L'auteur s'est remplacé par un avatar IA sur YouTube : durée moyenne de visionnage de 1 minute au lieu de 5
Le fondateur d'une application d'apprentissage du vocabulaire a créé une copie IA de lui-même et lancé une chaîne YouTube sans tournage : Claude Code écrit le scénario, ElevenLabs fournit la voix et HeyGen le visage. Une vidéo de dix minutes revient à 2 à 3 $, mais la durée moyenne de visionnage de l'avatar tourne autour d'une minute, contre environ cinq minutes pour un auteur filmé avec un micro à 300 roubles. YouTube recommande les vidéos que les spectateurs regardent jusqu'au bout : une production bon marché qui ne retient pas le public ne fonctionne donc pas.
Traité par IA depuis Habr AI ; édité par Hamidun News
Imaginez que vous n'ayez plus besoin de poser des éclairages, d'enregistrer dix prises et de lutter contre votre élocution : vous écrivez le scénario, et une copie numérique de vous-même le lit à l'écran. L'auteur d'une application mobile d'apprentissage des langues étrangères a testé ce schéma sur YouTube. Il a monté un pipeline presque entièrement automatisé, où une vidéo de dix minutes coûte 2 à 3 $.
Mais les analyses de YouTube ont donné le résultat inverse. La durée moyenne de visionnage, c'est-à-dire le temps qu'un spectateur passe en moyenne sur une vidéo avant de la fermer, a atteint environ 1 minute pour les vidéos avec avatar. Pour les vidéos classiques, où l'auteur apparaît lui-même devant la caméra, elle tourne autour de 5 minutes.
Or c'est précisément cet indicateur qui détermine si YouTube recommande une vidéo à d'autres internautes.
Comment fonctionne le pipeline
L'auteur cherchait du trafic organique pour son application et a décidé de lancer une chaîne consacrée aux méthodes de mémorisation du vocabulaire. L'application pouvait être mentionnée au fil des vidéos.
Il a d'abord testé les services qui animent des images. La vidéo produite avec Hedra était si faible qu'il a dû la supprimer. King AI a donné un résultat encore pire. Seul HeyGen, avec son modèle le plus cher, Avatar 6, a fourni une qualité acceptable, à environ 1 $ par minute de vidéo.
Pour que l'image rappelle un tournage multi-caméras, l'auteur a réalisé ses photos sous différents angles. Via ChatGPT, il les a transformées en scènes dans un même studio généré, puis a assemblé dans HeyGen plusieurs configurations d'avatar à partir de ces bases.
Claude Code est ensuite entré en jeu. Il rédigeait le scénario et le découpait en séquences : quel texte est dit à l'écran, quel angle choisir, quand faire un gros plan et quand afficher une infographie. ElevenLabs sonorisait chaque fragment avec un clone de la voix de l'auteur. Ce clone, il l'a créé en lisant un court texte dans un micro. Toutes les étapes étaient des opérations répétitives avec une entrée et une sortie claires, si bien que l'auteur a écrit les scripts sans difficulté. Le plus compliqué a été d'obtenir un visage acceptable.
Économie : de 25 $ à 2–3 $
La première vidéo complète a coûté environ 25 $, dont l'essentiel a été absorbé par la génération vidéo dans HeyGen. L'auteur a alors décidé de réduire le temps d'avatar à l'écran. Le visage est resté au début, à la fin et lors des transitions entre les blocs, soit environ 20 % de la durée. Le reste a été occupé par des infographies, des illustrations et des inserts. Cela a produit deux effets : le spectateur voit moins souvent une mimique artificielle, et une vidéo de dix minutes ne coûte plus qu'environ 2 à 3 $. Selon l'auteur, les vidéos y ont même gagné, car les explications visuelles ont remplacé la tête qui parle.
Il a aussi réorienté la chaîne vers une audience anglophone apprenant l'espagnol. D'après ses observations, la mimique de HeyGen était nettement meilleure en anglais qu'en russe.
Ce que montrent les analyses
L'auteur a publié sa première vidéo sur X, où elle a été éreintée en commentaires. Les internautes ont évoqué l'effet de vallée de l'étrange, cette sensation désagréable qu'éprouve l'observateur face à un humain artificiel qui semble presque réel, mais dont les petites incohérences de mimique provoquent un malaise. Le blogueur Vlad Ten a partagé la vidéo sur Telegram. Résultat : quelques milliers de vues, 10 j'aime et 100 je n'aime. Le paradoxe, c'est que YouTube a commencé à montrer la vidéo à d'autres personnes en raison de l'activité qu'elle suscitait.
L'auteur a fait remarquer à juste titre qu'il s'agissait d'un test biaisé : tout le monde savait qu'il s'agissait d'un avatar et cherchait donc délibérément des défauts. Il a alors publié les vidéos anglaises sans annonce et les a comparées à sa chaîne habituelle. On l'y voit dans une pièce sombre, avec un micro à 300 roubles, des défauts d'élocution et des mots parasites.
Selon les analyses de YouTube, la durée moyenne de visionnage des vidéos classiques s'élève à environ 5 minutes, contre environ une minute pour celles avec avatar. Si une vidéo n'est pas regardée jusqu'au bout, la plateforme ne la pousse pas. Le premier pic de vues reflétait l'intérêt pour le « cringe », et non pour le sujet des langues.
Certains proches à qui l'on a montré les vidéos sans les prévenir n'ont rien remarqué. Mais la vidéo ne retenait tout de même pas le public. L'auteur ne connaît pas la cause exacte et fait une hypothèse : une personne réelle bute sur ses mots, change d'intonation, sourit à contretemps, cherche ses mots. L'avatar lit son texte sans accroc, mais donne l'impression de quelqu'un qui ne comprend pas de quoi il parle. Il s'agit d'une hypothèse, non d'une mesure.
Ce qu'il faut en retenir pour la pratique
- Automatiser la production est possible, mais cela ne résout pas la question de la rétention. Dix vidéos par jour ne servent à rien si chacune est fermée dès la première minute.
- Pour vérifier une telle idée, l'indicateur à suivre est la durée moyenne de visionnage, et non les vues ni les premières réactions.
- Mieux vaut tester à l'aveugle, sans annonce, sinon les spectateurs chercheront les artefacts.
- Les réseaux de neurones restent utiles pour les scénarios, les illustrations et les infographies. Dans ce cas précis, ils ne sont pas devenus un substitut à un présentateur en chair et en os.
Les limites sont évidentes : il s'agit de l'expérience d'un seul auteur, d'une seule chaîne, d'une seule niche et d'un échantillon de quelques vidéos. D'autres formats ou de futurs modèles pourraient changer le résultat. Mais pour ceux qui repoussent le lancement d'une chaîne à cause d'un mauvais éclairage ou d'une mauvaise élocution, la conclusion est pragmatique : une vraie personne à l'écran retient aujourd'hui mieux le spectateur qu'une copie parfaite.
- 22 nov. 2026Le projet personnel de LangChain est devenu une start-up valorisée 3 milliards de dollars en quatre ans et a levé 300 millions
- 22 nov. 2026Un profil de travail Android a bouché la fuite de votre vraie IP, que ni Happ ni v2rayNG ne détectent
- 22 nov. 2026Anthropic entre au Nasdaq : l'action passe de 83 $ à 111 $, mais la sécurité tiendra-t-elle ?
- 22 nov. 2026Databricks en discussion pour une levée valorisant l'entreprise à 225 milliards de dollars, près de 20 % de plus qu'en août
Questions clés sur cet article
Comment fonctionne le pipeline?
L'auteur cherchait du trafic organique pour son application et a décidé de lancer une chaîne consacrée aux méthodes de mémorisation du vocabulaire. L'application pouvait être mentionnée au fil des vidéos. Il a d'abord testé les services qui animent des images. La vidéo produite avec Hedra était si faible qu'il a dû la supprimer. King AI a donné un résultat encore pire. Seul HeyGen, avec son modèle le plus cher, Avatar 6, a fourni une qualité acceptable, à environ 1 $ par minute de vidéo.
Que sait-on sur économie : de 25 $ à 2–3 $ ?
La première vidéo complète a coûté environ 25 $, dont l'essentiel a été absorbé par la génération vidéo dans HeyGen. L'auteur a alors décidé de réduire le temps d'avatar à l'écran. Le visage est resté au début, à la fin et lors des transitions entre les blocs, soit environ 20 % de la durée. Le reste a été occupé par des infographies, des illustrations et des inserts. Cela a produit deux effets : le spectateur voit moins souvent une mimique artificielle, et une vidéo de dix minutes ne coûte plus qu'environ 2 à 3 $.
Que sait-on sur Ce que montrent les analyses ?
L'auteur a publié sa première vidéo sur X, où elle a été éreintée en commentaires. Les internautes ont évoqué l'effet de vallée de l'étrange, cette sensation désagréable qu'éprouve l'observateur face à un humain artificiel qui semble presque réel, mais dont les petites incohérences de mimique provoquent un malaise. Le blogueur Vlad Ten a partagé la vidéo sur Telegram. Résultat : quelques milliers de vues, 10 j'aime et 100 je n'aime.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.