Texte vers vidéo ou image vers vidéo : lequel vous faut-il vraiment

Fellowi fait tourner quatre modèles vidéo. Deux partent d’une phrase et deux partent d’une image, et chacune de ces paires existe en version turbo rapide et en version complète plus lente. C’est tout le catalogue, et le seul choix qui change vraiment ce que vous récupérez est le premier : donnez-vous au modèle une image fixe, ou une description ?

Il faut reconnaître que nous l’avons mal décrit pendant un temps. Trois articles de ce blog affirmaient carrément qu’il n’existait pas de voie uniquement textuelle, c’était faux, et nous les avons corrigés. Si vous avez lu ici début septembre que l’image vers vidéo était la seule option, c’est cette phrase-là que nous avons réparée.

La règle qui tranche la plupart des cas

Si un visage précis doit ressortir à l’autre bout, partez d’une image.

Ce n’est pas une préférence. Une description textuelle ne peut pas porter un visage. « Une femme d’une petite trentaine, cheveux foncés, yeux verts » resserre un peu la catégorie et y laisse des milliers de visages, et le modèle en choisit un autre à chaque essai. Lui tendre une image fixe supprime entièrement la devinette : la personne dans le cadre est déjà décidée, et le travail du modèle se réduit à la faire bouger. Nous avons écrit pourquoi l’identité vit dans une image de référence plutôt que dans des mots, et la vidéo en est la version la plus aiguë, parce qu’une incohérence sur vingt-quatre images par seconde se voit bien davantage qu’entre deux images séparées.

Le texte vers vidéo gagne sa place quand le sujet est générique et que c’est la scène qui compte. Des vagues sur une digue, la circulation nocturne, une bougie qui se consume, un plan d’ensemble de rue. Personne dans le public ne sait à quoi cela est censé ressembler, donc il n’y a rien avec quoi être incohérent, et vous sautez toute l’étape de fabrication d’une image fixe.

Ce que chaque voie exige de vous

Le texte vers vidéoveut un prompt qui porte le monde entier : sujet, lieu, lumière, caméra et mouvement. C’est le prompt le plus difficile à écrire parce que rien n’est fixé pour vous, et un prompt vague donne un clip moyen, d’allure banque d’images.

L’image vers vidéoveut presque l’inverse. L’image fixe a déjà dit à quoi ressemble la scène, donc en répéter quoi que ce soit dans le prompt est du gaspillage, et la contredire est pire que du gaspillage. Dépensez chaque mot sur le mouvement : ce qui bouge, à quelle vitesse, et ce que fait la caméra. Notre guide des prompts vidéo est bâti exactement autour de cette discipline, et l’un de nos prompts prêts à coller est écrit spécialement pour faire une bonne image de départ.

La voie image sait faire une troisième chose que la voie texte ne sait pas : accepter une image de finen plus de l’image de départ. Donnez les deux et elle rend le mouvement entre deux images que vous avez choisies, ce qui est le plus grand contrôle disponible ici sur un clip. C’est l’outil naturel pour une courte vidéo verticale dont vous savez exactement où le plan doit atterrir.

Turbo ou complet, c’est une autre question

Une fois la voie choisie, vous choisissez encore une famille, et il s’agit ici de plafond et de prix, pas de fidélité à l’idée.

Les modèles turbo sont la paire rapide et bon marché. Ils proposent 720p et 1080p, et un clip de quatre secondes en 720p coûte 500 coins. Les modèles completssont plus lents et vont plus loin : ils ajoutent le 480p en bas et la 4K en haut, et leur 720p est visiblement meilleur, d’où 900 coins pour les mêmes quatre secondes au lieu de 500. L’écart se creuse vite avec la résolution, parce que ces prix sont à la seconde et que la 4K représente une quantité énorme de pixels : quatre secondes de 4K complète coûtent 4 400 coins, et trente secondes 33 000.

Le conseil honnête est de brouillonner en turbo. Réglez le mouvement et le cadrage en 720p pour 500 coins, et décidez seulement ensuite si ce clip-là mérite un rendu en modèle complet. Tout est facturé à la seconde, donc le coût de découvrir que vous vouliez un autre mouvement de caméra dépend entièrement du modèle sur lequel vous l’avez découvert.

Les réglages que les deux voies partagent

La durée va de quatre à trente secondes. Il y a sept formats d’image, dont le 9:16 pour la vidéo verticale sur les réseaux, plus un réglage automatique qui conserve le cadrage de l’image de départ au lieu de lui imposer une forme. Le son est une case à cocher, généré avec le clip, et il ne change pas le prix. Chaque réglage est détaillé dans l’article sur la surface de contrôle.

Une note pratique sur le prix : il est linéaire en durée et fixé par le modèle et la résolution, donc identique quelle que soit la voie empruntée. Choisir le texte vers vidéo ne vous économise rien, et choisir l’image vers vidéo ne coûte rien de plus. Choisissez sur le fond.

Une génération qui échoue rend vos coins automatiquement. L’expérience bon marché est donc celle à lancer en premier : fabriquez une image fixe dans Fellowi Images pour 40 coins, emmenez-la dans Fellowi Video, et ne décrivez que ce qui bouge. Si le sujet s’avère n’avoir besoin d’aucun visage, vous venez d’apprendre que vous pouviez sauter une étape, et c’est une leçon peu coûteuse.