Nano Banana 2.1 et Hailuo 3.0 réunies en duo : de la photo à la vidéo

La tâche se déroule en deux temps : à défaut d'image existante, on la crée dans Nano Banana 2.1, puis on l'anime dans Hailuo 3.0. Il s'agit du modèle lancé par Google le 6 octobre 2026 (gemini-nano-banana-2.1) et du service vidéo de MiniMax, officiellement déployé le 31 juillet 2026 sous le nom MiniMax H3 (Hailuo Minimax 3.0 chez les agrégateurs, Hailuo-03 dans l'API). Il s'agit à chaque fois du même modèle.

Nano Banana 2.1 : générer pour le mouvement

Nano Banana 2.1 est une mise à jour de Nano Banana 2 signée Google, positionnée comme une alternative plus économique à Nano Banana Pro. Elle est conçue pour la génération et l'édition d'images.

Fonctionnalités :

• Trois résolutions : 1K, 2K, 4K (1K par défaut)
• Édition par dialogue : on peut demander de modifier un seul détail, le reste restant inchangé
• Jusqu'à 14 images de référence pour définir un style
• Conservation de l'apparence pour jusqu'à 4 personnages et 10 objets
• Trois niveaux de réflexion avant génération : minimal, medium (par défaut), high
• Filigrane SynthID sur tous les résultats

L'image produite par Nano Banana 2.1 doit déjà contenir une phase d'action lisible : une posture au milieu d'un pas, des cheveux ou un tissu saisis par le vent, un objet au bord d'une table. Une telle image répond à elle seule à la moitié des questions sur le déroulement temporel.

Hailuo 3.0 : de l'image à la vidéo paramétrée

Le modèle comprend le contexte issu du texte, des images, de la vidéo et de l'audio, et génère des vidéos avec son stéréo. Selon l'annonce officielle, ses points forts sont : le suivi précis des instructions, le rendu fidèle du texte et des marques, et la reproduction du mouvement à partir d'une vidéo de référence. L'éditeur reconnaît que le niveau de détail de l'image reste à améliorer dans certains scénarios.

Paramètres techniques :

• Vidéo : 4 à 15 secondes, en nombre entier
• Résolution : 768P ou 2K
• Prise en charge du son stéréo
• Formats : 21:9, 16:9, 4:3, 1:1, 3:4, 9:16
• Images prises en charge : JPG, JPEG, PNG, WEBP, HEIC, HEIF
• Taille de fichier : jusqu'à 30 Mo
• Taille d'image : 256–5760 px
• Rapport d'aspect : 0,4–2,5
• Longueur du prompt : jusqu'à 7000 caractères
• En mode image-to-video, la vidéo conserve les proportions de l'image source

La physique du mouvement : les données d'une étude indépendante

L'étude indépendante Physion-Eval (Physion Labs, Stanford, MIT, Harvard ; prépublication arXiv 2603.19607) a testé cinq modèles vidéo : Sora 2, Veo 3.1 Fast, Kling 2.5, Hailuo 2.3, Wan 2.2. Des experts en physique ont annoté les erreurs sur 1719 clips en plan large et 423 à la première personne. Les conditions se rapprochent de la tâche photo-vers-vidéo : la première image d'une vidéo réelle accompagnée de sa description textuelle.

Résultats de Hailuo 2.3 en plan large (troisième personne) : 93,1 % des clips présentent au moins un défaut, 1,42 défaut par clip, gravité moyenne des défauts sur une échelle de 1 à 5 : 3,61.

Moyenne des cinq modèles en plan large : 83,3 %, 1,28, 3,10.

Meilleur résultat (Kling 2.5) : 73,8 % des clips avec défauts.

À la première personne, Hailuo 2.3 : 92,0 % des clips avec défauts, 1,92 défaut par clip, gravité 3,86.

Moyenne à la première personne : 93,5 %, 1,56, 3,32.

Les erreurs les plus fréquentes : rupture de cohérence temporelle (des détails changent de couleur ou de forme sans raison), incohérence de matière ou d'état, perte de permanence des objets. Les processus calmes (flamme, coucher de soleil) restent crédibles. Les échecs surviennent sur les scènes impliquant un contact, des changements irréversibles et des transitions brusques : choc, découpe, bris, écoulement.

Quatre règles pratiques

Comblez l'axe temporel manquant par des verbes visibles et des enchaînements : effleuré — penché — tombé — heurté — roulé — éclaboussé. Ne gardez qu'un seul mécanisme principal par clip. Choisissez des images avec une phase de mouvement lisible. Privilégiez des images aux contours nets, à source lumineuse unique, avec un minimum de petit texte.