Lors de la génération de vidéos par IA, les accessoires subissent souvent des déformations, des dérives de matériaux ou des variations d'échelle d'un plan à l'autre. Pour stabiliser un même objet à travers différents plans, il ne suffit pas de répéter « garder la cohérence » dans le prompt ; il faut préparer en amont des images de référence adaptées. Ce que ces références doivent montrer, et avec quel degré de précision, dépend du type de vidéo et des informations que le plan doit transmettre.
1. Définir les exigences selon le type de vidéo
Avant de préparer vos images de référence, déterminez si la vidéo relève de la présentation de produit ou de la narration. Chaque catégorie a ses propres priorités.
Dans une vidéo de produit ou une publicité, l'objet lui-même est le sujet principal : le spectateur doit voir clairement qu'il s'agit du même produit réel. Ces références doivent privilégier de vraies photos du produit dont vous détenez les droits d'utilisation, en veillant à ce que toutes les images correspondent au même modèle, à la même couleur et à la même version. Évitez de mélanger des photos de lots différents ou avec des accessoires distincts, afin que le modèle n'invente pas une structure hybride inexistante. Les variations d'éclairage peuvent modifier les reflets de surface, mais ne doivent pas transformer du métal brossé en plastique lisse, ni altérer la structure réelle pour des raisons purement esthétiques.
Par exemple, pour réaliser une vidéo sur une bouteille isotherme, les références peuvent être réparties selon les besoins des plans :
- Photo principale du produit réel : montre la courbe complète du corps de la bouteille, les proportions du bouchon, la position de la poignée et le logo de la marque, sans occultation importante ni perspective exagérée, afin de contraindre l'apparence de base dans les plans de nature morte.
- Détails partiels et états spécifiques : selon les actions prévues au scénario, ajoutez le filetage du bouchon, le mécanisme du bouton ou l'ouverture intérieure une fois le bouchon retiré. Si un plan montre un personnage qui ouvre la bouteille pour boire sans qu'aucune référence de l'état ouvert ne soit fournie, le résultat généré risque d'afficher une structure interne non conforme à l'objet réel.
- Référence d'échelle en main : montre la position de la paume saisissant le corps de la bouteille ainsi que la taille de l'objet par rapport au corps humain, pour éviter qu'en passant à un plan avec un personnage, la bouteille isotherme ne se transforme soudainement en seau ou en tasse miniature.
Dans un film ou une fiction courte, les accessoires servent avant tout les personnages, l'action et l'intrigue. Le spectateur n'a pas nécessairement besoin de distinguer chaque vis au dos de l'objet, mais il doit reconnaître à quel personnage il appartient, comment il s'utilise et quel rôle il joue dans l'histoire. Pour une arme portée par un personnage, l'essentiel réside dans une silhouette nette et dans la fluidité de la prise en main ou du dégainage ; pour une carte-clé servant d'indice ou un vieux souvenir, l'important est que le spectateur puisse voir clairement en gros plan l'encoche, le numéro ou la fissure qui fait avancer le récit.
Tous les accessoires narratifs n'ont pas besoin d'être dessinés sous forme de vues orthographiques de niveau industriel. Vous pouvez d'abord identifier les caractéristiques qui apparaîtront réellement à l'écran, définir clairement la forme, les matériaux et les points d'identification clés, puis juger d'après les résultats générés s'il faut ajouter d'autres références. Si une fiction courte comporte un placement de produit commercial, cet article devra toujours être préparé selon les standards d'un produit réel, tandis que les autres accessoires de décor de la même scène recevront une attention proportionnelle à leur importance narrative.
2. Apparence générale et détails clés
Pour un accessoire original central dans un film ou une fiction courte, on peut commencer par créer une planche de concept regroupant une vue d'ensemble et des zooms sur des détails précis. La vue d'ensemble établit la silhouette de l'objet, sa dominante chromatique et ses proportions structurelles ; les vues détaillées agrandies fixent les matériaux et les ornements qui seront visibles en plan rapproché ou en gros plan. Il n'est pas nécessaire d'aligner mécaniquement des vues de face, de profil et de dos ; l'essentiel est que tous les encadrés de détail proviennent exactement du même objet, sans laisser le modèle inventer un autre mode d'enroulement ou un autre jeu de pièces lors de l'agrandissement.
La planche de concept d'arme en anglais ci-dessous présente un sabre original. La partie supérieure montre une vue principale complète de trois-quarts, tandis que la partie inférieure agrandit quatre zones : la texture de la lame, la poignée en cuir, la garde et le pommeau.
Cette planche de concept fournit quatre niveaux de repères visuels pour les vidéos suivantes :
- Texture de la lame (
BLADE TEXTURE) : définit la courbure légère de la lame, le grain ondulé de l'acier ainsi qu'une fine bordure décorative près du dos de la lame. Ces motifs doivent adhérer à la surface métallique pour éviter de se transformer en fissures ou en bandes lumineuses dans les plans en mouvement. - Poignée en cuir (
LEATHER GRIP) : précise le grain du cuir brun foncé, le tressage en biais superposé et l'usure des bords. Dans les plans rapprochés où la main saisit l'arme, une incohérence dans la logique d'enroulement de la poignée se remarque bien plus vite qu'un petit motif flou en plan large. - Détail de la garde (
GUARD DETAIL) : montre la patine du laiton vieilli, sa forme incurvée ainsi que la structure de sa jonction avec la lame et la poignée, garantissant que les matériaux des différentes parties appartiennent à une conception unifiée. - Détail du pommeau (
POMMEL DETAIL) : fixe les caractéristiques de l'extrémité en laiton à facettes et de la pierre sombre incrustée, ce qui offre un point d'ancrage visuel idéal lors des gros plans de dégainage ou de rotation de l'arme.
Pour ce type de planche de concept, vous pouvez vous appuyer sur le prompt en anglais suivant : décrivez d'abord l'arme complète, puis spécifiez les quatre zones agrandies et la mise en page. La description de l'arrière-plan correspond ici à la version finale sur fond blanc grisé clair :
Create an English weapon concept sheet for an original fictional saber.
Show the complete weapon once as a large three-quarter hero illustration.
Design: a gently curved blade with flowing steel grain and a narrow decorative border near the spine; a dark brown leather-wrapped grip; an aged-brass guard; and a faceted brass pommel with a dark inset stone.
Add four enlarged detail callouts taken from this exact weapon:
1. Blade texture and decorative border.
2. Leather grain, overlapping wrap and worn edges of the grip.
3. Guard shape, surface wear and its visible junction with the grip and blade.
4. Pommel shape and inset stone.
Keep the same shapes, materials and decorative details in the main illustration and every callout. Use fine graphite and sepia ink linework with restrained material shading on a near-white background with a faint neutral light-gray tint. Wide landscape composition with clear spacing.
English title: SABER CONCEPT STUDY
Callout labels: BLADE TEXTURE, LEATHER GRIP, GUARD DETAIL, POMMEL DETAIL.
No front-side-back views, no turnaround sheet, no dimensions, no characters and no action scene.
Valider d'abord la conception de l'accessoire seul à l'aide d'une planche dédiée, avant de générer des plans où un personnage le manipule, facilite grandement le diagnostic en cas de problème. Si vous concevez simultanément l'accessoire et le mouvement du personnage dans une seule image de scène complexe, dès que la main masque la garde ou que l'éclairage modifie la perception du matériau, il devient très difficile de retrouver une référence uniforme pour les plans suivants.
3. Exemple multi-plans en prise de vue réelle : dégainer le sabre
Une fois la planche de concept de l'objet seul clairement établie, on peut tester son comportement dans une vidéo dynamique. La première version de la vidéo utilise directement la planche de concept du sabre ci-dessus comme unique image de référence en entrée, avec pour consigne de générer une vidéo en prise de vue réelle à plusieurs plans : dégainer le sabre de son fourreau, examiner la lame, observer en gros plan les motifs de l'acier et la poignée, puis revenir à un plan du personnage tenant l'arme.
Ce test a été réalisé avec le modèle open source MiniMax H3 hébergé sur WaveSpeed (un modèle non-SOTA), avec une sortie en 768p, une durée d'environ 15 secondes et un son généré nativement.
Prompt vidéo utilisé pour ce test
Photorealistic live-action cinema, 16:9. Use <Picture 1> ONLY as the exact physical SABER object design reference: one elegant curved single-edged blade with flowing watered-steel grain and delicate engraved spine border, dark brown leather-wrapped grip, aged brass curved knuckle-bow guard, faceted brass pommel with a dark oval inset. The image is a design sheet, NOT a frame or storyboard. Transform that object into a convincing real metal film prop. Do not reproduce the sheet, illustration style, labels, panel layout, or lettering. No text on screen.
A real adult man in his thirties, wearing a plain charcoal linen shirt, calmly examines this saber in a softly lit pale gray-white studio. Natural skin texture, realistic hands and weight, restrained cinematic lighting, beautiful tactile close-ups. Same man, same clothing, same saber throughout. A simple dark leather scabbard fits the curved blade. He is peacefully admiring craftsmanship, never attacking or swinging.
Create FOUR clearly distinct shots with clean editorial cuts, coherent physical continuity:
[0s-5s] Medium three-quarter shot, waist to head. The man holds the scabbard securely in his left hand, grasps the leather grip in his right, and slowly draws the entire curved blade completely free in one continuous physically plausible motion. Camera gently pushes in. Hands remain on grip and scabbard, not the edge. End with the saber visibly fully unsheathed.
[5s-8s] Cut to a close three-quarter view of his face and the blade. He raises the saber at a comfortable distance, quietly admires the blade, and slowly rotates his wrist a few degrees so a broad soft highlight travels over the watered-steel texture. Natural subtle expression of appreciation.
[8s-12s] Cut to a cinematic macro insert tracking from the flowing steel grain and engraved border near the base of the blade to the aged brass guard and leather wrapping. Preserve the distinctive guard and pommel design from <Picture 1>. Shallow depth of field; realistic metal, leather pores, tiny wear. Only one blade, no duplication or morphing.
[12s-15s] Cut back to a medium close-up from the opposite three-quarter angle, maintaining screen direction. He looks down at the guard and pommel, gently turns the grip to inspect the craftsmanship, then holds the saber still with a quiet appreciative half-smile. Keep blade shape, length, guard, leather and pommel consistent.
Audio: Native synchronized stereo production sound throughout. At 0-5s, clearly audible textured steel sliding out of a leather scabbard, a delicate brass click at release, soft sleeve and leather creaks. At 5-12s, subtle movement of clothing and grip, light natural breathing, quiet indoor room tone. At 12-15s a small leather creak as the grip turns; soft room ambience continues across cuts. Intimate realistic foley, no music, no dialogue, no subtitles. No exaggerated sword swooshes or combat sounds. Real human live action, not animation, not a sketch, no illustration overlays.
Avec pour seule entrée une planche de concept de l'arme isolée, cette vidéo parvient déjà à bien maintenir les principales caractéristiques d'apparence de l'accessoire tout en restituant les actions de dégainage et d'observation. En examinant la séquence plan par plan, on constate le rôle joué par l'image de référence selon les valeurs de plan, ainsi que ses limites :
Dans le plan moyen d'ouverture où le sabre est dégainé, puis dans le plan rapproché d'observation qui suit, la courbure générale du sabre et les motifs ondulés à la surface du métal sont préservés, et l'image montre bien la lame qui sort progressivement du fourreau. Lors du passage au très gros plan de détail, l'enroulement du cuir brun foncé, la teinte de la garde en laiton et la texture de la lame correspondent bien au même ensemble de matériaux défini sur la planche de concept. Lorsque la caméra revient au personnage tenant le sabre, la position de prise en main et l'état de l'accessoire restent globalement continus.
Cependant, en comparant attentivement avec la planche de concept, les fines gravures en plan rapproché, certaines courbes locales de la garde et l'ornementation du pommeau présentent encore un certain degré de simplification ou de déformation. Dans ce résultat, l'image de référence permet de maintenir la silhouette générale, les matériaux principaux et la structure centrale dans une fourchette raisonnable, mais ne garantit pas que chaque micro-motif reste strictement identique au fil des changements de plan dynamiques. Lors de la vérification du rendu final, il convient de contrôler en priorité la silhouette, les couleurs et la logique de prise en main sur les plans larges et moyens, tandis que les gros plans exigent de vérifier séparément si les détails d'identification clés sont suffisamment fidèles.
4. Échelle relative entre le personnage et l'accessoire
Qu'un accessoire ressemble bien au même sabre ne signifie pas qu'il conserve toujours une taille cohérente dans les mains du personnage. Bien que la première version de la vidéo ait stabilisé les matériaux et les caractéristiques visuelles, l'arme entière paraît un peu courte dans la main de l'homme, se rapprochant davantage d'une lame courte que du long sabre attendu. Au fil des changements de plans, l'épaisseur de la poignée et la longueur de la lame par rapport au torse constituent également des dimensions qu'il faut contrôler spécifiquement.
Des tentatives précédentes consistant à annoter des dimensions et des proportions directement sur l'image de référence n'ont pas donné les résultats escomptés. Une vue d'objet isolé présente clairement le design de l'arme, mais manque d'un repère visuel partagé avec une main humaine, un torse ou un environnement dans le même cadre. Lors de la préparation des références, il ne faut pas considérer que l'inscription de valeurs chiffrées sur une image suffit à contraindre la taille réelle de l'objet.
De nombreux créateurs de la communauté ont rencontré des difficultés similaires. Dans une discussion sur Reddit consacrée aux proportions entre personnages et objets avec MiniMax H3 Ref2V, l'auteur du sujet mentionnait que même en précisant la taille relative dans le texte, les résultats générés continuaient de subir des dérives d'échelle ; dans les commentaires, certains suggéraient de fournir directement une image de référence montrant le personnage tenant l'objet, un montage comparatif mis à l'échelle, ou encore d'utiliser des volumes 3D simples pour fixer les rapports de taille. Dans un autre fil portant sur les dimensions entre personnages et environnement, certains estimaient utile d'indiquer des mesures précises en centimètres, tandis que d'autres rapportaient que ces valeurs numériques étaient totalement ignorées par le modèle. Ces échanges relèvent de retours d'expérience personnels, mais ils montrent que traduire directement les rapports de taille en une image visible est généralement plus parlant que de s'en remettre uniquement à des chiffres.
Si, au-delà des références du personnage et de l'accessoire, vous avez des exigences précises quant à leur échelle relative, vous pouvez créer une image de storyboard ou une planche de référence supplémentaire réunissant le personnage et l'accessoire dans le même cadre, dédiée spécifiquement à l'ancrage des proportions.
Afin de conserver l'apparence de l'homme de la vidéo initiale tout en essayant d'allonger la lame, nous avons d'abord extrait une image du personnage depuis la première vidéo pour générer une planche de référence de personnage. Cette planche conserve les traits du visage, la coiffure et la chemise gris anthracite de la vidéo d'origine, tout en complétant le pantalon et les chaussures qui n'apparaissaient pas à l'écran, formant ainsi une vue en pied complète accompagnée d'un plan rapproché du visage. Pour savoir comment organiser les vues en pied, de profil et les gros plans du visage, vous pouvez consulter le guide Comment concevoir un turnaround de personnage : des références de base à la gestion des ressources.
Ensuite, en combinant cette référence de personnage avec la planche de concept originale du sabre, nous avons généré une image de référence d'échelle en pied montrant le personnage tenant l'arme. Dans cette nouvelle image, nous avons délibérément allongé la lame, tout en conservant la texture de l'acier, la poignée en cuir brun foncé et le design de la garde en laiton. L'image rend simultanément et clairement visibles le corps entier du personnage, la relation entre la paume de la main et la poignée, ainsi que la longueur totale du sabre ; de plus, l'homme et l'arme se trouvent sur un plan de profondeur de champ similaire, ce qui évite toute distorsion de perspective causée par une pointe de lame dirigée vers l'objectif.
Une fois cette image d'ancrage d'échelle prête, nous avons lancé la génération d'une deuxième version de la vidéo. Celle-ci utilise toujours le modèle open source MiniMax H3 hébergé par WaveSpeed (768p, environ 15 secondes, son natif), et reprend intégralement le prompt en anglais, les paramètres de génération et la graine aléatoire (seed) de la première vidéo (fixer la seed sert ici principalement à réduire les variables de test, mais ne suffit pas à lui seul à garantir la cohérence visuelle ou d'échelle).
Lors de l'envoi des images de référence, la planche de personnage en pied ci-dessus n'a servi que d'étape intermédiaire et n'a pas été transmise séparément au modèle vidéo ; les entrées réellement fournies pour la deuxième vidéo sont la planche de concept initiale de l'arme isolée (en tant que <Picture 1>) et la nouvelle image d'échelle en pied avec le sabre en main (en tant que <Picture 2>). Le prompt reprend celui de la première version en y ajoutant simplement l'instruction suivante :
Use <Picture 2> as the reference for the saber's size relative to the person, including the blade length and grip-to-hand proportions.
Voici le résultat généré :
Sur l'image ci-dessus, la colonne de gauche correspond à la première version, et celle de droite à la deuxième version intégrant la référence d'échelle ; la ligne supérieure est extraite à 4,5 secondes de chaque vidéo, et la ligne inférieure à 6,5 secondes. Les images sont extraites directement des vidéos d'origine sans redimensionnement séparé de l'arme. La posture du personnage et l'orientation de la lame différant entre les deux versions, cette comparaison sert à observer l'écart visuel et ne constitue pas une mesure dimensionnelle exacte.
Une fois votre planche de concept d'accessoire et votre image d'échelle personnage-objet prêtes, vous pouvez accéder au générateur vidéo MiniMax H3, ajouter vos ressources de référence, préciser dans le prompt le rôle de chaque image, puis tester des mouvements de dégainage, de prise en main ou de présentation.
En comparant les deux vidéos finales, on constate que la deuxième version exécute tout aussi bien le dégainage, l'observation et le gros plan de détail, mais que la lame y apparaît visuellement nettement plus élancée que dans la première version ; le rapport entre la poignée et la paume de la main reste par ailleurs un point clé à surveiller plan par plan. Il faut toutefois préciser que, comme les plans de cette vidéo sont tous des plans moyens rapprochés et des gros plans sans aucune vue en pied complète du personnage tenant le sabre, cette seule vidéo ne suffit pas à prouver que la proportion exacte entre la longueur de la lame et la taille du personnage est totalement verrouillée. Ce résultat offre un exemple concret de l'apport d'une référence d'échelle partagée dans un même cadre, mais davantage de plans seront nécessaires pour tester sa stabilité.
Pour vérifier le respect des proportions dans ce type de vidéo, ne comparez pas directement la longueur en pixels sur l'écran entre un gros plan et un plan moyen : il est tout à fait normal, par effet de perspective, que l'arme paraisse plus grande à l'image lorsque la caméra se rapproche. Une méthode plus fiable consiste à prélever une image dans chacune des phases — sortie du fourreau, levée de la lame, gros plan et retour sur le personnage — puis à observer, à l'intérieur de chaque cadre, si « l'épaisseur de la poignée par rapport à la paume », « la largeur de la garde par rapport au dos de la main » et « la longueur de la lame par rapport à la poitrine et aux épaules » restent cohérentes d'un plan à l'autre.
5. Comment organiser des références décomposées avec plusieurs personnages
Si une vidéo met en scène plusieurs personnages et que chacun tient sa propre arme ou son propre accessoire, tenter de condenser toutes les informations dans une seule image est souvent contre-productif : un plan d'ensemble réunissant tout le monde rend difficile la lecture des matériaux locaux de chaque accessoire, tandis que fournir uniquement des vues d'objets isolés risque de brouiller les écarts de taille entre les personnages et les longueurs respectives des armes dans la vidéo.
Pour répondre à ce genre de scénarios complexes, lors de la discussion Reddit sur les proportions dans MiniMax H3 mentionnée plus haut, des membres de la communauté ont suggéré de combiner « des fiches de personnages individuelles + une planche comparative de taille réunissant tous les personnages dans le même cadre ». Dans le prolongement de cette idée, lorsqu'une scène implique à la fois plusieurs personnages et plusieurs accessoires, on peut essayer d'organiser les références sous la forme d'une combinaison « références décomposées + vue d'ensemble d'échelle partagée » (cette méthode d'organisation multi-personnages est proposée ici à titre de piste de réflexion et n'a pas encore été testée expérimentalement dans le cadre de cet article) :
- Références décomposées par personnage et accessoire associé : préparez pour chaque personnage une planche dédiée à son apparence et à la tenue de son objet, ou associez clairement chaque personnage à son accessoire propre. Par exemple, si le personnage A utilise un long sabre et que le personnage B tient une vieille montre à gousset, les planches décomposées servent principalement à définir les traits du visage, les vêtements ainsi que la texture et le mode de prise en main de chaque objet respectif, évitant ainsi que le modèle ne greffe les ornements de A sur l'arme de B.
- Vue d'ensemble d'échelle avec plusieurs personnages dans le même cadre : préparez en complément une image en pied où tous les personnages se tiennent debout ensemble avec leurs accessoires respectifs. Placez les pieds des personnages sur une même ligne de base horizontale et à une profondeur de champ similaire, sans plongée ni contre-plongée exagérée. Cette image ne cherche pas à montrer les fines ciselures des accessoires ; son rôle exclusif est d'indiquer au modèle qui, de A ou de B, est le plus grand, et quelle est la longueur du sabre de A par rapport au corps de B.
Lors de la rédaction du prompt vidéo, indiquez ensuite par numéro d'image quelle référence gère les détails d'apparence d'un personnage et de son accessoire spécifiques, et quelle image régit les rapports globaux de taille et de dimensions. Veillez également à préciser l'état de prise en main ou la passation des accessoires entre personnages dans les plans adjacents, afin d'éviter qu'un objet ne change de main ou ne disparaisse sans raison lors d'une coupe.
Pour préparer vos images de référence d'accessoires, partez des plans finaux souhaités pour déduire les informations nécessaires : utilisez d'abord une vue d'objet isolé pour définir l'apparence générale, ajoutez des vues partielles pour fixer les détails clés, et, lorsque les dimensions comptent, complétez l'ensemble par une référence d'échelle réunissant le personnage et l'accessoire dans le même cadre. Après la génération, revenez toujours aux plans concrets pour évaluer si ces relations ont été préservées, avant de décider quelle image ajouter ou quelle action ajuster.
