Guide des prompts vidéo IA : structure, mouvement et choix du modèle

Au minimum, un prompt vidéo solide répond à cinq questions :

• Qui ou quoi est le sujet, et à quoi ressemble-t-il au départ ?
• Où se déroule la scène, avec les indices importants au premier plan et à l'arrière-plan ?
• Que se passe-t-il pendant le clip, dans un ordre compatible avec la durée ?
• Comment la caméra le voit-elle : type de plan, angle et mouvement ?
• Quelle est l'atmosphère : lumière, météo, ambiance et, si l'outil le prend en charge, son ?

La plupart des outils demandent aussi des choix de livraison en dehors du prompt rédigé : durée, format d'image, et départ depuis du texte seul ou depuis une image. Ces contrôles dépendent du modèle et de l'interface. Vérifiez les paramètres du produit ou de l'API pour le clip que vous générez au lieu de traiter les limites d'un outil comme universelles.

Aucune structure de prompt ne garantit une physique réaliste, une continuité parfaite, un texte lisible à l'écran ou une première prise exploitable. Considérez la première génération comme un brouillon, puis changez une variable à la fois.

Ce guide utilise SCAAL : Sujet, Caméra, Action, Atmosphère et Longueur. C'est une checklist pratique créée pour GetBetterPrompts, pas un standard de l'industrie. Les documentations officielles utilisent des idées proches dans des ordres différents. Les supports de prompting de Google pour Veo regroupent la cinématographie, le sujet, l'action, le contexte et le style.

Les guides de Runway insistent sur des descriptions visuelles et de mouvement claires. Le guide officiel texte-vers-vidéo de Kling utilise le sujet, le mouvement, la scène, puis éventuellement la caméra, l'éclairage et l'atmosphère. SCAAL est un point de départ portable. Chaque modèle et chaque interface interprètent les mêmes mots différemment.

Sujet: [qui/quoi, apparence, position de départ]
  Caméra: [type de plan, angle, mouvement ou caméra fixe]
  Action: [mouvement principal, puis événements suivants]
  Atmosphère: [lumière, météo, ambiance, son facultatif]
  Longueur: [durée cible, rythme, format de livraison]

Ignorez les parties vides. Si l'outil verrouille déjà la durée ou le format d'image dans l'interface, placez ces choix là-bas et gardez le texte pour ce que le réglage ne peut pas exprimer.

Le texte-vers-vidéo doit décrire à la fois l'apparence et le mouvement. Les conseils texte-vers-vidéo de Runway traitent la description visuelle et la description du mouvement comme les deux éléments essentiels. Utilisez-le lorsque vous n'avez pas besoin d'une première image fixe, ou lorsque vous voulez laisser plus de liberté au modèle pour inventer la composition.

L'image-vers-vidéo part d'une image fixe qui définit déjà la composition, le sujet, la lumière et le style. Le prompt doit surtout décrire ce qui doit bouger : action du sujet, mouvement de l'environnement, mouvement de caméra, timing et vitesse.

Redécrire tous les détails visuels peut entrer en conflit avec l'image. Les conseils officiels de Kling pour l'image-vers-vidéo se concentrent sur le sujet plus le mouvement pour la même raison.

Choisissez l'image-vers-vidéo lorsque l'identité, l'apparence d'un produit ou la mise en page doivent rester proches d'une référence fixe. Choisissez le texte-vers-vidéo lorsque vous explorez un plan et que vous n'avez pas encore de première image fiable. Les deux approches bénéficient de SCAAL. Seul l'équilibre entre prose visuelle et prose de mouvement change.

Nommez le sujet avec des traits concrets : tranche d'âge ou type, vêtements, matières, couleur, nombre, pose ou position de départ. "Une femme en manteau rouge debout au bord d'un ponton en bois" se contrôle mieux que "une personne près de l'eau".

Décrivez seulement les détails de scène qui influencent le plan. Les objets au premier plan, les surfaces, la météo et les sources lumineuses comptent quand ils changent les reflets, la profondeur ou l'ambiance. Les longues listes d'accessoires se disputent souvent l'attention dans un clip court.

Gardez le texte du sujet stable lorsque vous générez plusieurs angles de la même personne ou du même produit. Changez la caméra et l'action entre les prises. Cette stabilité aide, mais elle ne garantit pas une identité parfaitement identique, sauf si l'outil propose des fonctions de référence ou d'identité et que vous les utilisez comme documenté.

Indiquez une action principale que la durée peut terminer. Ajoutez ensuite des événements seulement si la longueur du clip et le modèle peuvent les prendre en charge.

Les séquences en langage naturel comme "X se produit, puis Y, puis Z", ou les repères temporels approximatifs, font partie des approches documentées dans les supports actuels de Runway Gen-4.5. Une chorégraphie complexe peut fonctionner, mais les mouvements simultanés chargés sont plus difficiles à contrôler.

Quand le résultat paraît chaotique, simplifiez avant d'ajouter des adjectifs. Préférez une cause et un effet lisibles : le sujet se tourne, le vent bouge le tissu, la pluie frappe le sol. Les instructions mécaniques comme "tourner de 45 degrés" peuvent paraître robotiques, sauf si vous cherchez précisément un mouvement mécanique.

Les prompts image-vers-vidéo ne doivent pas contredire les indices forts de mouvement déjà présents dans l'image fixe. Flou, pose en pleine foulée ou traînées de poussière suggèrent un mouvement. Aller contre ces indices demande généralement une image source plus propre, pas un prompt plus insistant.

Le langage de caméra sépare un prompt vidéo d'un prompt image fixe. Commencez par le type de plan et l'angle : très grand ensemble, plan large, plan moyen, gros plan, contre-plongée, plongée. Ajoutez ensuite un mouvement seulement si vous le voulez : lent travelling avant, suivi, orbite, grue, caméra portée ou trépied fixe.

Un mouvement simple est souvent plus facile à diagnostiquer. Si un plan échoue, réduisez-le à un mouvement de caméra clair plus une action du sujet, puis reconstruisez la complexité.

C'est une stratégie de contrôle, pas une limite universelle de plateforme. La documentation actuelle de Runway Gen-4.5 prend explicitement en charge des instructions séquencées complexes et une chorégraphie de caméra détaillée dans un seul prompt.

Si vous avez besoin d'une caméra immobile, dites-le en langage naturel et décrivez quand même ce qui bouge dans le cadre. Les modèles vidéo tendent vers le mouvement. "arrière-plan statique" et "caméra sur trépied fixe" aident lorsque le sujet doit porter l'énergie.

La durée est généralement un réglage du produit, pas seulement une phrase dans le prompt. Les limites changent selon le modèle et l'interface.

Exemples issus des documentations officielles actuelles, pas des règles universelles : la documentation Gemini API pour Veo 3.1 décrit des sorties de 8 secondes ; Runway Gen-4.5 documente 2 à 10 secondes sur cette surface produit ; le guide officiel texte-vers-vidéo de Kling parle de générations de 5 et 10 secondes pour le workflow qu'il couvre. Lisez toujours le panneau de contrôle ou le champ API de l'outil que vous utilisez.

Alignez l'action sur l'horloge. Traverser une pièce demande plus de temps qu'un mouvement de tête. Si vous demandez plusieurs temps dans un clip court, attendez-vous à de la compression, à des coupes ou à des étapes manquées. Les durées plus longues aident les actions séquencées. Les durées courtes favorisent un seul temps fort.

Nommez le rythme quand il compte : temps réel, ralenti, énergie de coupe rapide, tenue prolongée. Associez les mots de rythme à un mouvement concret pour que le modèle ne devine pas ce que "cinématique" signifie pour le timing seul.

La lumière et la météo ont un double rôle : elles installent l'ambiance et créent des occasions de mouvement visible, comme des percées de soleil changeantes, une dérive de brouillard ou des reflets néon sur une rue mouillée. Préférez des indices concrets aux adjectifs isolés. "Brouillard inquiétant dans un couloir d'hôpital abandonné, néons fluorescents qui vacillent" est plus exploitable que "ambiance effrayante".

Les ancres de style aident quand la mauvaise époque ou le mauvais genre apparaît : pellicule, décennie, caméra portée documentaire, cinéma numérique propre, éclairage produit commercial. Placez l'ambiance prioritaire tôt si elle est essentielle, puis gardez le reste du prompt cohérent avec ce choix.

Lorsqu'un modèle prend en charge l'audio natif, vous pouvez diriger l'ambiance sonore, les effets et les dialogues cités dans le même brief. Le support et la qualité varient selon le modèle et selon l'accès produit ou API. Ne supposez pas que chaque outil vidéo peut parler, synchroniser les lèvres ou composer la bande-son du plan.

La continuité échoue pour des raisons ordinaires : lignes de sujet réécrites, détails de tenue contradictoires, formats d'image différents ou prompts qui inventent de nouveaux accessoires entre les prises. Copiez exactement le bloc sujet lorsque vous voulez seulement changer la caméra ou l'action.

Les images de référence, les ingrédients, les images de début et de fin, et les fonctions d'extension dépendent du modèle. Sur l'API Gemini, la documentation actuelle de Veo 3.1 décrit une direction par image avec jusqu'à trois images de référence, des workflows première-et-dernière-image, et l'extension de clips Veo déjà générés.

Les autres outils proposent leurs propres contrôles de référence et d'image. Les applications produit et les API n'exposent pas toujours les mêmes options.

Les références améliorent les chances de cohérence. Elles ne garantissent pas des visages, logos ou géométries de produit identiques sur toutes les prises. Pour un travail de marque critique, prévoyez de sélectionner, recadrer et composer dans un éditeur.

Définissez le format d'image avant de générer. Le modèle compose pour le cadre demandé. Recadrer après coup supprime des bords prévus.

Cibles de livraison courantes :

• 16:9 pour le web paysage, les présentations et beaucoup de lecteurs desktop
• 9:16 pour les placements sociaux verticaux
• 1:1 pour les fils carrés et les clips produit ou face caméra centrés

Les formats et résolutions pris en charge diffèrent selon l'outil. Les documents actuels de l'API Gemini pour Veo 3.1 listent le paysage 16:9 et le portrait 9:16 parmi les options de génération. Runway Gen-4.5 documente plusieurs formats sur sa surface produit, dont 16:9, 9:16 et 1:1.

Le guide officiel texte-vers-vidéo de Kling liste 16:9, 9:16 et 1:1 pour le workflow qu'il décrit. Confirmez les réglages en direct de votre compte au lieu de mémoriser une liste comme permanente.

Choisissez un workflow selon le travail à faire, pas selon un classement de qualité. Les classements non sourcés masquent les vraies différences : durée, audio, références, extension, contrôle des images, boucle de montage, et usage dans une application grand public ou une API.

Modèles vidéo Google (conseils Gemini API) : la documentation actuelle de Google sur la génération vidéo recommande Gemini Omni Flash comme option par défaut pour la génération vidéo, en mettant en avant le raisonnement multi-entrée, le montage conversationnel et des forces associées. Elle oriente vers Veo 3.1 lorsque vous avez besoin de fonctions comme l'extension de scène, le contrôle de la dernière image ou l'intégration à un ancien pipeline. Traitez cela comme la séparation documentée par Google pour sa propre famille, pas comme une affirmation que l'un ou l'autre modèle bat tous les autres fournisseurs.

Runway Gen-4.5 : les documents officiels du produit décrivent le texte-vers-vidéo et l'image-vers-vidéo, les instructions séquencées, la chorégraphie de caméra, ainsi que les contrôles de durée et de format d'image sur cette surface. C'est un bon choix lorsque vous voulez une boucle de génération orientée montage avec une direction explicite du mouvement.

Kling : les guides officiels de Kling enseignent une écriture structurée du sujet, du mouvement et de la scène pour le texte-vers-vidéo, et une écriture sujet-plus-mouvement pour l'image-vers-vidéo. Les capacités changent selon les versions et surfaces de Kling, donc vérifiez la durée, l'audio et les fonctions de référence dans le produit que vous utilisez réellement. Ce guide ne classe pas Kling face aux autres outils.

Sora (historique) : OpenAI a arrêté les expériences web et app de Sora le 26 avril 2026, et indique que l'API Sora sera arrêtée le 24 septembre 2026. Si vous migrez un ancien workflow Sora, reconstruisez le brief avec SCAAL et testez-le dans l'outil que vous choisissez maintenant. Ne supposez pas qu'un modèle remplace parfaitement un autre.

Les interfaces d'application et les API peuvent différer même chez un même fournisseur. Une fonction visible dans un studio produit peut être absente, en aperçu ou nommée différemment dans l'API. Lisez la surface que vous appelez.

Pour les détails propres à Gemini sur l'accès et la famille de produits, utilisez le guide Gemini du site. Gardez cette page centrée sur l'art portable du prompt vidéo.

Texte-vers-vidéo faible : "A cool video of someone on a pier at sunset."

Texte-vers-vidéo amélioré : "Medium shot of a woman in a red wool coat standing at the edge of a wooden pier. She turns toward camera as wind lifts her hair. Slow dolly in. Overcast late afternoon, soft diffused light, grey water behind her. Real-time pacing, melancholic mood. 16:9."

Ce qui change : un sujet précis, une action unique et lisible, un mouvement de caméra, une atmosphère qui implique l'éclairage, et un format de livraison. Le modèle a moins de vides à inventer.

Image-vers-vidéo faible (à partir d'une image produit d'un étui d'écouteurs noir mat sur du marbre) : "Make it cinematic and premium."

Image-vers-vidéo amélioré : "Keep the earbud case fixed on the marble. Slow 180-degree orbit at eye level. Soft studio key light from above, subtle reflection crawl on the matte surface. No new props. Locked product scale. 1:1."

Ce qui change : le prompt cesse de redessiner le produit et dirige plutôt le mouvement, la caméra et le comportement de la lumière que l'image fixe n'encode pas déjà.

Scintillement, tremblements ou membres qui se déforment : trop de mouvements simultanés. Réduisez à une action du sujet et un mouvement de caméra. Dites quels éléments restent immobiles.

Mouvement de caméra ignoré : renforcez l'angle ou le mouvement en langage simple et supprimez les mouvements contradictoires. Itérez au lieu d'empiler les synonymes.

Dérive d'identité entre les clips : réutilisez exactement le même paragraphe sujet, gardez le format et les ancres de style identiques, et utilisez les contrôles de référence ou d'image lorsque l'outil les propose.

Coupes non voulues ou temps précipités : la durée est peut-être trop courte pour la séquence, ou le prompt implique un montage. Allongez le clip, simplifiez la liste des temps, ou ajoutez une instruction de plan continu si vous voulez une seule prise.

Mauvais genre ou mauvaise époque : ajoutez des ancres de style plus fortes et retirez les mots de style mélangés qui se contredisent.

Texte ou logos illisibles : la plupart des modèles vidéo sont faibles pour la typographie lisible. Ajoutez les titres et logos en postproduction lorsque le message doit être lisible.

Jugez la réussite en comparant le clip visible à votre checklist. Ne demandez pas au modèle de révéler une chaîne de pensée cachée ou son raisonnement interne comme méthode de vérification.

Avant de cliquer sur générer :

• L'apparence du sujet et sa position de départ sont précises
• Les détails de scène se limitent à ce dont le plan a besoin
• L'action principale tient dans la durée sélectionnée
• La taille du plan, l'angle et le mouvement de caméra sont explicites ou volontairement ouverts
• L'atmosphère et le style ne se contredisent pas
• Le texte-vers-vidéo inclut le visuel plus le mouvement ; l'image-vers-vidéo se concentre sur le mouvement
• Le format d'image correspond à la destination
• Les contrôles de référence ou d'image sont réglés si la continuité compte
• Les directions audio sont incluses seulement si le modèle choisi les prend en charge
• Vous savez quelle variable vous changerez si la première prise rate

Écrivez les prompts vidéo comme de courts briefs de plan : sujet, caméra, action, atmosphère et longueur. Choisissez le texte-vers-vidéo ou l'image-vers-vidéo selon que vous avez besoin d'une première image fixe.

Sélectionnez les modèles selon les besoins du workflow, comme la boucle de montage, l'extension, les références ou l'audio, pas selon des classements non sourcés. Comparez la sortie à votre checklist, changez une variable et recommencez.

Quand vous voulez transformer une idée vague en brief vidéo plus clair, utilisez l'outil gratuit de prompts vidéo sur GetBetterPrompts.