Image finale
Nano Banana Pro si la typo, les détails et le rendu final comptent. Je ne l'utiliserais pas pour générer 40 brouillons.
labs.google →Image · vidéo · création IA
Nano Banana, Sora, Gemini Omni : quoi choisir ?
Les modèles créatifs ne se choisissent pas comme un chatbot. Ici je sépare brouillon rapide, image finale, texte dans l'image, vidéo courte, audio synchronisé, montage et formats sociaux.
Décision rapide
Je choisirais quoi aujourd'hui ?
Variantes rapides
Nano Banana 2 pour tester vite des compositions, styles et idées avant de garder la meilleure piste.
labs.google →Texte dans l'image
Ideogram reste une option très pratique quand le visuel contient un slogan, une affiche ou un layout.
ideogram.ai →Style créatif
Midjourney garde un vrai avantage direction artistique, surtout si l'API n'est pas ton critère principal.
midjourney.com →Contrôle / open
FLUX et Stable Diffusion sont les bonnes pistes si tu veux personnaliser, héberger ou expérimenter.
blackforestlabs.ai →Vidéo IA
Gemini Omni pour l'édition multimodale, Sora pour narration, Veo pour scène courte avec audio.
Voir la section vidéo ↓Qualité maximale
Nano Banana Pro
- Meilleur choix pour une image finale importante.
- Plus adapté aux scènes complexes et à la typographie.
- Moins naturel pour produire beaucoup de variantes économiques.
Itération rapide
Nano Banana 2
- Meilleur choix pour explorer vite plusieurs directions.
- Plus logique pour brouillons, tests, styles et lots d'images.
- À remplacer par Pro quand l'image doit être publiable telle quelle.
Vocabulaire image
Les 4 mots qui changent ton choix.
Pas besoin d'être designer pour comprendre. Mais ces 4 termes reviennent dans toutes les docs et conditionnent ce que tu peux faire.
| Mot | Traduction simple | Ce que ça change pour toi |
|---|---|---|
| Prompt-to-image | Tu décris en texte, l'IA produit une image à partir de rien. | Le mode classique. Toutes les IA image savent faire ça. |
| Image-to-image | Tu donnes une image de base, l'IA la transforme selon ton prompt. | Indispensable pour retoucher, restyliser ou itérer sur un visuel existant. |
| Inpainting | Tu sélectionnes une zone précise et tu demandes à l'IA de la régénérer. | Très utile pour effacer un objet, changer un visage, corriger un détail. |
| Reference / ControlNet | Tu donnes une image de référence pour le style, la pose ou la composition. | Essentiel pour la cohérence : même personnage sur plusieurs visuels. |
Catalogue image
Les modèles image à connaître.
Vidéo IA · dans la vraie vie
La vidéo IA, sans la hype.
Ce n'est pas un LLM avec une caméra.
La vidéo IA répond à d'autres critères que l'image ou le texte : durée maximale, audio synchronisé ou pas, cohérence du personnage entre plans, image-to-video pour partir d'une photo, prix au seconde.
En 2026, aucun modèle ne fait tout. Tu choisis souvent en fonction du livrable : un teaser de 8 secondes pour Instagram, une scène narrative de 30 secondes, ou une vidéo retravaillée à partir d'images existantes.
8–30sdurée typique d'une vidéo IA aujourd'hui
10×plus cher que l'image, au seconde de rendu
Souventl'audio est à ajouter en post-prod
Rarela vraie cohérence personnage longue durée
Dans ta situation...
Quel modèle vidéo pour quoi ?
Narration courte
Sora est conçu pour produire une séquence avec une intention narrative claire — utile pour un teaser, un spot ou un storytelling de 10 à 20 secondes.
openai.com/sora →Audio synchronisé
Veo 3.1 sort une vidéo courte avec une bande son cohérente. Le compromis le plus naturel quand tu veux éviter de monter le son après coup.
labs.google/fx (Flow) →Édition multimodale
Gemini Omni accepte texte, image, audio ou vidéo en entrée et modifie ta vidéo en conversation. Le pari le plus intéressant côté workflow.
gemini.google.com →Production créative
Runway Gen-4 joue plus le rôle de studio que de chatbot. Mieux adapté quand tu veux un outil de production avec timeline et contrôle plan par plan.
runwayml.com →Clip rapide social
Kling 2.5 Turbo reste un concurrent sérieux pour des clips courts. À garder sous la main, mais à sourcer avant tout usage marque-sensible.
klingai.com →Test format social
Grok Imagine sert à tester très vite un format pour X ou un teaser jetable. Cadre plus risqué : à éviter pour une marque qui doit protéger son image.
grok.com →Narration premium
Sora
- Pensé pour les séquences avec intention de story.
- Image-to-video et génération audio intégrés.
- À privilégier quand la qualité narrative compte plus que la rapidité.
- Reste dans l'écosystème OpenAI : pratique si tu y es déjà.
Audio natif sync
Veo 3.1
- Sort vidéo + audio cohérents dès la première passe.
- Court mais propre, idéal pour scène avec dialogue ou ambiance sonore.
- Accessible via Flow (Google) et l'API.
- Mon choix si je veux éviter le passage par un outil audio séparé.
Tableau comparatif
Vidéo IA : qui fait quoi ?
| Modèle | Durée typique | Audio natif | Image-to-video | Accès | Cas d'usage |
|---|---|---|---|---|---|
| Sora ↗ | 10–20 s | Oui (récent) | Oui | Chat OpenAI · API | Narration courte, teaser, storytelling |
| Veo 3.1 ↗ | 8–10 s | Oui — natif | Oui | API · Flow | Scène avec dialogue ou ambiance sonore |
| Gemini Omni ↗ | Court | Possible (multimodal) | Oui | Gemini · Flow · API | Édition vidéo en conversation |
| Runway Gen-4 ↗ | 10 s + | Non (post-prod) | Oui | Web app · API | Production studio, timeline créative |
| Kling 2.5 Turbo ↗ | Court | Limité | Oui | Web app · API | Clip rapide, format social |
| Grok Imagine ↗ | Très court | Non | Limité | X · Grok app | Test format social, jetable |
Catalogue vidéo
Les modèles vidéo à surveiller.
À garder en tête
Ce que la hype te cache.
Le coût grimpe vite
Une minute de vidéo IA coûte facilement 10 à 50× le prix d'une image équivalente. Si tu veux 20 plans, calcule avant de générer.
La cohérence personnage est dure
Le même visage entre deux plans reste un sujet ouvert. Solutions actuelles : références d'image, fine-tuning, ou montage main avec photos identiques.
L'audio reste souvent à faire
Sauf Veo 3.1 et Sora qui essaient l'audio natif, la plupart des sorties sont muettes. ElevenLabs ou un sound designer restent souvent nécessaires.
Workflow type pour une vidéo IA propre
01
Image clé
Génère 1 ou 2 images de référence avec Nano Banana Pro ou Midjourney.
02
Animation
Passe en image-to-video sur Sora, Veo 3.1 ou Runway pour la séquence courte.
03
Audio
Si pas natif, ajoute voix avec ElevenLabs et musique d'ambiance.
04
Montage
Assemble dans CapCut, DaVinci ou Premiere. C'est là que la pub finit.
Audio · le 3e étage créatif
L'audio, le maillon souvent oublié.
Une vidéo IA muette ne raconte rien. Un agent vocal sans voix propre sonne robot. Ces 4 outils couvrent les vrais besoins audio : narration propre, agents vocaux temps réel, transcription précise, audio open-weight.
Narration propre
Eleven v3 reste la référence quand tu veux une voix qui ne sonne pas synthétique : voiceover de vidéo, podcast, livre audio. C'est ce que j'utilise pour Guerres d'IA.
elevenlabs.io →Agent vocal temps réel
Gemini Native Audio est pensé pour des agents qui parlent et écoutent — pas juste lire un texte. À regarder si tu construis un assistant vocal interactif.
ai.google.dev/live →Transcription
Whisper reste utile pour transcrire audio → texte. Modèle open-weight d'OpenAI, peut tourner localement, idéal pour du volume sans coût par minute.
github.com/openai/whisper →Audio open-weight
Voxtral de Mistral fait transcription et compréhension audio en open-weight (Apache 2.0). Le bon choix si tu veux du multilingue sans envoyer chez un fournisseur.
mistral.ai/voxtral →En détail
Ce que fait vraiment chaque modèle.
Eleven v3
ElevenLabs · text-to-speech · propriétaire
Le modèle voix grand public le plus naturel sur la narration longue. Voix françaises crédibles, contrôle prosodie (pauses, intonation, emphase) via tags, voice cloning à partir de 1 minute d'échantillon.
- Modalités
- Text-to-speech, voice cloning, dubbing
- Langues
- 32+ langues, dont français très naturel
- Prix
- Abonnement : Starter 5 $/mois · Creator 22 $/mois · Pro 99 $/mois (selon caractères/minutes)
- Accès
- Web app, API, intégrations (CapCut, Descript, Make...)
- Pour qui
- Créateurs podcast, vidéo, livre audio, e-learning
- Limites
- Pas d'open-weight, dépendance plateforme, qualité varie selon la voix
Gemini Native Audio
Google · audio bidirectionnel temps réel · propriétaire
Capable d'écouter ET de répondre vocalement, en temps réel, avec interruptions naturelles. La brique pour construire un agent qui converse — pas juste un TTS qui lit un script.
- Modalités
- Audio in, audio out, temps réel, interruption
- Langues
- Multilingue (français inclus)
- Prix
- API : facturé au token audio (≈ 25 $/M tokens audio input)
- Accès
- API Gemini Live, Vertex AI, Google AI Studio
- Pour qui
- Devs qui construisent un assistant vocal, support client IA
- Limites
- Plus dev que créatif, latence à mesurer sur tes usages
Whisper
OpenAI · speech-to-text · MIT (open-weight)
Le standard de fait pour transcrire. 99 langues détectées automatiquement, robuste sur audio bruité, peut tourner localement sur un Mac. Le large-v3 reste la référence en 2026.
- Modalités
- Speech-to-text, translation (vers anglais)
- Langues
- 99 langues détectées auto
- Prix
- Gratuit en local · API OpenAI : 0,006 $/minute
- Accès
- GitHub (pip install), Whisper.cpp, API OpenAI, Hugging Face
- Pour qui
- Transcription podcast, retranscription réunions, sous-titrage
- Limites
- Ne génère pas de voix, latence en local selon ta machine
Voxtral
Mistral AI · audio understanding · Apache 2.0 (open-weight)
Modèle audio open-weight de Mistral (2024-2025). Deux tailles : Mini 3B (rapide, edge) et Small 24B (qualité production). Plus large que Whisper : il transcrit ET comprend (Q&A sur l'audio, résumé, analyse).
- Modalités
- Speech-to-text + audio understanding (Q&A, résumé)
- Langues
- Multilingue solide (FR, EN, ES, DE, IT, PT, NL, HI)
- Prix
- Gratuit en local · API Mistral : 0,001 $/min (Small) · 0,0004 $/min (Mini)
- Accès
- Mistral API, Hugging Face, le Chat, déploiement local (vLLM)
- Pour qui
- Confidentialité, volume, multilingue, contexte long (40 min)
- Limites
- Ne génère pas de voix, écosystème moins mature qu'OpenAI
Ma stack — Jerwis Productions
Comment je produis le podcast Guerres d'IA
Pas de buzz, du concret. Voici exactement la chaîne d'outils que j'utilise pour produire un épisode de 15-20 minutes, avec voix synthétiques, mastering studio, zéro humain devant un micro. Tu peux la copier ou t'en inspirer.
Narrateur · Paul K
Voix « Deep French Narrator » sur Eleven v3. Le ton calme et grave qui porte une narration de 17 minutes sans saouler.
Sam Altman · Simon
Voix française masculine Eleven, pitch un peu plus haut pour coller au timbre rapide d'Altman.
Dario Amodei · Mathieu
Voix française masculine Eleven, plus posée. Le contraste avec Simon rend les dialogues lisibles.
Daniela Amodei · Camille Martin
Voix française féminine Eleven, registre direct et professionnel.
01 · Script
Écrit avec Claude Sonnet à partir de sources publiques (interviews, articles, livres). Relu humainement pour éviter les hallucinations.
02 · Synthèse voix
Chaque ligne assemblée en Python via l'API ElevenLabs. Tags prosodie pour les pauses, emphases, transitions.
03 · Mix & mastering
Importé dans REAPER. Musique d'ambiance, sound design léger, mastering studio à -16 LUFS pour les normes podcast.
Retour au comparateur complet
Image, vidéo et audio ne sont qu'une partie du sujet. Le hub liste aussi les LLM, modèles locaux, embeddings et rerankers.