Fabriquer un clip court, de la page blanche au fichier fini

Je voulais un clip de dix secondes : une femme sur un balcon la nuit, la ville derrière elle, le genre de plan qui ouvrirait quelque chose. Rien d’ambitieux. Cela m’a pris une quarantaine de minutes et 3 150 coins, et noter où ils sont passés est plus utile que n’importe quel tutoriel bien rangé, parce que l’essentiel de ces quarante minutes n’a pas été de la frappe.

Choisir la voie d’abord, ce que j’ai failli rater

Mon réflexe était de tout décrire en texte et de laisser le modèle inventer. C’eût été le mauvais choix, et la raison est la seule chose à savoir avant de commencer : le texte vers vidéo invente aussi la personne, et une différente à chaque essai.

Comme je voulais une apparence précise qui survive à tout le clip, la réponse était de faire une image fixe d’abord et de l’animer. Si j’avais voulu des vagues sur une digue ou la circulation nocturne, le texte aurait suffi et j’aurais économisé une étape. Toute cette décision tient en une phrase, et l’article de comparaison la donne.

L’image fixe : quatre images, 160 coins

Qualité Standard, 40 coins pièce. La première était trop lumineuse, sur la deuxième elle regardait l’objectif alors que je la voulais de trois quarts, la troisième était juste mais cadrée trop large, la quatrième était la bonne.

Une chose que j’ai faite exprès, l’ayant apprise de manière coûteuse : j’ai écrit l’image comme une image de départ, pas comme une belle photographie. Le sujet est donc au repos plutôt qu’au milieu d’un geste, parce qu’une image fixe qui semble déjà être au milieu d’un mouvement ne laisse au modèle vidéo nulle part où aller. Et l’arrière-plan est flou, parce que c’est là que la dérive se voit en premier.

Premier clip : quatre secondes, 500 coins, raté

Brouillon en quatre secondes et 720p sur un modèle turbo, la combinaison utile la moins chère qui existe. Mon prompt décrivait la scène : le balcon, les lumières de la ville, ses cheveux, l’ambiance.

C’est revenu comme si l’image fixe avait été légèrement secouée. Presque pas de mouvement, et le peu qu’il y avait semblait sans but.

L’erreur est évidente après coup et je la fais chaque fois que je reviens à la vidéo après une semaine. L’image fixe avait déjà dit à quoi ressemble la scène. Le répéter dans le prompt a dépensé tout mon budget d’instructions sur une information que le modèle avait déjà. Un prompt vidéo doit parler de ce qui bouge.

Deuxième clip : quatre secondes, 500 coins, presque

Réécrit pour ne décrire que le mouvement : une respiration lente, ses cheveux soulevés légèrement par le vent, les lumières de la ville changeant doucement de netteté derrière elle, caméra fixe. Quatre clauses, toutes sur le changement dans le temps.

Différence énorme. C’était maintenant un plan et non une photographie qui tremble. Toujours pas juste cependant : la caméra fixe donnait l’impression d’une vidéosurveillance. Ce qui était utile à apprendre, parce que cela signifiait que la variable était la caméra, et je n’y avais pas touché.

Troisième clip : quatre secondes, 500 coins, c’est celui-là

Changé exactement une chose. Caméra fixe devient « very slow push in ». Tout le reste identique.

C’était le plan. Un léger mouvement vers le sujet fait à l’attention quelque chose que rien dans le cadre ne peut faire seul, et cela a coûté une clause.

Même discipline qu’avec les images : une variable par essai. Elle importe davantage en vidéo, pas moins, parce que chaque essai coûte douze fois plus cher.

S’engager sur la durée : dix secondes, 1 250 coins

Seulement là, le mouvement et la caméra réglés, j’ai relancé en dix secondes. Même prompt, même image de départ, durée plus longue.

C’est l’étape du flux qui économise réellement de l’argent. Dix secondes font 1 250 coins en 720p turbo ; j’ai mené les expériences à 500 et payé le prix des dix secondes une seule fois, à la fin. Faire l’inverse, c’est ainsi qu’un seul clip mange un gros pack, et l’échelle des prix est assez raide pour que la discipline se rembourse immédiatement.

Une note honnête : la version longue n’est pas simplement la version de quatre secondes étirée. Elle est régénérée, donc le mouvement est semblable mais non identique. Parfois la prise longue est moins bonne et il faut la relancer. Prévoyez cette possibilité plutôt que d’en être surpris.

Le son : rien

Littéralement rien à faire. Le clip est arrivé en un MP4 avec une piste audio déjà dedans, générée pour la même scène, et le prix n’a pas bougé. J’avais écrit « distant traffic, wind » dans le prompt et c’est à peu près ce qu’il y avait.

C’est l’étape qui représentait autrefois la moitié du travail, et c’est maintenant l’étape qui n’existe pas. Davantage dans l’article sur l’audio généré.

Le compte final

• 4 images fixes à 40 coins : 160
• 3 clips de brouillon de quatre secondes : 1 500
• 1 clip final de dix secondes : 1 250
• Total : 3 150 coins, environ quarante minutes

Sur ces quarante minutes, six peut-être ont été de la frappe. Le reste, c’était attendre des rendus qui durent des minutes et non des secondes, et tourner en rond en décidant si le précédent était assez bon. Ce rythme est la vraie différence avec le travail sur images : on ne peut pas itérer vite, donc chaque essai doit valoir la peine.

Ce que je me dirais avant de commencer : écris l’image fixe comme une image de départ, ne décris que le mouvement, change une variable, et ne touche pas à la durée tant que la version de quatre secondes n’est pas le plan voulu. Tout le reste est de la patience. Cela se passe sur Fellowi Video, et le guide des prompts vidéoest la version compressée des deux clips que j’ai gâchés.