Genspark a transformé une équipe de tournage en menu

Ce qu'il y a de plus intéressant dans le nouveau Media Studio de Genspark, ce n'est pas qu'il fasse de la vidéo. Beaucoup de choses font de la vidéo maintenant. C'est que, quand vous l'utilisez, vous ne choisissez pas un modèle. Vous choisissez un réalisateur, et le réalisateur choisit les modèles.

C'est ça, le vrai produit. L'interface propose trois modèles de langage pour le rôle de planification (DeepSeek V4.1 Flash, Claude Opus 5.5 et Claude Fable 5.1) et, derrière, un effectif de plus de 70 versions de modèles issus de plus de 20 fournisseurs. Seedance 2.5, Kling et Veo font la vidéo. GPT Image et Nano Banana font le fixe. ElevenLabs et MiniMax gèrent la voix et la musique. Il y a aussi de la 3D là-dedans.

L'argument de vente, c'est « tout-en-un, n'importe qui peut s'en servir », le genre de formule qui signifie d'habitude « on a boulonné six outils dans un seul onglet ». C'est différent sur un point précis : les artefacts intermédiaires restent dans le même canevas, si bien que l'agent peut reprendre la sortie de l'étape précédente et continuer sans que vous ayez à re-téléverser quoi que ce soit.

Ce que ça donne à l'usage

Le média tech chinois QbitAI a publié une prise en main le jour du lancement, et ses détails sont plus utiles que le marketing. Le testeur est parti d'un template de rap dans la section « Magic » de la page d'accueil, a téléversé des photos de Sam Altman et Dario Amodei, et a demandé un duo.

Deux choses sont arrivées, qui méritent d'être notées. D'abord, le modèle vidéo a refusé tout net les images de personnes réelles et le système a demandé s'il fallait passer en style semi-réaliste ou cartoon. C'est une politique de contenu qui remonte sous forme de décision d'UX : vous n'avez pas un refus, vous avez une bifurcation. Ensuite, l'estimation annonçait 8 à 14 minutes et le rendu en a pris deux ou trois. C'est Seedance 2.5 qui a fait la génération.

La première sortie n'avait pas de musique. Le testeur a demandé un accompagnement, a reçu trois candidats disposés côte à côte sur le canevas, les a tous rejetés faute de paroles, et a demandé un beat de rap original, qu'ElevenLabs a produit. Puis est venu le lip sync, pour que les deux comparses puissent jouer ensemble.

Cette séquence (générer, remarquer ce qui manque, le demander, obtenir des options, choisir, ajuster) c'est le workflow autour duquel le produit est construit. Ce n'est pas « tape un prompt, récupère un film ». C'est une conversation avec un assistant de production qui a accès à un studio.

Le choix du brouillon en 480p

Chaque première passe sort en 480p. Vous itérez en 480p. Ce n'est que lorsque vous validez le montage que ça passe en 1080p.

C'est la décision d'ingénierie la plus sensée du produit, et c'est le genre de chose qu'on n'apprend qu'en regardant des gens brûler de l'argent. La génération vidéo coûte cher à la seconde, et l'essentiel du coût part dans des plans qui seront coupés au montage. Itérer en résolution brouillon signifie que les rendus coûteux ont lieu une fois, sur les plans qui ont survécu.

La même logique apparaît dans le mode histoire, qui construit une prévis 3D en modèle blanc d'une scène (où se tiennent les personnages, où se place la caméra) avant d'appeler le moindre modèle vidéo. Le blocking coûte peu. Le rendu, non.

La file de validation est devenue le produit

C'est là que ça devient vraiment intéressant, et c'est là que le compte rendu de prise en main est le plus précieux.

Le testeur a utilisé la fonction « Story Bible », qui prend un titre et le déploie en production complète : personnages, garde-robe, accessoires, décors et liste de plans. Le système a demandé validation sur 35 éléments distincts avant le rendu. Puis il a découpé cinq scènes en 84 plans, les a regroupés en 12 unités vidéo, a écrit un prompt pour chacune, les a générées, et a signalé celles qui contredisaient le design établi pour une nouvelle passe.

Trente-cinq validations. C'est le métier, désormais. Pas écrire des prompts, pas tenir une caméra : valider. Et le compte rendu note un vrai problème d'ergonomie : certains éléments à valider étaient difficiles à trouver, et toute modification ramenait des éléments déjà approuvés au statut en attente, ce qui obligeait à retraverser la file.

Voilà à quoi ressemble vraiment la réalisation par IA en 2026. Le travail créatif ne disparaît pas. Il se comprime en une longue série de jugements oui/non sur la cohérence, et la qualité de l'outil se mesure à sa capacité à présenter ces jugements. Une bonne file de validation est une douve produit. Une mauvaise est une raison de revenir au travail à la main.

Deux technologies différentes sous le même nom

Le détail qui m'a le plus surpris : le mode « knowledge explainer » n'utilise pas de modèle vidéo du tout, du moins pas pendant l'essentiel de son exécution. Il utilise du code-vers-vidéo : le modèle écrit du code qui dispose du texte, des graphiques et de l'animation, puis rend le résultat. Selon Genspark, le rendu de code lui-même ne consomme pas de crédits ; la narration et quelques plans d'ambiance sont facturés à part.

C'est un choix d'architecture qui compte. Si vous expliquez ce qu'est un trou noir, vous n'avez pas besoin de soixante secondes de pixels générés. Vous avez besoin de typographie, d'un schéma et de mouvement. Rendre ça en code est plus rapide, moins cher et bien plus lisible que de demander à un modèle de diffusion de dessiner une légende.

Le compte rendu est honnête sur la première tentative : le script était plat, les visuels ressemblaient à des diapositives. Une deuxième passe avec des instructions pour ajouter des accroches et du suspense, plus une partition originale en six segments, a produit quelque chose que le testeur a qualifié d'acceptable. Toujours très diaporama, mais cohérent.

Ce qui pose la vraie question de cette catégorie. Le goulot d'étranglement de la vidéo explicative n'a jamais été le rendu. C'était le script. La réponse de Genspark consiste à faire écrire le script et le code par le même modèle de langage, ce qui est rapide et bon marché, puis à espérer que le design visuel suive. Parfois, il suit.

L'économie

Le testeur a dépensé environ 45 000 des 50 000 crédits initiaux sur trois projets : le clip de rap, l'explicatif, et un jeu de plateforme façon Super Mario que le système a également produit à partir d'un seul prompt pour quelques centaines de crédits.

Soit environ 15 000 crédits par projet court. Genspark appliquait une réduction de 50 % sur les crédits pour les abonnés Plus et Pro du 27 octobre au 4 novembre, ce qui dit deux choses : l'entreprise veut des données d'usage plus que du chiffre d'affaires ce mois-ci, et l'économie unitaire est encore en cours de calage.

Pour comparer, une semaine d'un motion designer coûte plus cher qu'un an de n'importe lequel de ces abonnements. Ce n'est pas la bonne comparaison non plus, parce que ce que vous obtenez ici n'est pas la production d'un motion designer. C'est un premier jet qu'un motion designer pourrait corriger en une heure au lieu de partir de zéro.

Les réserves honnêtes

Le court-métrage final avait des problèmes que le compte rendu n'a pas cachés : l'audio qui dérive hors synchronisation sur la seconde moitié, des images sautées occasionnelles, et un personnage dont les lunettes disparaissent entre deux plans. Le lip sync a été appliqué, des sous-titres ont été générés en chinois et en anglais sans qu'on les demande, et la cohérence générale était meilleure que prévu. Mais « meilleure que prévu » n'est pas « livrable ».

Il y a aussi le chemin d'export. Vous pouvez envoyer le résultat en PSD, en projet Premiere ou en brouillon CapCut, ce qui est la bonne concession à la réalité : personne ne termine une vidéo dans l'outil qui l'a générée.

Ce que ça signifie

La couche d'orchestration devient le produit, et les modèles deviennent des composants. Genspark n'est pas en concurrence avec Seedance ou Veo. Il est en concurrence avec la timeline de votre logiciel de montage, le dossier de rushes, et les cinq onglets de navigateur que vous gardez ouverts en assemblant un montage.

La question de savoir s'il gagne dépend de quelque chose de peu glamour : la file de validation s'améliore-t-elle ? Aujourd'hui, ce sont 35 décisions avec une interface confuse. Si elles deviennent 35 décisions avec une bonne interface, c'est un vrai outil. Si ça reste confus, les gens continueront à l'utiliser pour les templates et retourneront à Premiere pour tout ce qui compte.