkit de Picasso IA.
Choisissez votre langue
