Dessin animé IA : un épisode de 24 secondes assemblé de dix façons, la meilleure a coûté 162 crédits

L'équipe qui produit la série animée verticale « La Rue de la forêt » entièrement à partir de modèles cloud a publié un retour détaillé sur sa production. Entre le 29 et le 31 octobre 2026, elle a reconstruit un seul épisode, « Agitation interdite », d'une dizaine de façons, avec Wan, Kling, Veo, Seedance, GPT Image et Nano Banana Pro. L'épisode dure 24 secondes, les personnages sont récurrents et la parole est en russe.

Les coûts sont exprimés en crédits Higgsfield (la monnaie interne du service par lequel Kling est lancé) et en bonus Flow (l'unité de compte de Veo). Ces unités ne s'additionnent pas. Aucune donnée d'audience n'existe pour l'instant pour chaque méthode, et chaque essai est unique : ce retour ne peut donc pas passer pour un classement des modèles.

Ordre des étapes : d'abord un brouillon bon marché, ensuite l'animation

Le schéma est le suivant : bible des personnages, scénario à la seconde, validation humaine, fiches de référence des personnages, images dans GPT Image, voix ElevenLabs, montage avec mouvements de caméra, contrôle, visionnage du brouillon par un humain. Ce n'est qu'ensuite que la scène est confiée à Kling 4.0 : un plan continu, 2 à 3 prises. L'argent consacré à l'animation ne sert ainsi qu'à une histoire qui a déjà convaincu.

La principale conclusion des auteurs : le point faible venait des requêtes floues, pas des modèles eux-mêmes. Le scénario est détaillé à la seconde : qui parle, avec quelle intonation, ce que fait celui qui écoute, où se place la pause, à quel moment l'objet est dévoilé. Dans la troisième requête adressée à Kling, ils ont ajouté une interdiction de l'écho, les intervalles exacts entre les répliques et la mention « ZINA ONLY ». Les cinq répliques ont toutes été reconnues sans répétition. Avant la sortie, un assistant IA « frais » (sans contexte préalable) raconte la scène image par image, sans le son. Si le sens ne correspond pas à l'intention, l'épisode ne sort pas.

Dix essais sur une seule histoire

Tous les essais datent du 30 octobre ; l'histoire est « Agitation interdite », d'environ 24 secondes :

• Wan 3.0 Prime + Speak 2.0, plan par plan : 116 crédits, environ 47 minutes.

La pince à linge est déjà dans la main, les lettres sont complétées toutes seules. Écarté par un humain. • Kling 4.

0 + Avatars 2.0, plan par plan : 61,75 crédits, environ 17 minutes. Lettres en trop sur le T-shirt, Zina cligne des yeux au lieu de plisser les yeux.

Écarté. • Veo 3.1 Fast, plan par plan : 180 bonus, environ 29 minutes.

C'est la fiche du personnage qui bouge, et non la pince à linge. Écarté. • Images avec caméra (« BD ») : aucun coût supplémentaire.

Changements de plan très visibles, écarté. • Kling 4.0 en un seul bloc : 54 crédits, environ 6 minutes.

Les vatroushki sont visibles à l'avance, pseudo-texte sur le tableau, la pièce change. Éliminé par le contrôle automatique. • Seedance 2.

5 en un seul bloc : 168 crédits, environ 8 minutes. Deux Zina, inscriptions erronées, pas de son. Éliminé.

• Veo 3.1 Fast, trois parties : 80 bonus, environ 10 minutes. Les personnages se confondent, les vatroushki ne sont pas dévoilées, volume à −18,3 LUFS.

Éliminé. • Kling 4.0 avec jeu d'acteur à la seconde, 3 prises : 162 crédits, environ 16 minutes.

Un seul plan, cinq répliques, vatroushki dévoilées dans le final. Retenu. • GPT Image + caméra, 10 images : 12 générations, 373 caractères de voix off.

Les poses changent par à-coups, texte sans erreur. Retenu comme version économique. • Nano Banana Pro 2K + caméra (illimité) : les poses changent d'un coup, le pigeon n'est pas à sa place.

Pas d'évaluation.

Lors d'un test à l'aveugle sur six clips (162,5 crédits), c'est Wan 3.0 Prime que l'évaluateur humain a préféré. Mais sur une scène avec répliques et émotions, Kling s'est montré meilleur, et ce choix n'a pas tenu. Seedance a été retiré de la production à cause de sa qualité, bien qu'un forfait illimité s'y applique. Les modèles vidéo abîment les lettres : toutes les fiches et tous les tableaux sont donc désormais « propres » dans la vidéo, et les inscriptions sont dessinées dans des images GPT Image et Nano Banana. La vidéo est générée en 720p puis étirée à 1080×1920. Une génération Kling en 1080p a coûté 96 crédits, contre 54.

Voix et contrôle : ce que l'automatisation n'entend pas

La voix off est produite avec ElevenLabs eleven_v4, avec des balises d'émotion. Pour huit personnages, un casting de 24 candidats a été organisé (2 992 crédits). La première voix de Zina, Nadia, a été retirée : elle est classée comme jeune, alors que le personnage a 74 ans. Babushka Valya a été choisie, mais d'après sa description, pas à l'écoute. Les enregistrements lents sont accélérés jusqu'à ×1,30 sans changement de hauteur.

Kling parle avec ses propres voix, la parole est donc remplacée. Audio Isolation sépare la voix, les répliques sont découpées par fenêtres, chacune passe par Voice Changer (eleven_multilingual_sts_v2) et est posée sur un fond sonore discret. Le flux vidéo n'est pas modifié : son hachage SHA-256 est identique avant et après. Selon Scribe, le service de reconnaissance vocale d'ElevenLabs, les limites des mots ont bougé de 0,06–0,08 s au maximum. Cela ne confirme pas la synchronisation labiale.

Le contrôle est séparé du montage. Des images sont extraites toutes les 0,25 seconde, environ 100 par clip, et c'est un assistant IA qui les examine. La parole est reconnue par faster-whisper small, en local.

Le volume est mesuré avec ffmpeg et calé à −14 LUFS. La piste d'origine fluctuait : Kling autour de −11,7, Veo à −18,3 avec une chute à −23,3 dans la troisième partie. Aucun assistant IA n'entend le son : l'envoi d'un fichier WAV a renvoyé « audio input not supported ».

La reconnaissance renvoie des mots, pas des syllabes accentuées ; elle ne permet donc pas de vérifier l'accentuation. Le dictionnaire de 31 mots n'a pas pu être branché : la clé d'API n'avait pas le droit pronunciation_dictionaries_write.

Ce qui reste non résolu

Le transfert d'une image réussie vers la vidéo n'est pas fiable. Dans « Et le téléphone, je le mets où ? », la boîte cache le plateau, la lampe se déplace sans action visible et le téléphone se soulève avant la pause.

La fiche de Tyoma le fait paraître plus jeune que 16 ans, et toutes les images en héritent. Les versions en images dédoublent les silhouettes lors des transitions de cinq images. Aucune confirmation à l'écoute n'existe pour les voix.

Surtout, les auteurs ne savent pas combien de roubles et d'heures de travail humain coûte un bon épisode obtenu de façon régulière, et non à la faveur d'un essai réussi. Conclusion pratique pour ceux qui font de la vidéo IA : écrivez la scène à la seconde, testez-la sur des images peu coûteuses et ne faites pas confiance au rapport du contrôle automatique sans vos propres oreilles.