Quatre acteurs chinois construisent des mondes vidéo interactifs en temps réel

En 2026, au moins quatre équipes chinoises ont lancé des modèles de monde vidéo interactifs : Alibaba a présenté HappyOyster, Ant Group LingBot, Shengshu Vidu S2 et Aishi Technology PixVerse R2. Leurs approches diffèrent, mais l'objectif est commun : une vidéo qui réagit en temps réel aux actions de l'utilisateur et devient un espace virtuel dans lequel on peut se déplacer librement. C'est ce que rapporte Jiqizhixin. Le titre de l'article évoque les premières places d'une équipe dans deux classements à la fois, mais l'extrait disponible ne nomme ni l'équipe ni les classements. Cet article ne retient donc que ce que le texte confirme.

Du clip à l'espace

La génération vidéo classique est simple : l'utilisateur écrit un prompt, attend, puis reçoit un clip terminé. Un modèle de monde interactif fonctionne autrement. Les images arrivent en flux, et l'utilisateur pilote en cours de route la caméra, un personnage ou des objets. Le modèle doit prendre en compte chaque action et en afficher aussitôt le résultat.

Cela durcit nettement les exigences pour le système. Il faut une faible latence entre la commande et l'image. Il faut aussi que la scène reste cohérente sur la durée : si l'utilisateur tourne le dos à un bâtiment puis revient, le bâtiment doit être resté en place. Il faut enfin que la génération elle-même soit stable, car on ne peut pas « redémarrer » le flux au milieu d'une promenade. Ce sont des problèmes d'ingénierie typiques de cette catégorie de systèmes, et chacun des quatre produits les résout à sa manière.

Qui entre en lice

La liste des participants montre que le sujet dépasse les laboratoires de niche :

• HappyOyster : développé par Alibaba ;
• LingBot : projet d'Ant Group ;
• Vidu S2 : modèle de Shengshu (生数科技) ;
• PixVerse R2 : modèle d'Aishi Technology (爱诗科技) ;
• objectif commun annoncé : une interaction continue et l'exploration libre du monde généré ;
• résolution, fréquence d'images, latence et durée de session : ces données ne figurent pas dans l'extrait disponible.

On y trouve deux géants technologiques et deux startups spécialisées, issues de la génération vidéo. Pour ces dernières, l'interactivité prolonge naturellement leur gamme de modèles vidéo. Pour Alibaba et Ant, c'est un moyen supplémentaire de montrer que leurs modèles de fondation savent faire plus que du texte et des images.

Ce qui reste hors champ

La formule du titre original laisse entendre que l'équipe en tête positionne son produit autrement qu'avec « un énième modèle de monde ». L'extrait ne permet pas de savoir ce qu'elle propose à la place, ni dans quels classements elle a obtenu ses premières places. Tant que les noms des benchmarks, la méthodologie et les chiffres manquent, comparer cette équipe à HappyOyster, LingBot, Vidu S2 et PixVerse R2 n'a pas de sens. Il faut lire les positions dans les classements avec leurs conditions de mesure.

Que vérifier en pratique

Les équipes qui envisagent les modèles de monde interactifs pour des prototypes de jeu, des simulations ou des formats publicitaires peuvent se passer des annonces tapageuses et préparer leur propre test. Il est utile de mesurer la latence de réponse sur du matériel réel, et non sur un stand de démonstration. Il faut lancer une longue session et vérifier si la scène ne « dérive » pas au bout de quelques minutes.

Il faut aussi établir si l'accès par API est ouvert et quel est le prix de la minute de génération. Les classements aident à dresser une présélection, mais ce sont vos propres scénarios qui trancheront : contrôle de la caméra, répétabilité des scènes et stabilité des personnages. Quand l'article complet ou le rapport technique sortira, ces critères serviront aussi à comparer les affirmations de l'équipe en tête avec celles des autres.