Azure héberge cinq modèles vidéo, l’inférence vient de fal

Le 5 novembre, Microsoft et fal ont annoncé que cinq modèles de génération vidéo sont disponibles dans Microsoft Foundry en préversion publique, livrés comme un service Azure natif. Les modèles viennent de Kuaishou, Lightricks et MiniMax. L’inférence vient de fal. Microsoft n’a fabriqué ni les uns ni l’autre.
Cet arrangement est l’histoire. Pendant deux ans, la question sur les modèles vidéo était de savoir qui avait le meilleur. Celle à laquelle répond cette annonce est différente : qui devient le guichet où l’on achète. Microsoft vient de se proposer, en admettant qu’il n’a pas besoin de posséder les modèles pour posséder la transaction.
Les cinq, et à quoi sert chacun
La grille de Microsoft est que le travail créatif n’est pas une seule tâche. Une équipe qui explore plusieurs directions à partir d’un brief, un détaillant qui transforme une photo produit validée en concept animé, un développeur qui enchaîne génération d’image et génération vidéo : tous attendent des choses différentes d’un modèle. Qualité, mouvement, contrôle, délai et coût s’arbitrent autrement dans chaque cas. Les cinq sont donc cinq positions sur une carte, pas cinq tentatives sur le même benchmark.
**Kling v3 Pro** est le cinématographique. Qualité d’image et mouvement fluide, génération audio native, éléments personnalisés. Son mode image-vers-vidéo permet de piloter la façon dont une image de départ devient un plan animé. C’est le choix quand la direction visuelle et le rendu du mouvement comptent plus que le prix à la seconde.
**LTX-2.5** arrive en deux niveaux. Fast sert à itérer et à prévisualiser, Pro à livrer en haute fidélité. Les deux font texte-vers-vidéo et image-vers-vidéo, et les deux intègrent un audio synchronisé. L’intérêt de livrer les deux est qu’une équipe peut esquisser et finir sur la même plateforme sans changer d’outil, ce qui semble anodin jusqu’au jour où il faut retrouver un rendu identique entre deux fournisseurs.
**MiniMax H3 Max et H3 Max Turbo** sont des variantes post-entraînées de H3, le post-entraînement visant le suivi d’instructions, la qualité visuelle et le raisonnement. Turbo échange un peu de qualité contre de la vitesse et vise l’itération à haute fréquence.
Pour l’échelle, le fondateur de fal, Burkay Gur, le dit simplement : les applications de média génératif deviennent multi-modèles, parce que les différentes parties du travail n’ont pas les mêmes besoins. Le catalogue de fal couvre plus de 1 500 modèles en image, vidéo, audio et 3D, plus l’inférence, l’entraînement et l’infrastructure. Microsoft en a retenu cinq. La sélection est le produit.
Le détail de la résidence des données
Enterrée dans l’annonce, il y a la phrase qui conclura des contrats : les modèles sont hébergés dans des régions américaines, et Foundry est le premier fournisseur à proposer un point de terminaison Kling hébergé aux États-Unis.
Kling vient de Kuaishou, une entreprise chinoise. Pour un grand compte américain qui passe une revue achats, « nous pouvons utiliser le modèle, et l’inférence se fait dans une région américaine sous contrat Azure » n’est pas la même conversation que « nous pouvons utiliser le modèle ». Le modèle est identique. La paperasse ne l’est pas.
C’est la partie de la thèse multi-modèles qui se vend mal. L’argument technique en faveur d’un courtier, c’est la commodité. L’argument commercial, c’est que le courtier absorbe la surface de conformité. Microsoft vend le second.
Le prix, et un chiffre à vérifier soi-même
La facturation se fait à la seconde générée, la résolution et le mode audio faisant varier le prix unitaire. Microsoft indique que les tarifs précis arriveront sur la page de tarifs Azure dans les semaines à venir.

Un signal d’alerte. Le corps du billet officiel et son tableau ne décrivent pas la même unité de facturation. Avant de mettre cela dans un budget, vérifiez sur la page de tarifs si le compteur lit à la seconde ou à la minute, puis multipliez. Ce genre d’écart est courant dans les annonces de préversion, et c’est exactement ce qui transforme une expérience bon marché en facture surprise.
Il n’existe pas non plus de benchmark unifié de qualité ou de latence entre les cinq. Microsoft le dit. Choisir signifie passer ses propres prompts, ses propres images sources, ses propres durées de plan et ses propres exigences audio dans chaque modèle. Le statut de préversion implique l’absence de SLA et une interface susceptible de changer.
L’astuce ComfyUI est la partie utile
Un second billet de Microsoft, publié en même temps que l’annonce, explique comment brancher les modèles d’image de Foundry et les modèles vidéo de fal dans ComfyUI avec deux nœuds personnalisés, sans aucune clé d’API dans la chaîne.
Trois étapes.
D’abord, déployer les modèles dans votre projet Foundry. Par le catalogue du portail ou avec la CLI :
az cognitiveservices account deployment create ...
Les identifiants d’exemple donnés sont gpt-image-2.5-sunburst, FLUX.2-pro et MAI-Image-2.6 côté image, et Fal-MiniMax-H3-Max côté vidéo. Une règle de nommage compte : le nom de déploiement d’image doit correspondre au nom du modèle, car les nœuds déduisent la famille de modèles à partir de cette chaîne. Les noms de déploiement vidéo peuvent être ce que vous voulez.
Ensuite, donner à ComfyUI un accès sans clé. Les nœuds utilisent DefaultAzureCredential, donc ils s’authentifient avec l’identité Entra dont dispose déjà la machine. Sur un portable, c’est votre session az login. Sur Azure, c’est l’identité managée. Cette identité a besoin du rôle Cognitive Services User sur la ressource Foundry, ou Foundry User. Il n’y a aucune clé à stocker, à faire tourner ou à laisser fuir dans un JSON de workflow partagé, ce qui est la façon la plus courante dont une installation ComfyUI se fait compromettre.
Enfin, coller le point de terminaison du projet, qui ressemble à https://xxx.services.ai.azure.com/api/projects/xxx.
L’architecture est la conséquence intéressante. La génération se fait dans Foundry. ComfyUI ne fait qu’orchestrer. La machine qui fait tourner ComfyUI n’a donc pas besoin de GPU, et l’exemple de Microsoft est un appel texte-vers-image alimentant un appel image-vers-vidéo pour produire un plan cinématographique de cinq secondes, assemblé sur du matériel qui pourrait être un portable.
Pour qui a maintenu une installation ComfyUI avec quarante nœuds personnalisés et un zoo de checkpoints locaux, la forme change vraiment. Le workflow devient un client léger. Ce que vous perdez, c’est le travail hors ligne et la possibilité de remplacer un modèle local au milieu du graphe.
Le voisin gênant dans la même actualité
Entre le 5 et le 6 novembre, le guide des mises à jour de sécurité de Microsoft a publié deux entrées à 10.0 de score CVSS. L’une concernait l’enregistrement d’appareils Entra. L’autre était CVE-2026-85889, une authentification manquante dans Azure AI Foundry, CWE-306, vecteur réseau, aucun privilège requis, aucune interaction utilisateur.
La note de Microsoft indique que les clients n’ont rien à faire, le correctif ayant été appliqué sur l’infrastructure de Microsoft et aucune version déployée chez le client n’étant à patcher. Signalé par le chercheur Rémy Marot, sans preuve d’exploitation dans la nature.
Deux choses sont à séparer. Un score de 10.0 mesure l’impact maximal, pas la probabilité, et l’évaluation d’exploitabilité de Microsoft est faible. Et une annonce de CVE cloud est une notification, pas une tâche. On ne la patche pas. On va lire les journaux pour repérer les déploiements et les appels inhabituels dans la fenêtre qui précède le correctif.
Elle appartient quand même au même paragraphe que le lancement, parce que les deux relèvent du même déplacement. Quand la plateforme fait tourner les modèles, détient les clés et possède le point de terminaison, le périmètre de sécurité entre dans un service que vous ne pouvez pas inspecter. C’est la facture de la commodité.
Ce qu’il faut vraiment tester
Si vous évaluez cela, la comparaison intéressante est de savoir si un courtier plus cinq modèles bat un fournisseur plus un modèle pour votre pipeline réel. Classer Kling contre LTX contre MiniMax dans l’absolu n’apprend presque rien.
Passez le même brief dans les cinq. Mesurez le temps entre le prompt et un plan utilisable, pas le temps jusqu’à un plan. Mesurez ensuite le taux de relance, parce qu’un modèle qui demande trois essais pour réussir un mouvement coûte trois fois le prix affiché. Vérifiez enfin si l’audio, quand il existe, survit au montage. Une synchronisation qui dérive est pire que pas d’audio.
Et gardez la sortie en tête. Tout l’attrait d’un courtier est de pouvoir changer le modèle en dessous sans toucher à l’intégration. Testez-le en en changeant un et en regardant ce qui casse. Si la réponse est « le format du prompt », vous avez un courtier. Si la réponse est « tout », vous avez un fournisseur avec des étapes en plus.
Ignite se tient du 17 au 20 novembre, avec une session dédiée à Foundry et fal le 19. Les prix et la disponibilité générale devraient suivre. D’ici là, c’est une préversion sans SLA, ce qui convient à des expériences et pas à un lancement produit.
Articles associés
Un modèle dense de 65B dépasse des rivaux huit fois plus gros, pour 32 millions de dollars
Un modèle dense de 65B devance des rivaux de 500B et plus sur Terminal-Bench 2.1. Le chiffre qui compte n'est pas le score mais les 32 millions de dollars dépensés.
Les agents IA se trompent encore sur une lecture de gel sur trois, et OpenAI montre où
Le nouveau benchmark de biologie d'OpenAI montre que le meilleur modèle se trompe encore sur une interprétation de laboratoire sur trois. Les échecs documentés révèlent où la perception n'atteint pas la conclusion.
Antigravity déplace ses agents dans le cloud, sans votre outillage local
La version 2.29 d'Antigravity place l'agent dans une VM cloud qui survit à votre portable et utilise la voix pour approuver les permissions. L'outillage local ne suit pas.
NVIDIA ouvre quatre modèles de monde de 16B, et n'a pas mesuré l'apprentissage de politique
Quatre modèles de monde ouverts de 16B et un décodeur qui émet la géométrie d'un seul coup. NVIDIA livre les deux moitiés, mais admet qu'il reste à mesurer l'apprentissage de politique.