Aller au contenu

Fonctionnement · Mis à jour le oct. 2026

Image en vidéo avec audio : laissez le son guider le mouvement

La plupart des outils image en vidéo animent une image à partir d’un prompt textuel et ajoutent le son après coup, quand ils l’ajoutent. Transformer une image en vidéo avec audio dans l’autre sens — l’audio pilotant l’animation —, c’est exactement ce que fait OmniHuman 2.0 : la parole et la musique décident quand la bouche bouge, quand la tête acquiesce et quand une main se lève pour appuyer un propos.

Photo+Voix=Vidéo

Voix
Pas de photo ? Essayez :
  • Aperçu gratuit
  • Connexion Google
  • Fichiers privés
Pubs UGC
Chant
Plusieurs personnes
par vidéo
5 min
en sortie
720p
scènes à plusieurs
Multi
langues
6

Cette page explique la différence entre la génération pilotée par prompt et la génération pilotée par l’audio, les types de sons qui fonctionnent, et comment combiner l’audio avec un court prompt pour garder le contrôle.

Image en vidéo avec audio : pilotage par prompt ou par le son

Les modèles vidéo généralistes excellent dans les décors et les mouvements de caméra décrits par des mots, mais ils ne savent pas à quel moment tombe une syllabe. Les modèles pilotés par l’audio lisent la forme d’onde : les consonnes occlusives ferment les lèvres, les mots accentués déclenchent l’emphase, les pauses laissent le visage se poser. Le résultat est synchronisé à l’image près, ce qui compte pour tout clip où une personne parle ou chante à l’écran.

Avec OmniHuman 2, vous gardez un prompt — mais il façonne la performance et la caméra, tandis que le timing vient entièrement du son.

Quels audios fonctionnent

Le modèle est conçu autour de la voix humaine. Les meilleurs résultats viennent :

  • des voix off, interviews, cours et extraits de podcast ;
  • du chant — voix solo, duos et chœurs ;
  • des dialogues entre deux personnes ou plus dans le même cadre ;
  • des voix de synthèse exportées depuis des outils de synthèse vocale.

Combiner l’audio avec un court prompt

Utilisez le prompt pour ce que l’audio ne peut pas exprimer : où la personne regarde, comment la caméra bouge, quel geste accompagne une phrase. Tenez-vous-en à une phrase ou deux. « Looks at the camera, opens hands on the question, slow push-in » (Regarde la caméra, ouvre les mains sur la question, lent travelling avant) suffit largement pour un clip de 20 secondes.

Côté formats, importez un MP3 ou un WAV de 4 secondes à 5 minutes ; les images peuvent être en JPG, PNG, WEBP et autres, jusqu’à 30 Mo.

De l’image et de l’audio à la vidéo finale

Le déroulé dans le studio :

  1. 1ImageImportez l’image fixe que vous voulez animer.
  2. 2AudioImportez ou enregistrez la piste qui doit la piloter.
  3. 3Mise en scèneAjoutez si vous le souhaitez une phrase d’indications de jeu et de caméra.
  4. 4RenduAperçu gratuit, puis rendu d’un MP4 en 720p.

L’associer à d’autres outils IA

Beaucoup de créateurs préparent les entrées avec d’autres outils : un générateur d’images pour le personnage, un outil vocal pour la narration, et ce modèle pour la performance. Cette chaîne garde chaque étape spécialisée — design, voix, mouvement — et vous permet de remplacer un maillon sans refaire les autres.

Si vous générez l’image vous-même, demandez un personnage de face, la bouche visible et un fond uni ; ces choix rendent l’étape d’animation bien plus fiable.

Les limites à connaître

Le modèle anime des personnes et des personnages, pas des scènes entières ; les éléments d’arrière-plan restent globalement immobiles, hormis le mouvement de caméra. Il ne peut pas non plus changer la tenue, ajouter des accessoires ou déplacer la personne dans un autre lieu — ces choix se font dans l’image source.

Obtenir le résultat le plus propre

La qualité de l’audio fixe le plafond de la synchronisation, et la netteté de l’image celui du réalisme. Un visage net, éclairé de façon homogène, et un enregistrement sec, micro proche, amélioreront davantage votre résultat que n’importe quelle formulation de prompt.

FAQ

Puis-je ajouter une musique de fond ?

Ajoutez-la au montage après le rendu. Une musique sous la voix pendant la génération peut réduire la précision du lip sync.

L’audio détermine-t-il la durée de la vidéo ?

Oui. La vidéo dure exactement aussi longtemps que votre audio, de 4 secondes à 5 minutes.

Peut-on animer des paysages à partir d’un audio ?

Le modèle est conçu pour les personnes et les personnages. Une scène sans visage ne donnera pas de résultat exploitable.

Quels formats audio sont acceptés ?

MP3 et WAV. Les enregistrements faits dans le navigateur sont convertis automatiquement.

Ai-je besoin d’un prompt ?

Non. Sans prompt, le mouvement vient uniquement de l’audio ; un prompt ajoute de la mise en scène.

Le son est-il inclus dans la vidéo téléchargée ?

Oui. Le MP4 contient votre audio d’origine, synchronisé avec l’animation.

Puis-je utiliser à la fois une voix et une image générées ?

Oui. Beaucoup de créateurs combinent un générateur d’images, une voix de synthèse et OmniHuman 2 — assurez-vous simplement d’avoir les droits sur chaque élément.

Continuer la lecture

Faites parler votre photo.

Aperçu gratuit.