Sand.ai a levé 200 millions de dollars. Son modèle de base vidéo est le véritable produit.

Le 5 novembre, Sand.ai, la société chinoise de modèles de base vidéo, a annoncé un tour de série A+ de 200 millions de dollars mené par CAS Capital et Wangsu Data Technology, avec la participation de China Time Capital, Guofang Capital, Green Pine Capital et d'autres. Il s'agit du troisième tour de la société cette année, portant le total sur dix mois à 300 millions de dollars, et cela installe officiellement Sand.ai dans le territoire des licornes.
L'argent fait les gros titres. La partie plus intéressante est ce que l'entreprise construit avec les deux tours précédents : MAGI-2 Preview, un modèle vidéo à poids ouverts qui traite l'audio, la vidéo et le texte comme un seul problème plutôt que comme trois.
Un seul Transformer pour trois modalités
MAGI-2 Preview est décrit comme un modèle unifié de génération audio-vidéo. Le texte, la vidéo et l'audio entrent tous dans le même Transformer, et les informations continuent de s'échanger via l'auto-attention à chaque couche. L'architecture divise un état caché de 3 072 dimensions en 12 têtes de 256 dimensions, les fait passer par 36 couches d'un mélange d'experts multi-têtes, et attribue à chaque tête 256 experts, avec six sélectionnés par tête. Au total, un token finit par activer 72 petits experts.
Les experts partagés traitent ce que les modalités ont en commun. Les experts spécifiques à chaque modalité traitent ce qu'elles n'ont pas en commun. Autour de cela se trouvent MagiMoE, une bibliothèque de noyaux MoE personnalisée, et MagiMuon, un optimiseur distribué conçu pour le chemin d'entraînement et d'inférence.
Sand.ai l'a publié comme l'un des premiers modèles de base vidéo de sa taille sous poids ouverts, et la tarification a été agressive : environ 0,5 yuan pour un clip 1080p de dix secondes. La société a également livré MAGI-1, un modèle de génération vidéo autoregressif, et MagiHuman, tous deux open source. Son produit grand public, VidMuse, aurait dépassé les 10 millions de dollars de revenu récurrent annualisé deux mois après son lancement.
Cette séquence compte. MAGI-1 était autoregressif, MAGI-2 Preview est passé à une conception de diffusion à mélange d'experts, et la prochaine version, MAGI-2 final, est décrite comme une version plus grande de cette architecture MoE. C'est un laboratoire qui suit un chemin de mise à l'échelle et publie les checkpoints au fur et à mesure, ce qui constitue une posture différente de celle des entreprises qui gardent les poids verrouillés et vendent des appels API.
Pourquoi le marché de la vidéo vaut ce type de sommes
Regardez où se trouve réellement la demande. Kuaishou a annoncé un chiffre d'affaires de Kling AI de 850 millions de RMB au deuxième trimestre 2026, en hausse de plus de 200 % sur un an, avec plus de 100 millions d'utilisateurs dans le monde. Seedance 2.5 de ByteDance domine 13 des 20 catégories de l'arène vidéo d'Artificial Analysis, et OpenAI a déjà fermé Sora, à la fois l'application et l'API. Google a migré les développeurs hors du point de terminaison Veo 3.1 Preview en octobre et les a orientés vers Gemini Omni Flash.
Pendant ce temps, les prix s'effondrent. Alibaba mène une promotion d'environ 30 % sur Wan 3.0, ce qui place la 1080p à environ 0,14 $ par seconde. Sur OpenRouter, ByteDance détient 26,1 % des requêtes vidéo, HeyGen 19,7 %, Google 18,5 %. mischief 1 de TBC, un dérivé de Wan 2.2 annoncé à un demi-cent par seconde, a bondi de 481 % d'une semaine à l'autre dès son lancement.
Quand les prix unitaires tendent vers zéro, l'argent va à celui qui possède le modèle de base. Une entreprise capable d'entraîner et de servir de la génération vidéo à la marge capte le volume que tous les autres louent auprès de Google, ByteDance et Alibaba.
Pourquoi l'audio-vidéo unifiée compte commercialement
Un seul transformer pour l'audio et la vidéo supprime des étapes de production, et c'est la raison pour laquelle il faut en construire un.
Le pipeline standard pour un spot produit aujourd'hui se déroule ainsi : générer l'image, générer ou enregistrer la voix, monter la musique, mixer et synchroniser les lèvres avec le dialogue. Chacune de ces étapes est un outil séparé avec son propre coût et son propre mode de défaillance, et l'étape de synchronisation est celle où les projets calent. Quand un modèle produit le dialogue, l'ambiance et les sons d'action dans la même passe que l'image, la synchronisation labiale est une propriété de la génération plutôt qu'un montage effectué après coup.
Tous les fournisseurs de cette catégorie revendiquent désormais cette capacité, et elle détermine si la vidéo IA peut porter une explication produit avec présentateur face caméra ou un spot narratif de marque. C'est aussi la capacité pour laquelle une architecture unifiée offre l'avantage théorique le plus clair, puisque le modèle n'a pas à décrire le son en texte en espérant que l'image corresponde.
MAGI-1 de Sand.ai était autoregressif. MAGI-2 Preview est passé à un mélange d'experts basé sur la diffusion. Les deux ont été publiés, ce qui signifie que chacun peut examiner comment la qualité de génération évolue entre un modèle séquentiel et un modèle parallèle, et ce qui arrive à la synchronisation audio lorsque l'architecture change.
Comment il se compare au reste du secteur
Comparez les points de prix plutôt que les promesses. Alibaba propose Wan 3.0 à environ 0,3, 0,6 et 1,2 yuan par seconde en 480p, 720p et 1080p, avec une promotion d'environ 30 % qui pousse la 1080p à 0,14 $ par seconde sur les circuits de revente. MiniMax a publié H3-Base en open source en août avec une sortie 2K, des clips de 15 secondes et une stéréo native, et l'a tarifé à environ un tiers des modèles phares comparables. TaoMate-H3, une initiative open source du côté commerce d'Alibaba, est allé plus loin et a fait du temps jusqu'au premier segment son indicateur phare plutôt que du prix par seconde.
Chacun de ces tarifs attaque le même poste de coût. Les 0,5 yuan de Sand.ai pour un clip 1080p de dix secondes se situent dans cette fourchette plutôt qu'en dessous, ce qui suggère une stratégie fondée sur l'étendue et l'ouverture plutôt que sur une guerre des prix qu'elle ne peut pas gagner contre une entreprise dotée de l'infrastructure d'Alibaba.
Les questions dérangeantes
Rien de tout cela n'est vérifié indépendamment. Sand.ai publie son propre ARR et la taille de son propre tour, et les comparaisons de type PresentBench qui comptent pour les acheteurs sont généralement publiées par les fournisseurs. L'architecture MAGI-2 est vraiment intéressante, mais un transformer audio-vidéo unifié avec 72 petits experts activés par token coûte aussi cher à entraîner, et l'entreprise finance cela avec l'argent qu'elle a levé plutôt qu'avec les revenus qu'elle a générés.
Il y a aussi un angle de licence à surveiller. Plusieurs modèles vidéo ouverts chinois livrés en 2026 comportent des conditions qui excluent les États-Unis de l'usage commercial, ce qui pousse les développeurs occidentaux vers des alternatives fermées et complique tout récit d'écosystème ouvert. Les publications ouvertes existantes de Sand.ai semblent suivre la voie permissive plus standard, ce qui explique en partie pourquoi le tour a été sursouscrit par les investisseurs qu'elle a nommés.
Et le produit commercial est la partie à surveiller. Le fait que VidMuse atteigne 10 millions de dollars d'ARR deux mois après son lancement est un chiffre réel, mais les plateformes de création vidéo ont tendance à croître sur des campagnes ponctuelles puis à s'aplatir une fois l'effet de nouveauté passé. Le modèle ouvert est ce qui rend l'entreprise pérenne ; l'application est ce qui finance la recherche.
Ce qu'il faut surveiller ensuite
MAGI-2 final est décrit comme imminent, avec un MoE plus grand et la même conception audio-vidéo unifiée. S'il maintient le prix de 0,5 yuan pour dix secondes en 1080p tout en poussant vers des clips plus longs et une meilleure synchronisation labiale, le modèle devient une cible d'entraînement plausible pour quiconque construit des produits vidéo avec un budget limité.
Surveillez trois choses en particulier. Si les poids sont réellement livrés sous une licence permissive. Si la piste audio tient la route quand un clip contient du dialogue, car l'audio natif est désormais un minimum requis dans cette catégorie. Et si les revenus de VidMuse continuent de grimper après le trimestre de lancement, ou s'ils suivent la courbe générale des dépenses en vidéo IA sur laquelle toutes les plateformes de ce marché surfent.
Pour l'instant, la conclusion utile est plus simple que le titre sur la levée de fonds. Sand.ai construit des modèles de base vidéo comme la communauté ouverte s'attend à ce que les laboratoires les construisent : publier les checkpoints, publier les détails de l'architecture, rivaliser sur le prix et vendre la version hébergée pour financer la suivante.
Articles associés
1 % des entreprises paie 80 % de la facture d'IA, et ce groupe a cessé de croître
L'indice de Ramp montre une consommation d'IA qui croît plus vite que les revenus. La raison est simple : 1 % des entreprises concentre 80 % de la dépense, et cette cohorte est retombée sous son pic d'été.
Claude peut désormais lire vos relevés bancaires. Anthropic lui a délibérément refusé toute capacité d’action.
La conception en lecture seule est le produit, et la déliaison ne retire pas ce qui se trouve déjà dans une conversation.
Adobe ne demande plus aux marketeurs d’ouvrir Adobe
Pendant une décennie, la stratégie consistait à posséder l’interface. Adobe vient de parier l’inverse.
CrowdStrike a livré un kill switch pour les agents IA. Le plus dur est de savoir quoi arrêter.
Un kill switch transforme une supposition en quelque chose d'applicable. L'application nécessite une liste, et c'est la partie que personne n'a.