VideoGen promet des vidéos de dix minutes sur un seul prompt. Personne ne l'a benchmarké.

VideoGen a annoncé Model 1 le 20 octobre avec une promesse qui est soit un changement de catégorie, soit une formule marketing, et la différence compte : un prompt devient une vidéo terminée, en plusieurs plans, jusqu'à dix minutes, avec dialogues, sons et musique.

Dix minutes, c'est à peu près vingt fois la plus longue génération en une passe des leaders actuels. Kling 4.0, Seedance 2.5 et Wan 3.0 annoncent tous jusqu'à 30 secondes en une génération, avec des fonctions d'extension qui atteignent au mieux deux minutes. Si vous suivez ce marché, dix minutes, ça se lit comme un autre produit.

Ça l'est, et ça ne l'est pas. Le communiqué précise explicitement que les vidéos plus longues « sont assemblées à partir de plusieurs plans générés ». Model 1 ne rend pas dix minutes en une passe. Il planifie un film, le génère plan par plan, vérifie les plans et les monte ensemble. Le modèle est un composant d'un pipeline qui se trouve être vendu comme un produit unique.

Ce que l'entreprise a réellement livré

VideoGen est une société de San Francisco, passée par Y Combinator à l'été 2024, fondée en 2023. Jusqu'ici, son produit transformait un prompt, un script ou un article en vidéo en utilisant les modèles d'autres entreprises. Model 1 est le sien.

Les capacités annoncées : texte-vers-vidéo et image-vers-vidéo, jusqu'à 16 images comme références visuelles, une durée cible et un format que l'on peut spécifier, et une génération audio-vidéo conjointe pour que dialogues, effets sonores et musique sortent ensemble. L'accès a commencé le 20 octobre en déploiement privé chez des partenaires, avec une disponibilité générale promise après davantage de tests de sûreté. L'entreprise a aussi ouvert les candidatures pour une enveloppe d'un million de dollars de crédits gratuits, destinée aux cinéastes, aux studios, aux étudiants et, notablement, aux journalistes qui couvrent le lancement.

La formulation honnête de l'argument, c'est que le plus dur n'est pas le modèle vidéo. C'est la planification. Une vidéo de dix minutes a besoin d'un scénario, de personnages cohérents d'une scène à l'autre, de dialogues qui ne se répètent pas, et d'une liste de plans dont la somme correspond à la durée demandée. C'est un problème de modèle de langage, et VideoGen a construit un harnais de modèles de langage pour le résoudre.

Dans la salle des scénaristes

Une lecture tierce du livre blanc technique de VideoGen décrit un pipeline aux rôles distincts. Une couche de planification propose des concepts, un critique les note selon une grille propre à la catégorie (film, marketing, social, explainer, clip, micro-drame), les deux meilleurs deviennent des scénarios minutés, et un réécrivain convertit chaque scène au format de prompt structuré attendu par le modèle vidéo, avec des champs séparés pour les plans, les dialogues, l'univers sonore et la musique de fond.

La même analyse rapporte trois « lecteurs » de modèle distincts qui ne vérifient que les répliques et le texte à l'écran, signalent les dialogues confus, et note la réserve du livre blanc lui-même : ce sont « des proxys automatisés, pas des participants humains ». Il y a aussi du code ordinaire qui fait des vérifications ordinaires : est-ce que les durées de scène s'additionnent, est-ce que chaque personnage qui parle a une description de voix.

C'est la partie de l'annonce qui décidera si le produit fonctionne. Un clip de vingt ou trente secondes survit à un prompt vague. Dix minutes, non. Les erreurs se cumulent, les personnages dérivent, et la cinquième scène commence à contredire la première. Une couche de planification qui attrape ces problèmes avant le rendu vaut plus qu'un meilleur moteur de rendu, parce que le rendu est la partie coûteuse.

C'est aussi la partie que les concurrents peuvent copier le plus vite. Un harnais de planification multi-modèles, c'est du logiciel, pas une percée de recherche.

Les chiffres qui ne sont pas encore des chiffres

VideoGen dit s'attendre à ce que Model 1 coûte plus de 50 % de moins que des modèles comparables, sur la base d'une validation interne. L'entreprise dit aussi que la tarification finale, les benchmarks officiels et la validation tierce sont en cours. Les deux affirmations figurent dans le même communiqué, et c'est la seconde qui devrait déterminer comment vous lisez la première.

Le seul chiffre mesuré que l'entreprise partage est une expérience de rendu : un adaptateur en huit étapes a réduit le temps de rendu moyen d'un clip de 58,2 % par rapport à la référence en 28 étapes du même système. VideoGen prend soin de parler d'une configuration expérimentale et non d'un gain de vitesse garanti, ce qui est la bonne réserve et aussi l'aveu que le chiffre n'est pas une spécification produit.

Donc l'état actuel est : une promesse de capacité avec une bande démo, une promesse de coût sans grille tarifaire, et une promesse de qualité sans benchmark. La bande démo est une sélection de l'entreprise, ce qui en fait un meilleur cas plutôt qu'un test.

Pourquoi la durée est le mauvais tableau de score

Voici le contexte inconfortable. La presse spécialisée chinoise rapportait ce mois-ci que 98,7 % des micro-drames IA ne récupèrent pas leurs coûts dans les six mois suivant leur sortie. L'activité micro-drame de ByteDance serait en train de brûler des dizaines de millions de yuans par jour en tokens. Le goulot d'étranglement de ce marché n'est pas la capacité à générer des images. C'est la distribution et les scripts.

Cela ne rend pas un modèle de dix minutes inutile. Cela recadre à quoi il sert. Si la contrainte est la narration, un outil qui planifie un arc narratif et garde les personnages cohérents vise la vraie contrainte. Si la contrainte est l'attention, dix minutes sont un handicap, parce que personne ne regarde dix minutes de quoi que ce soit sans raison.

Les cas d'usage réalistes sont les moins glamours. La prévisualisation pour un tournage, où un réalisateur a besoin de voir la scène avant de payer une équipe. Les vidéos explicatives pour des produits dont personne ne fera de publicité. Les contenus de formation interne. Une vidéo générée de dix minutes juste à 70 % et obtenue en un après-midi vaut énormément quand l'alternative est deux semaines de montage.

Pour tout ce qu'un public choisit de regarder, la durée n'est pas l'argument de vente. La planification, si.

Comment l'évaluer quand vous y aurez accès

Demandez les cas d'échec, pas la bande démo. Précisément : que se passe-t-il à la septième minute, quand le modèle doit se souvenir de la veste d'un personnage vue à la deuxième. Est-ce que le dialogue répète une réplique déjà utilisée. Est-ce que l'audio reste synchronisé sur un montage assemblé, ce qui est l'endroit où les pipelines qui génèrent les plans indépendamment ont tendance à casser.

Passez ensuite le test ennuyeux : donnez-lui un brief avec un produit précis et une allégation précise, et voyez si le planificateur invente un fait. La grille du livre blanc inclurait des contrôles qui rejettent les affirmations inventées pour les catégories marketing et explainer, ce qui suggère que l'entreprise sait que c'est le mode de défaillance qui fait poursuivre ses clients.

Et vérifiez le filigrane. VideoGen dit que les sorties portent des filigranes invisibles identifiant leur origine synthétique. Dans une année où la provenance devient une exigence d'achat, c'est une fonctionnalité, pas une note de bas de page, et il vaut la peine de confirmer qu'elle survit à votre pipeline de montage.

Dix minutes à partir d'un prompt, c'est une vraie extension de ce qu'une seule personne peut tenter. Ce n'est pas un remplacement pour un réalisateur, et le communiqué de l'entreprise ne prétend pas tout à fait le contraire. La question intéressante, c'est ce qui se passe quand la couche de planification devient assez bonne pour que le facteur limitant devienne : aviez-vous quelque chose à dire.