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

L'équipe qui réalise la série animée verticale « Lesnaïa Oulitsa » entièrement avec des modèles dans le cloud a publié un compte rendu de production. Du 29 au 31 octobre 2026, elle a remonté un épisode, « Propagande interdite », d'environ dix 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 indiqués en crédits Higgsfield (monnaie interne du service où tourne Kling) et en bonus Flow (unité de compte de Veo). Ces unités ne s'additionnent pas. Il n'existe pas encore de chiffres d'audience par méthode, et chaque essai est unique : ce compte rendu ne saurait donc tenir lieu de classement des modèles.

L'ordre des étapes : d'abord un brouillon peu coûteux, ensuite l'animation

Le schéma est le suivant : bible des personnages, scénario seconde par 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'après cela que la scène est confiée à Kling 4.0 : un plan continu, 2 à 3 prises. L'argent de l'animation n'est ainsi dépensé que pour une histoire déjà validée.

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

Dix essais sur une même histoire

Tous les essais datent du 30 octobre, histoire « Propagande interdite », 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, des lettres complétées d'elles-mêmes. Rejeté 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 les plisser.

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

C'est la fiche du personnage qui bougeait, et non la pince à linge. Rejeté. • Images avec caméra (« bande dessinée ») : aucun nouveau coût.

Changements de plan visibles, rejeté. • Kling 4.0 en une fois : 54 crédits, environ 6 minutes.

Les vatroushki (brioches au fromage blanc) sont visibles d'avance, du pseudo-texte sur le tableau, la pièce change. Écarté par le contrôle automatique. • Seedance 2.

5 en une fois : 168 crédits, environ 8 minutes. Deux Zina, inscriptions erronées, pas de son. Écarté.

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

Écarté. • Kling 4.0 avec jeu seconde par seconde, 3 prises : 162 crédits, environ 16 minutes.

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

Les poses changent par à-coups, texte sans faute. 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 en aveugle sur six vidéos (162,5 crédits), c'est Wan 3.0 Prime qui a le plus plu à l'évaluateur humain. 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 pour sa qualité, bien qu'il soit utilisable sans limite. Les modèles vidéo abîment les lettres ; désormais, toutes les fiches et tous les tableaux restent donc vierges dans la vidéo, et les inscriptions sont dessinées dans des images GPT Image et Nano Banana. La vidéo est générée en 720p et étirée jusqu'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 réalisée 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 écartée : elle est étiquetée comme jeune, alors que l'héroïne a 74 ans. Babushka Valya a été retenue, mais sur la base de 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 en fenêtres, chacune passe par Voice Changer (eleven_multilingual_sts_v2) et se pose sur un fond discret. Le flux vidéo ne change pas : son hash SHA-256 est identique avant et après. Les limites des mots se sont décalées de 0,06 à 0,08 s au maximum, selon Scribe, le service de reconnaissance d'ElevenLabs. Cela ne confirme pas la synchronisation labiale.

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

Le volume est mesuré avec ffmpeg et égalisé 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 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 bonne image vers la vidéo n'est pas fiable. Dans « A telefon kouda ? » (« Et le téléphone, il est où ?

»), la boîte masque le plateau, la lampe se déplace sans action visible, le téléphone se lève avant la pause. La fiche de Tiôma paraît avoir moins de 16 ans, et toutes les images en héritent. Les versions à base d'images dédoublent les silhouettes lors des transitions de cinq images.

Aucune confirmation à l'écoute des voix. L'essentiel que les auteurs ignorent : combien de roubles et d'heures de travail humain coûte un bon épisode obtenu de façon régulière, et non par une tentative isolée. Conclusion pratique pour ceux qui font de la vidéo par IA : détaillez la scène seconde par seconde, testez-la sur des images peu coûteuses et ne vous fiez pas au rapport du contrôle automatique sans vos propres oreilles.