Le 20 octobre, j'ai regardé pour la deuxième fois notre film « Le monde de Krizaka : l'aube », 62 secondes en 4K, fait avec nos oiseaux. Mon verdict a été court : horrible. Les voix, les textes, la façon dont les oiseaux interagissent, tout était trop laid.
Ce n'était pourtant pas un film bâclé. L'image et la lumière étaient belles, je l'ai dit moi-même. Il avait coûté 6,5 heures d'un GPU H200, soit 34,42 $ chez le loueur. Mais une image magnifique ne fait pas un film, et ce que je venais de voir n'était pas un film.
Voici ce qui n'allait pas, ce que nous avons changé, ce que ça a coûté, et ce que j'ai appris sur la différence entre améliorer un prompt et améliorer une chaîne de fabrication.
Mise à jour, octobre 2026 : « l'aube » et « la tournée » sont retirées. « Le relais » est le film de la marque. Les étapes ci-dessous sont celles du travail, et elles servent aux deux.
Deux fois où je n'avais pas de boucle
Le premier cas, c'est la première série de clips de la vitrine d'Orazaka. J'avais donné à Wan une image portrait recadrée en 16:9, et un prompt qui décrivait un mouvement en boucle. Les clips étaient mauvais. Chaque clip coûte environ 1,20 $ et 18 minutes de H100, donc les cinq que je dois refaire représentent à peu près 6 $ et une heure et demie de GPU qui n'ont rien produit de publiable. La correction tient en deux lignes : des images faites à la proportion de la vidéo, et un prompt qui ne décrit que le mouvement.
Personne ne regardait l'image avant de lancer 18 minutes de GPU. Depuis, le moteur de génération écrit dans ses métriques imageKept, la part de l'image de départ que le cadre a gardée (un portrait coupé en 16:9 en garde un tiers). Ça ne dit pas si le résultat est bon, seulement qu'il part avec un handicap, mais ça prévient avant de payer.
Voici le même plan avant et après, à l'image du milieu de chaque clip :
Comment c'est fait
- Modèle
- Wan 2.2 A14B (before); LTX-Video 0.9.8 13B distilled and Wan 2.2 I2V A14B (after) · Apache-2.0 and LTX-Video Open Weights License
- Moteur
- RunPod H100 80 GB
- Machine
- hébergé par le fournisseur (pas notre machine)
- Via
- frames of the image-to-video bake-off (orazaka Measured runs)
- Durée
- non enregistré
- Coût
- non enregistré
- Run Sovkora
- non enregistré
- Note
- Middle frame of each clip. Before: a portrait SD 3.5 still cut to 16:9. After: a FLUX.2 [klein] still made at 16:9, LTX-Video in 14 s, Wan in 18 min.
Le second cas, ce sont les oiseaux. Pour « Le monde de Krizaka : la tournée », chaque image clé est comparée au dessin de l'oiseau fait dans le code. Il y a eu des images refusées : un faucon, un hibou et un canard dupliqués, un public d'humains, un oiseau fantôme en trop.
Comment c'est fait
- Modèle
- FLUX.2 [klein] 4B (edit mode) · Apache-2.0
- Moteur
- RunPod H100 80 GB
- Machine
- hébergé par le fournisseur (pas notre machine)
- Via
- keyframes of the birds film, review sheet
- Durée
- non enregistré
- Coût
- non enregistré
- Run Sovkora
- non enregistré
- Note
- Left: the code render the keyframe must match. Three tries each. Rows: the falcon doubled in every try; an audience of humans. Both rejected and remade.
L'image clé verticale de la fin a été refusée trois fois. Je n'ai pas insisté : la version verticale montre le plan horizontal sur son propre fond flouté. C'est le plafond d'essais de ma boucle, tenu à la main.
J'ai un cas réel pour la suite. Pour tester une chaîne de production, j'ai fait un court film de démonstration de 40 secondes, 10 plans, avec Orazaka, mon moteur d'IA. Le fichier de production donne le temps de chaque étape. Avec le tarif de 3,99 $ de l'heure du H100, ça fait à peu près :
Une erreur trouvée sur l'image clé coûte un cent. Trouvée dans le plan, 36 cents. Trouvée au montage, 157 fois l'image. La boucle doit donc vérifier tôt, pas seulement à la fin.
Sur ce film, 12 plans ont été tournés pour 10 gardés. À 0,36 $ le plan, cela donne 0,44 $ par plan gardé, soit 1,2 fois le prix d'une exécution : exactement 1 ÷ p, avec p = 10 sur 12. Pour les 35 exécutions du film, dont 5 en échec, le calcul GPU est d'environ 7,89 $. Je ne peux pas donner un coût par film : la facture du pod, 23,62 $, mélange plusieurs travaux, et je ne la mets pas sur un seul film pour avoir un chiffre propre.
Comment c'est fait
- Modèle
- Wan 2.2 I2V A14B (4-step distill) · Apache-2.0
- Moteur
- RunPod H100 80 GB, 720p, SeedVR2 3B to 1080p; keyframes FLUX.2 [klein] 4B; ACE-Step music; Kokoro voice
- Machine
- hébergé par le fournisseur (pas notre machine)
- Via
- orazaka cinema, every step an ordinary Studio run
- Taille
- 1080×1920, shown here at 540×960
- Durée
- 7115 s, telles qu'enregistrées par le run
- Coût
- 7.89 US$ (le prix du fournisseur)
- Run Sovkora
- non enregistré
- Note
- 10 shots (2 reshot), 12 video runs, 35 runs of which 5 failed; GPU time of its runs 7,115 s, $7.89 at $3.99/h.
Ce que j'ai vu, et entendu
J'ai écrit mon retour point par point, parce qu'une impression ne se corrige pas.
La voix était mécanique et plate, un « effet GPS » : sans émotion, sans lien avec l'image. La musique était beaucoup trop agressive. Il n'y avait aucun bruitage : pas un battement d'ailes, pas un pas, pas d'air. Les titres n'avaient rien de cinématographique. Les oiseaux bougeaient, mais ils n'étaient pas vivants, et ce qu'ils faisaient n'avait rien à voir avec le sujet. Et l'histoire, catastrophique, ne transportait personne.
Comment c'est fait
- Modèle
- Wan 2.2 I2V A14B (40 steps) · Apache-2.0
- Moteur
- RunPod H200, 720p then SeedVR2 to 4K, shown at 1536 px
- Machine
- hébergé par le fournisseur (pas notre machine)
- Via
- frame at 36 s of « Le monde de Krizaka : l'aube » (v1), withdrawn
- Durée
- non enregistré
- Coût
- non enregistré
- Run Sovkora
- non enregistré
- Note
- The birds in a line, facing us, while the narrator says « each bird carries a promise »: the shot Oussama's verdict called a lineup.
Le défaut n'était pas dans le prompt
On pourrait croire qu'il suffisait de mieux écrire le prompt. En relisant comment le film avait été fabriqué, la cause était claire : un court brief passait directement à une liste de plans. Personne ne jugeait l'histoire avant de tourner. Chaque plan de personnage se résumait à « l'oiseau bouge ». La voix n'avait aucune direction, la musique un seul niveau, le son un seul fond de vent.
Le défaut était dans la chaîne. Voici les étapes que nous y avons ajoutées. Elles vivent dans notre moteur d'IA, parce que le but n'est pas de réparer un film, mais de ne pas refaire l'erreur sur le prochain.
1. Un traitement avant tout plan
Avant de dessiner un plan, un brief court devient une histoire. Un thème, un arc en quatre temps dans l'ordre (l'accroche, le voyage, le retournement, le dénouement), l'intention de chaque personnage tirée de sa promesse, et pour chaque plan un but, une action, un regard, la physique du corps et ce qui se passe entre deux personnages. On y ajoute les phrases du narrateur avec leur direction (émotion, rythme, mot appuyé, pause), des repères musicaux par temps de l'histoire et la liste des sons de chaque plan.
2. Une critique automatique, deux fois
Le traitement est jugé par des règles sans modèle : l'arc est-il dans l'ordre, le retournement arrive-t-il après le premier tiers, chaque plan a-t-il un but, chaque phrase tient-elle dans son plan (au plus 2,6 mots par seconde), la musique commence-t-elle bas, culmine-t-elle au retournement et se résout-elle. Puis par un modèle qui note six axes de 1 à 5 : transport, arc, personnages, vie, sujet, continuité. L'histoire n'est tournée que si les deux l'acceptent. Sinon les raisons repartent à l'auteur, deux fois au plus.
Pour « le relais », le nouveau film, le traitement faisait 25 plans pour 67 secondes. Les règles lui ont donné la note maximale, et le juge modèle a mis 5 sur 5 au transport et 3 sur 5 à la vie.
3. Une action vivante et motivée
C'est le point où les oiseaux sont devenus des acteurs. Le mouvement de chaque plan s'écrit désormais comme une petite scène : d'abord ceci, puis cela, enfin cela, avec le regard et sa raison, le poids du corps, l'effort d'un battement d'ailes, un atterrissage, une prise. Les formules « se tient là », « regarde autour de lui », « tourne la tête à gauche puis à droite » sont refusées par la règle, par leur nom. Les plans sont plus courts, de 2,7 à 4 secondes.
Chaque prise est contrôlée après coup : fidèle au dessin de l'oiseau, et vivante et dans le sujet (l'énergie du mouvement est mesurée image par image). Sur la scène du hibou qui conteste puis reconnaît le pigeon, la prise où il discute bouge sur 59 % des images, celle où il rit sur 69 %.
Comment c'est fait
- Modèle
- Wan 2.2 I2V A14B · Apache-2.0
- Moteur
- RunPod H200, 40 steps, 720p then 4K, shown at 960 px
- Machine
- hébergé par le fournisseur (pas notre machine)
- Via
- the owl of « Le monde de Krizaka : l'aube » (v1), same promise line
- Durée
- non enregistré
- Coût
- non enregistré
- Run Sovkora
- non enregistré
- Note
- For comparison with the v2 scene. Muted here.
Comment c'est fait
- Modèle
- Wan 2.2 I2V A14B · Apache-2.0
- Moteur
- RunPod H100, 40 steps, 720p take shown at 960 px; ACE-Step cue, synthesized foley, Zonos narrator
- Machine
- hébergé par le fournisseur (pas notre machine)
- Via
- segment proof of « le relais »: the owl argues, then recognises the pigeon (5.4 s)
- Durée
- non enregistré
- Coût
- non enregistré
- Run Sovkora
- non enregistré
- Note
- Muted here. The proof page carries the sound.
- Son
- -14.0 LUFS integrated, true peak -1.9 dBTP
Garder un oiseau fidèle à son dessin a demandé un détour. Une édition libre d'image avait redessiné un oiseau de la marque (le faucon avait perdu sa visière). L'image clé part maintenant du rendu du personnage lui-même, posé sur un décor vide, puis retouché à une force de 0,60 pour un personnage et de 0,80 pour un groupe : un groupe de cinq dérivait à 0,60.
4. Une voix dirigée, choisie à l'aveugle
Nous avons mis en concurrence des synthèses vocales, licence d'abord, avec la même voix de référence synthétique (jamais la voix d'une vraie personne). Pour chaque candidat, on a mesuré le mouvement de la hauteur de la voix en demi-tons, la compréhension des mots avec Whisper et le respect du rythme demandé.
- Kokoro, la voix de la première version : une seule vitesse, de 8,6 à 11 demi-tons.
- Chatterbox : très expressif en anglais (17 à 19 demi-tons), mais il ignore un rythme lent, et son français a manqué des mots (erreur de 0,67 sur une phrase).
- Zonos : un vecteur d'émotion, un débit et une variation de hauteur par phrase, en anglais et en français. De 11,8 à 19,4 demi-tons, tous les mots compris, le rythme demandé tenu. Retenu.
- F5-TTS et XTTS-v2 : refusés, leurs poids sont non commerciaux.
Nous avons aussi essayé de faire juger la voix par un modèle audio, Qwen2-Audio. Après calibrage, nous l'avons refusé : il donnait environ 4 sur 5 à tout le monde, y compris à la voix plate de la première version, et quand on lui demandait de choisir entre deux prises, il répondait « A » 36 fois sur 36, dans les deux ordres. Un juge qui a un biais de position ne juge rien. Alors la voix est mesurée : compréhension, mouvement de la hauteur, pauses, rythme. C'est la mesure qui tranche.
Nous avons aussi comparé à l'aveugle deux candidats, la voix de la première version et Zonos : chaque phrase deux fois, dans un ordre aléatoire, la réponse cachée. Les phrases sont celles des promesses des oiseaux, comme « Le faucon veille : la sécurité d'abord » ou « Le pigeon livre, à chaque fois ». Sur les mêmes phrases, le mouvement de hauteur médian passe de 9,95 demi-tons pour la première voix à 13,6 pour la seconde, et chaque prise de la seconde est choisie parmi six au plus, d'abord pour sa justesse (erreur moyenne de 0,033). Ce n'est donc pas une oreille qui a choisi, c'est la mesure.
5. Une musique qui suit l'histoire, et s'efface sous la voix
La première version avait une seule musique, au même niveau du début à la fin, trop fort. ACE-Step fait maintenant un morceau par temps de l'histoire : une intro sombre, une trame chaude, une montée, une résolution. Un mixeur les place à un niveau qui dépend de l'intensité (de −24 dB pour 0 à −9 dB pour 1, jamais à fond), les enchaîne en fondu, et baisse la musique sous la voix (compression par la voix, 4 pour 1, attaque 60 ms, relâchement 900 ms). Le résultat final est amené à −14 LUFS à 0,5 près, avec un pic maximal sous −1 dBTP, mesuré une deuxième fois et refusé s'il sort du cadre.
Sur la scène d'essai de la médina, les mesures donnent −14,0 LUFS et −1,9 dBTP en anglais, −14,1 LUFS et −1,3 dBTP en français.
6. Un bruitage par plan
C'est l'étape où l'on s'est le plus heurté aux licences. Tous les modèles qui fabriquent du bruitage à partir d'un texte ou d'une image avaient un obstacle : MMAudio est non commercial, Stable Audio Open demande une acceptation de licence qui est une décision de compte, et celui de HunyuanVideo exclut l'Union européenne, le Royaume-Uni et la Corée du Sud. Alors nous avons choisi de ne pas utiliser de modèle. Le bruitage est synthétisé à partir de bruit, de résonateurs et d'enveloppes : 12 ambiances (pluie, orage, vent, lac, vagues, une pièce, l'aube, une ville au loin) et 20 événements (battements d'ailes, pas, froissement, papier, un objet posé, un éclat, des cloches, des cris d'oiseaux, des éclaboussures, une pièce, un colis, le tonnerre). Une vérification contrôle qu'aucun plan n'est muet et que chaque plan de personnage a son événement.
7. Des titres de film
Les titres de la première version ne ressemblaient pas à du cinéma. Ils sont maintenant écrits avec un moteur de sous-titres : le nom en capitales espacées dont l'espacement s'ouvre lentement pendant qu'il tient à l'écran, et le sous-titre en italique d'empattement fin qui arrive 0,45 s plus tard. Entrée en fondu de 1,1 s, sortie de 0,8 s. Les sous-titres sont plus haut qu'avant (16 % de la hauteur en 16:9, 26 % en vertical), avec un halo doux au lieu d'une boîte, deux lignes équilibrées de 42 caractères au plus, jamais dans le coin supérieur gauche où le lecteur met sa propre pastille « généré par IA ». Tout est dans la zone de sécurité (10 % de marge).
Comment c'est fait
- Modèle
- Title test over a plate (no model for the type)
- Moteur
- libass, Plus Jakarta Sans and Cormorant Garamond (OFL)
- Machine
- hébergé par le fournisseur (pas notre machine)
- Via
- title proof of « le relais », frame at 3 s, 16:9
- Taille
- 1280×720
- Durée
- non enregistré
- Coût
- non enregistré
- Run Sovkora
- non enregistré
- Note
- Not a render of the film: the title test, to judge the type set like a film (a tracked name, an italic serif subtitle arriving after it).
8. Le 4K, et le prix qu'il coûte
Les prises sont tournées en 720p avec Wan 2.2 I2V A14B en 40 étapes, puis montées en 4K avec SeedVR2. Les paysages viennent de LTX-Video, bien plus rapide. Les images clés sont faites avec FLUX.2 [klein] sur un Mac, à zéro dollar de GPU.
Les chiffres, avec leur contexte
Pour « l'aube » : 23 prises, dont 4 refusées ou raccourcies. Le temps de calcul des exécutions elles-mêmes était de 5,5 h (29,00 $) ; le reste est de l'installation et de l'attente. Les images clés, la musique et la narration ont été faites sur un Mac, à 0 $.
Ce qu'on a mesuré sur un H200 de 141 Go : un plan Wan 2.2 de 81 images en 720p, 40 étapes, prend 1 567 secondes, soit environ 26 minutes, 36 secondes par étape. Sur un H100, c'est de l'ordre de 18 minutes par clip de 5 secondes. LTX-Video, lui, fait un clip en 11 à 20 secondes. Pour le 4K, SeedVR2 prenait environ 17 minutes par plan avec un lot de 5, et 290 secondes avec un lot de 21 : ce qui permet de le faire tourner derrière la génération au lieu d'après.
Pour « le relais », le GPU a coûté 35,27 $ au total (mesuré), sous un plafond de 40 $, pour 68 secondes de film en 4K : 31,12 $ par minute finie, sur un H200. Environ 4,1 $ de ce total ont été perdus à l'installation, par deux serveurs que le garde-fou a arrêtés. Les essais seuls (deux sessions : la voix, les titres, une scène complète) avaient coûté 6,01 $ avant le rendu complet. « L'aube » avait coûté 34,42 $.
Ce que le GPU nous a appris sur l'argent
Un GPU qu'on oublie coûte autant qu'un GPU qui travaille. Alors la machine s'arrête toute seule : au bout de 20 minutes sans travail, ou au bout de 6 heures au plus. C'est ce garde-fou qui a coupé « l'aube » à la sixième heure, et il a fallu reprendre le même serveur une fois, environ 30 minutes, pour une reprise de plan et trois montées en 4K.
Un disque réseau de 200 Go, pour garder les modèles sous la main, coûte environ 14 $ par mois à ne rien faire. Nous avons décidé de le supprimer après les derniers films et de le recréer à la demande : refaire les téléchargements prend quelques minutes de GPU, ce qui est moins cher que de le garder. Et sur un GPU de 94 Go, la génération et le 4K en même temps ont manqué de mémoire : ils tournent l'un après l'autre.
Le film
« Le monde de Krizaka : le relais » fait 68 secondes en 4K. Un colis, une question : arrivera-t-il ? Le colis passe d'un oiseau à l'autre, de ville en ville, et la musique change de genre à chaque lieu. Il est visible sur krizaka.com, en français et en anglais.
Comment c'est fait
- Modèle
- Wan 2.2 I2V A14B · Apache-2.0
- Moteur
- RunPod H200, 40 steps, 720p then SeedVR2 to 4K; ACE-Step cues, synthesised foley, Zonos narrator; shown at 960 px, muted here
- Machine
- hébergé par le fournisseur (pas notre machine)
- Via
- « Le monde de Krizaka : le relais », the site cut without captions
- Durée
- non enregistré
- Coût
- 35.27 US$ (le prix du fournisseur)
- Run Sovkora
- non enregistré
- Note
- The reference film since 2026-10-21. 68 s in 4K for $35.27 of GPU, $31.12 per finished minute. Everything else ran on a Mac at $0.
Chaque film est étiqueté comme généré par IA, dans le fichier et dans le lecteur, qui affiche sa propre pastille.
La ligne à ne pas franchir
Ces films évoquent des genres : un rythme de rap, un dîner, un match. Nous les évoquons par des moyens originaux : la lumière, le cadrage, un morceau composé pour l'occasion (par exemple ici un morceau de rap avec oud et darbuka). Aucun nom ni visage d'une vraie personne, aucune chanson existante, aucun jeu, aucune émission. Les personnages sont originaux, la voix part d'une référence synthétique, le bruitage n'utilise aucun modèle sous licence restrictive. Les règles sont dans les données de la chaîne, et un contrôle les vérifie avant le tournage, pas après.
Pour lire une licence sans se tromper, j'ai écrit ce billet-là. Les licences ont été lues à la source le 20 octobre 2026. Elles changent, revérifiez avant de vous y fier. Je ne suis pas avocat : j'ai lu ces textes en ingénieur.
