Création

Effect Builder d'Instagram crée de nouveaux filtres à partir de prompts d'IA

Instagram vient de lancer Effect Builder, un outil qui génère des filtres personnalisés pour les Stories à partir d'une simple description textuelle. Disponible dès maintenant pour les résidents américains de plus de 18 ans, il propose une zone de saisie où l'utilisateur décrit l'idée de son filtre à l'IA, avec la possibilité de joindre des images de référence pour guider le style. L'utilisateur peut ensuite importer ses propres photos pour prévisualiser l'effet généré, puis demander des modifications par des requêtes successives. Une option permet aussi de laisser l'IA d'Instagram réécrire la demande : lors d'un test, une consigne d'une seule ligne, « Crée un filtre qui transforme les photos en pages de bande dessinée », a été transformée en plusieurs paragraphes de texte généré. Cette nouveauté arrive une semaine après l'extension de l'application de montage vidéo Edits à macOS. Pour les créateurs et les utilisateurs ordinaires, l'enjeu est de taille : jusqu'ici, concevoir un filtre de réalité augmentée exigeait des outils spécialisés comme Meta Spark et des compétences techniques. Avec Effect Builder, n'importe qui peut produire un effet visuel original en quelques phrases, sans passer par un développeur. Cela abaisse fortement la barrière d'entrée et pourrait multiplier les filtres en circulation, tout en rendant la création plus conversationnelle. La reformulation automatique des demandes illustre aussi la volonté de Meta de faire de l'IA une couche d'assistance omniprésente, y compris pour ceux qui ne savent pas bien formuler ce qu'ils veulent. Ce lancement s'inscrit dans la stratégie plus large de Meta, qui intègre l'IA générative dans l'ensemble de ses applications pour stimuler l'engagement et rivaliser avec TikTok, Snapchat et les outils de création de Google ou d'OpenAI. Instagram multiplie les fonctions destinées aux créateurs, dont Edits, lancé comme alternative à CapCut. La restriction aux États-Unis et aux adultes suggère un déploiement prudent, sans doute lié aux questions de réglementation, de droits d'auteur sur les images de référence et de protection des mineurs. Une extension à d'autres marchés pourrait suivre si l'accueil est favorable.

Tu peux publier de la musique générée par IA directement sur SoundCloud depuis ElevenLabs

SoundCloud étend sa stratégie d'ouverture à l'intelligence artificielle générative en intégrant ElevenLabs, après un premier partenariat conclu plus tôt cette année avec Moises. Les utilisateurs de la plateforme de génération musicale d'ElevenLabs peuvent désormais publier leurs créations directement sur SoundCloud, sans avoir à exporter et télécharger les fichiers avant de les téléverser manuellement. Les morceaux ainsi diffusés portent une mention explicite qui en signale l'origine artificielle. Dans le cadre de l'accord, les abonnés SoundCloud Artist Pro reçoivent en outre trois mois gratuits d'ElevenMusic Pro, l'offre payante d'ElevenLabs, afin d'expérimenter avec la musique générative. Selon The Verge, l'intégration reste toutefois moins poussée que ce que l'on pourrait imaginer : il s'agit surtout d'un raccourci de publication. Cette évolution simplifie nettement le parcours des créateurs qui utilisent l'IA pour produire de la musique, et elle abaisse encore la barrière entre la génération d'un morceau et sa mise en ligne. Pour les artistes indépendants, c'est un outil supplémentaire, mais l'offre gratuite offerte aux abonnés Artist Pro comporte un risque : celui de pousser des musiciens à recourir à l'IA au point de s'aliéner une partie de leur public, souvent hostile aux contenus synthétiques. L'étiquetage obligatoire des titres issus d'ElevenLabs constitue ici un garde-fou en matière de transparence, qui permet aux auditeurs de distinguer la production humaine de la production générée, un enjeu de confiance croissant pour les plateformes d'écoute. Ce rapprochement s'inscrit dans un mouvement plus large où les services de streaming et de partage audio cherchent à encadrer plutôt qu'à interdire la musique générée par IA. SoundCloud, longtemps perçue comme la plateforme des artistes émergents, a déjà été critiquée par sa communauté sur l'usage de l'IA, ce qui explique sa volonté d'afficher clairement l'origine des contenus. De son côté, ElevenLabs, connue d'abord pour ses technologies de synthèse vocale, étend son offre vers la création musicale et cherche des canaux de diffusion pour ses utilisateurs. D'autres partenariats de ce type sont probables, tandis que les débats sur les droits d'auteur, la rémunération des artistes et la visibilité des œuvres générées par IA restent entiers.

💬 Selon Le Fil IA, SoundCloud ne cherche pas à interdire la musique générée, il en fait un rayon étiqueté de son catalogue, et c'est l'étiquette qui devient le vrai produit. Ce bouton de publication, c'est un raccourci, pas une révolution (The Verge a raison de le dire). Mais il supprime la dernière friction entre "j'ai tapé un prompt" et "c'est en ligne", et sur une plateforme déjà méfiante envers l'IA, offrir trois mois d'ElevenMusic Pro aux abonnés Artist Pro, c'est pousser des artistes à se griller auprès de leur propre public. Bon, sur le papier, la mention suffit. Reste à voir si les auditeurs la lisent ou la fuient.

OpenAI lance GPT-Image-2.6 Flare et Sunburst : GIF, export SVG et génération en 6 secondes via l'API

OpenAI a déployé le 4 novembre 2026 la version 2.6 de son outil d'images dans ChatGPT, Codex et l'API. Le cœur de la mise à jour est GPT-Image-2.6, décliné en deux modèles : Flare, conçu pour l'itération rapide et les usages interactifs, et Sunburst, destiné aux compositions détaillées et à l'édition, avec une meilleure cohérence entre les retouches en qualité moyenne ou élevée. OpenAI affirme que la génération est 50 % plus rapide qu'avant, Flare pouvant livrer une image en 6 secondes seulement en qualité basse. La version ajoute la sortie GIF animée, l'export SVG, les retouches guidées par annotation et un nouveau paramètre de complexité. Dans ChatGPT, il est désormais possible de transformer un texte ou une photo en GIF, d'en régler la vitesse, de modifier chaque image et de partager le résultat. Les utilisateurs peuvent aussi enregistrer et étiqueter des images de référence de personnes, d'animaux ou de personnages pour les réutiliser sans les renvoyer. Pour les développeurs, l'intérêt est très concret. Le SVG convient aux icônes, schémas et éléments d'interface qui doivent rester nets à toute échelle, tandis que le GIF supprime l'étape d'animation séparée pour les équipes réseaux sociaux et produit. Le paramètre de complexité, qui prend les valeurs faible, moyenne ou élevée (élevée par défaut), règle le niveau de planification du modèle avant le rendu. Une valeur faible convient aux retouches ciblées comme le changement d'un fond ou d'une enseigne, une valeur élevée aux textes denses et aux mises en page complexes. OpenAI prévient qu'une complexité élevée peut accroître la latence et provoquer des modifications non souhaitées. Ce réglage n'entraîne aucun surcoût et reste distinct de la qualité, qui contrôle le détail du rendu. La tarification, identique pour Flare et Sunburst, est facturée au jeton : 5 dollars par million de jetons de texte en entrée (1,25 en cache), 8 dollars pour l'image en entrée (2 en cache) et 30 dollars pour l'image en sortie. En revanche, OpenAI n'a publié ni score de référence ni grille de coût par image pour cette version. Cette sortie s'inscrit dans une course rapide, deux mois après Images 2.5, lancé le 8 septembre. L'usage progresse nettement : plus de 4 milliards d'images sont générées chaque semaine via ChatGPT et l'API, contre plus de 3 milliards huit semaines plus tôt, soit plus de 500 millions par jour. La concurrence reste vive. Nano Banana 2.1 de Google, sorti en octobre, propose jusqu'à 14 images de référence, une sortie 4K et un réglage de réflexion, pour 0,0336 dollar l'image 1K. FLUX 3 Image de Black Forest Labs, lancé le 1er octobre, accepte 10 références, produit du 4K d'environ 16 mégapixels et facture 0,048 dollar l'image 1K. Tous ces modèles ont des poids fermés et aucun ne divulgue son nombre de paramètres. OpenAI se distingue par le GIF et le SVG, absents chez ses rivaux, et mise sur la vitesse. Les marquages directement dans l'API, annoncés comme à venir, seront à suivre.

💬 Deux mois entre Images 2.5 et 2.6, et OpenAI ne publie ni benchmark ni prix par image : on ne sait donc pas ce que ça coûte vraiment. Le SVG et le GIF, en revanche, c'est du concret, parce que Google et Black Forest Labs misent sur le 4K et le nombre de références, pas sur des formats qu'on branche direct dans un produit. Selon moi, la bataille de l'image ne se joue plus sur la beauté du rendu mais sur le format de sortie : celui qui livre un fichier utilisable sans retouche gagne les équipes produit. Reste à voir si le SVG généré tient la route sur autre chose qu'une icône.

Création d'applications vocales d'IA à très faible latence sur AWS

Cartesia, partenaire d'AWS spécialisé dans l'IA vocale en temps réel, affirme pouvoir fournir de la synthèse vocale (text-to-speech) et de la transcription (speech-to-text) en moins de 100 millisecondes, à l'échelle mondiale. L'entreprise s'appuie sur des modèles d'espace d'états (State Space Models, ou SSM) conçus pour le flux continu et sur l'infrastructure d'Amazon Web Services. Elle propose deux modèles en production: Sonic pour la génération de parole et Ink pour la transcription. Cartesia se présente comme une entreprise d'intelligence multimodale en temps réel, fondée par des chercheurs à l'origine d'avancées sur les SSM. Son application vise une inférence en streaming « à la limite de la perception humaine ». Les modèles de synthèse vocale fondés sur les transformeurs, eux, traitent des séquences entières avant de produire une sortie. Ils imposent donc un arbitrage entre qualité et latence. L'enjeu est concret pour de nombreux secteurs. Les centres de contact dont les agents IA gèrent des millions d'interactions ont besoin d'une parole instantanée pour garder un dialogue naturel. La télésanté exige une voix à faible latence pour des consultations précises et empathiques. Les jeux vidéo et les mondes virtuels ont besoin de voix synthétiques en temps réel pour leurs personnages non joueurs. Les lecteurs d'écran doivent répondre sans délai aux personnes malvoyantes. Les agents commerciaux automatisés, entrants ou sortants, doivent éviter les pauses gênantes pour qualifier des prospects et répondre aux objections sans les perdre. Un retard excessif casse le rythme de la conversation et entame la confiance. Pour paraître naturelle, la parole générée doit arriver dans la même fenêtre temporelle que l'alternance des tours de parole chez les humains. Cette approche repose sur une différence d'architecture. Les transformeurs utilisent l'attention, qui compare chaque élément d'une séquence à tous les autres. Le calcul croît donc de façon quadratique avec la longueur. Les SSM traitent la séquence comme un système qui évolue dans le temps. Ils avancent pas à pas en conservant un état interne compact, ce qui garde un coût faible sur les longues séquences. L'article en retient trois avantages pour l'audio. Leur paramétrage préserve l'information sur de longues séquences, ce qui évite la perte de signal des réseaux récurrents classiques comme les LSTM. Ils gardent une empreinte mémoire constante, car leur état caché a une taille fixe, alors que les transformeurs mettent en cache tous les jetons précédents. Enfin, leur structure récurrente traite l'entrée jeton par jeton et gère nativement le streaming, sans modification de l'architecture. Le texte présente cette combinaison comme adaptée aux applications vocales, où qualité et latence sont toutes deux non négociables. Le passage sur le déploiement concret sur AWS est tronqué dans l'extrait disponible.

Adobe teste la capacité des agents IA à utiliser des outils de retouche comme le ferait un professionnel de Photoshop

Des chercheurs d'Adobe Research et de l'Université de Californie à San Diego (UC San Diego) ont conçu EditAgent, un système d'intelligence artificielle qui retouche les images plus à la manière d'un professionnel de Photoshop. Au lieu de relancer sans fin le même éditeur généraliste jusqu'à obtenir un résultat acceptable, l'agent choisit pour chaque tâche l'outil spécialisé le plus adapté. Un modèle de langage standard désigne ensuite la meilleure version parmi les résultats produits. Il s'appuie pour cela sur des données mesurées de l'image plutôt que sur une simple impression visuelle. L'approche fonctionne, mais elle exige environ dix fois plus de puissance de calcul. Ce travail suggère qu'un agent gagne en qualité lorsqu'il imite la méthode des spécialistes. Il décompose la demande, mobilise des outils dédiés, puis vérifie objectivement le résultat. Pour les utilisateurs de logiciels créatifs, cela laisse entrevoir des assistants de retouche plus fiables, moins dépendants du hasard des relances successives. Le surcoût de calcul reste toutefois un frein sérieux. Multiplier les ressources par dix pèse sur la latence et sur la facture, ce qui complique un déploiement auprès du grand public. Ces recherches s'inscrivent dans la course aux agents capables de manier des logiciels comme le ferait un humain expérimenté. Adobe, éditeur de Photoshop, cherche à placer l'IA au cœur de ses outils face aux modèles génératifs généralistes. L'enjeu est de savoir dans quelle mesure ces agents savent réellement se servir d'outils d'édition professionnels, et pas seulement produire des images. La suite dépendra sans doute de la capacité à réduire ce surcoût tout en conservant le gain de qualité, condition pour qu'une telle méthode quitte le laboratoire et rejoigne les produits.

💬 Selon Le Fil IA, un agent de retouche devient fiable quand il arrête de réessayer au hasard et qu'il vérifie son travail avec des mesures, pas avec un coup d'œil. C'est exactement la méthode d'un pro de Photoshop : le bon outil, puis un contrôle objectif. Le prix à payer est salé, dix fois plus de calcul, donc ça va coûter cher en latence comme en facture. Bon, sur le papier c'est convaincant, reste à voir si ça tient en prod avant que quelqu'un d'autre qu'Adobe accepte de payer l'addition.

Edge0 lance Audio8-TTS-Realistic, un modèle de synthèse vocale de 0,6 milliard de paramètres avec clonage de voix

Edge0 a publié Audio8-TTS-Realistic, un modèle de synthèse vocale à poids ouverts capable de cloner une voix en « zero-shot » à partir d'un seul extrait de référence et de sa transcription. Il compte 601 millions de paramètres pour le modèle principal (codec exclu) et gère jusqu'à 2 048 positions de texte et d'audio. Il couvre 23 langues, soit 12 de plus que son prédécesseur Audio8-TTS-Preview-0.6b. Les nouvelles langues sont l'arabe, le finnois, l'hindi, l'indonésien, le malais, le norvégien, le portugais, le russe, le suédois, le thaï, le turc et le vietnamien. Poids et code sont distribués sous licence Apache 2.0, avec un codec audio neuronal de 44,1 kHz, le tokenizer et le processeur. Le modèle peut aussi parler sans voix de référence. Sur le benchmark CV3, il affiche 4,86 % d'erreur moyenne sur 9 langues, contre 7,73 % pour Qwen3-TTS-1.7B. Il reste en retrait des modèles de classe 4 milliards de paramètres sur MiniMax, et ses pires résultats sont 48,57 % de WER en thaï sur CV3 et 31,35 % de CER en cantonais sur MiniMax. L'intérêt pour les développeurs tient au rapport entre précision multilingue et coût. Un modèle de cette taille est peu cher à affiner et à servir, alors que les systèmes concurrents plus précis demandent bien plus de ressources. Un GPU CUDA est recommandé, et le modèle a été testé sur NVIDIA H20 en BF16. Le rapport technique mentionne aussi une empreinte mémoire de 1,1 à 1,2 GiB sur un CPU Apple M2 avec une version ONNX en INT4, même si aucun export ONNX de la version Realistic n'est public pour l'instant. La licence Apache 2.0 autorise l'usage commercial. Les faiblesses sur le thaï et le cantonais rappellent que la couverture de 23 langues ne garantit pas une qualité homogène. Techniquement, le modèle reprend une architecture à double autorégression inspirée de Fish Audio S2 Pro. La branche lente repose sur Qwen2.5 0.5B (24 couches, largeur 896, environ 21,5 images par seconde) et prédit le texte et le premier codebook audio. Une branche rapide de 4 couches prédit ensuite les 9 autres codebooks en parallèle. L'équipe estime que le WER et la similarité de locuteur ignorent le rythme, les pauses et le timing, et qu'un modèle peut donc bien scorer tout en sonnant synthétique. L'entraînement comprend un affinage supervisé multilingue, un GRPO avec récompense combinée (0,7 pour le WER, 0,3 pour la similarité), puis un GRPO guidé par un critique de réalisme. Ce critique d'environ 3 millions de paramètres s'appuie sur un WavLM-large gelé. Il compare chaque sortie à un enregistrement humain de la même phrase, et a été entraîné sur une échelle de qualité issue de 6 systèmes TTS open source classés lors d'un test d'écoute à l'aveugle. Une perte d'effacement d'identité évite qu'il récompense les empreintes du générateur, et une pénalité de durée au-delà de 1,35 fois la référence empêche de tricher en ralentissant la parole. Cette dernière étape n'utilisait que des invites en chinois et en anglais, mais elle a quand même fait passer l'erreur sur les 13 langues moins dotées de 22,53 % à 20,77 %, et la similarité de 0,637 à 0,679.

💬 Un modèle de 0,6 milliard de paramètres qui bat un 1,7 milliard sur le benchmark multilingue (4,86 % d'erreur contre 7,73 %), sous Apache 2.0, c'est enfin du concret pour ceux qui veulent de la voix clonée sans facture de GPU. Selon moi, le vrai signal est ailleurs : la qualité d'un TTS ne se mesure plus au taux d'erreur, mais à son naturel, et Edge0 l'admet en entraînant un critique de réalisme parce que le WER ignore le rythme et les pauses. Bon, 23 langues sur le papier, mais 48 % d'erreur en thaï, ça rappelle qu'une couverture large n'est pas une qualité homogène. Reste à voir si ça tient en prod.

AssemblyAI lance AssemblyAI-TTS-1, une API de synthèse vocale à 15 $ le million de caractères pour agents vocaux

AssemblyAI a lancé AssemblyAI-TTS-1, son premier modèle de synthèse vocale, désormais disponible pour tous. Cette API est conçue pour les agents vocaux déployés sur des appels téléphoniques en direct, et elle est facturée 15 dollars par million de caractères, sans contrat annuel ni palier de concurrence à acheter. Le modèle, uniquement accessible via le cloud d'AssemblyAI aux États-Unis (us-east-1) ou dans l'Union européenne (eu-north-1), ne propose ni poids ouverts ni déploiement sur site. Entraîné sur des millions d'heures d'audio, dont des conversations réelles, il s'appuie, selon l'entreprise, sur des représentations audio continues plutôt que sur des jetons discrets, ce qui améliorerait le réalisme et réduirait le délai avant les premiers sons. Le lancement s'accompagne de plus de 4 000 voix et d'un clonage instantané à partir d'un court enregistrement (24 secondes dans l'exemple présenté), avec confirmation de l'accord du locuteur. Six langues sont prises en charge : anglais, espagnol, français, allemand, italien et portugais. L'intégration passe par une API HTTP, une API WebSocket (une connexion par conversation, avec message d'annulation pour les interruptions) ou une route compatible OpenAI, avec une sortie PCM, mu-law ou A-law de 8 à 48 kHz et des horodatages par mot. Des agents de référence pour LiveKit et Pipecat sont publiés. Les résultats publiés par AssemblyAI, datés du 28 octobre 2026 et portant sur 50 voix clonées, comparent TTS-1 à cinq modèles sur quatre jeux de données anglais. La précision sur 580 entités difficiles, comme des numéros de téléphone ou des codes, atteint 93,7 %, contre 93,6 % pour ElevenLabs v4, 82,5 % pour Cartesia Sonic 3.6 et 68,0 % pour ElevenLabs Flash v2.5. La précision par mot s'établit à 99,0 %, le MOS prédit à 3,85 (derrière Inworld TTS-2 Flash à 3,88) et le délai médian avant le premier octet à 47 ms, contre 119 ms pour Flash v2.5 et 244 ms pour Inworld. Les évaluations indépendantes sont plus nuancées : sur le banc d'essai de Cekura, TTS-1 obtient 81,5 % de précision de lecture, 4,50 en naturalité et une latence médiane de streaming de 159 ms, loin des 45 ms et 93,2 % d'Inworld TTS-2 Flash, au même prix. Pour les équipes qui construisent des agents vocaux, l'enjeu est concret : au téléphone, une latence trop longue ou un numéro mal prononcé suffit à faire raccrocher l'appelant. En égalant ElevenLabs v4 sur les entités pour moins d'un cinquième du prix, et avec une concurrence illimitée, AssemblyAI propose une option économique, et les développeurs déjà clients de sa reconnaissance vocale peuvent boucler la chaîne avec un seul fournisseur. Les limites sont réelles : pas de SSML, de contrôle de vitesse, de dictionnaires de prononciation ni de balises d'émotion pour l'instant, et les meilleurs chiffres de latence restent auto-déclarés. Ce lancement fait entrer AssemblyAI, jusque-là spécialiste de la transcription, sur un marché de la synthèse vocale en temps réel où se disputent ElevenLabs, Cartesia et Inworld, avec une pression forte sur les prix et la latence. L'entreprise cite aussi un taux d'erreur de 1,7 % sur le classement de Coval et une entrée dans le top 10 de l'arène à voix contrôlée d'Artificial Analysis. La suite dépendra de la capacité du modèle à confirmer ses performances dans des tests tiers et à combler rapidement les fonctions de contrôle manquantes.

Le prochain modèle Genie de Google génère des expériences plus réalistes

Google a présenté Genie 4, la nouvelle version de son modèle de monde capable de générer des expériences interactives par intelligence artificielle. Le modèle apporte quatre évolutions principales : des univers plus réalistes, la possibilité de modifier une expérience en temps réel grâce à une simple instruction en langage naturel, la génération d'audio, et l'appui de Gemini 3.8 Flash pour alimenter les simulations. Les expériences produites durent environ deux minutes, contre une minute pour Genie 3, son prédécesseur. Google positionne Genie 4 comme un outil pour la prévisualisation dans le cinéma, le prototypage d'idées de jeux vidéo et la création de scénarios d'entraînement pour des robots. Pour les cinéastes et les studios, pouvoir tester une scène ou un concept sans passer par une production lourde réduit les coûts et accélère l'itération. Pour la robotique, des environnements simulés réalistes et modifiables à la volée peuvent servir à entraîner des machines dans des situations variées sans risque matériel. L'ajout du son et de l'édition par prompt rapproche en outre ces modèles d'un véritable outil de création, et plus seulement d'une démonstration technique. Cette annonce s'inscrit dans la course aux modèles de monde, que les grands laboratoires considèrent comme une étape vers des systèmes capables de comprendre et de simuler la physique et les interactions du réel. En s'appuyant sur un modèle Gemini pour ses simulations, Google illustre aussi la convergence entre ses modèles de langage et ses systèmes génératifs. Des limites demeurent toutefois : la durée de deux minutes reste courte pour des usages professionnels, et la cohérence des mondes générés sur la durée comme leur fidélité physique restent à démontrer en conditions réelles. La suite dépendra de l'accès qui sera donné aux créateurs et aux chercheurs.

💬 Deux minutes de monde généré, c'est court, mais c'est la première fois que ces modèles ressemblent à un outil de travail plutôt qu'à une démo qu'on regarde bouche bée. Selon Le Fil IA, le vrai sujet de Genie 4 n'est pas le réalisme, c'est l'édition par prompt : un monde qu'on peut retoucher en direct devient un banc d'essai, et c'est là que robotique et prévisualisation de films y trouvent leur compte. Bon, sur le papier. Reste à voir si la cohérence tient au-delà de 120 secondes, parce que c'est ça qui sépare un jouet d'un outil de studio.

Visages figés, plans saccadés : l’Odyssée par IA d’Elon Musk est loin de rivaliser avec le cinéma

Le 23 octobre, Grok Imagine, le générateur de vidéos développé par xAI, la société d'Elon Musk, a mis en ligne les sept premières minutes d'une « Odyssée » entièrement générée par intelligence artificielle. Le projet est présenté comme une réponse au film de Christopher Nolan consacré au récit d'Homère. Le résultat, publié sous forme de séquence d'ouverture, déçoit largement : les visages des personnages restent figés, les expressions sont quasi inexistantes et les plans s'enchaînent de façon saccadée, avec des transitions peu naturelles. La narration peine à s'installer et l'ensemble ressemble davantage à une succession de clips assemblés qu'à une véritable mise en scène cohérente. Cette démonstration est révélatrice de l'écart qui subsiste entre les outils de génération vidéo et les exigences du cinéma. Produire quelques secondes spectaculaires est désormais à la portée de plusieurs modèles, mais tenir sept minutes avec des personnages stables, un rythme maîtrisé et une émotion crédible reste un défi. Pour les professionnels de l'image comme pour le grand public, l'exemple rappelle que l'IA générative n'est pas encore en mesure de remplacer le travail d'un réalisateur, d'un chef opérateur ou d'acteurs. Il illustre aussi les limites d'une communication fondée sur l'effet d'annonce, qui expose les outils à une comparaison directe, et peu flatteuse, avec des productions à gros budget. Le projet s'inscrit dans la course que se livrent les grands acteurs de l'IA sur la vidéo générative, entre OpenAI avec Sora, Google avec Veo, et xAI avec Grok Imagine. Elon Musk, qui aime provoquer ses concurrents et les grands noms de l'industrie, cherche ici à démontrer la maturité de son outil par un exercice à forte visibilité. Hollywood observe ces avancées avec méfiance, entre craintes pour l'emploi et débats sur les droits d'auteur. La suite de cette Odyssée, si xAI la publie, servira de test : montrer des progrès nets sur la cohérence des visages et la fluidité des plans, ou confirmer que le cinéma conserve une longueur d'avance.

Artefact AI Film Festival : comment l’IA accompagne la création d’un film [Sponso]

La troisième édition de l'Artefact AI Film Festival confirme la place prise par l'intelligence artificielle dans la création cinématographique. Le festival explore ce lien sous deux angles. Sur la forme, l'IA devient un outil à la disposition des cinéastes, qui l'intègrent à la fabrication de leurs films. Sur le fond, la relation entre l'humain et la machine nourrit leurs récits. Le contenu a été réalisé en collaboration avec le revendeur informatique LDLC et le fabricant de puces Nvidia. Il a été produit par des rédacteurs indépendants de l'entité Humanoid xp, sans participation de la rédaction de Numerama. Pour les créateurs, l'enjeu est de savoir comment un outil génératif s'insère dans un processus artistique sans le dissoudre. Les films présentés servent de cas pratiques. Ils montrent ce que les réalisateurs obtiennent de ces technologies et comment ils en font aussi un sujet de réflexion. Pour le public et les professionnels de l'image, c'est un aperçu de ce que pourraient devenir les méthodes de production, mais aussi des questions que ces pratiques soulèvent. La présence de LDLC et de Nvidia rappelle que cette création repose sur du matériel puissant, notamment des cartes graphiques capables de faire tourner ces modèles. Elle illustre aussi l'intérêt des acteurs du matériel pour un marché créatif en croissance. Le festival s'inscrit dans le débat plus large sur la place de l'IA dans la culture. D'autres éditions et de nouvelles œuvres devraient prolonger cette réflexion.

💬 Un festival de films IA sponsorisé par un revendeur de PC et un fabricant de puces, ça dit tout : le vrai gagnant de la création générative, c'est celui qui vend les cartes graphiques. Les réalisateurs expérimentent, c'est vrai, et certains tiennent un vrai propos sur la relation humain-machine (enfin, sur le papier). Mais quand le contenu est payé par Nvidia et LDLC, je lis ça comme une vitrine matérielle, pas comme la preuve que l'IA a trouvé sa place au cinéma. Reste à voir si ces films tiennent sans le chèque du sponsor.

Amazon Polly améliore nettement son moteur Generative

Amazon Web Services a déployé une mise à niveau majeure de son moteur Generative pour Amazon Polly, son service de synthèse vocale entièrement géré. Cette version, désormais disponible en production, promet une voix plus expressive et plus précise, avec une faible latence. Elle ajoute 14 nouvelles voix réparties sur 9 locales : anglais américain (Kenneth, Nate), anglais australien (Russell, Curtis), anglais indien (Kiara, Arjun), allemand (Tina), espagnol américain (Carlos), portugais brésilien (Leo, Carolina), coréen (Hyunduk), ainsi que hindi (Kiara, Arjun) et finnois (Suvi). Le hindi et le finnois accèdent pour la première fois au moteur Generative. Le catalogue totalise désormais 57 voix génératives dans 11 langues et 25 locales, et la disponibilité s'étend à la région AWS GovCloud (US-West), portant le total à 11 régions. Les voix s'adaptent aussi au contexte du texte, par exemple pour exprimer l'incertitude ou la surprise, sans configuration manuelle. Pour les entreprises, l'intérêt est double. D'abord, la lecture des données structurées, comme les numéros de commande, les montants, les dates, les horaires ou les adresses, est plus fiable. Ce sont des éléments critiques dans les centres de contact, où une erreur sur un numéro de suivi ou un total est immédiatement visible pour le client. Ensuite, la mise à niveau ne demande aucune migration : les noms de voix et les appels d'API restent identiques, de sorte que les applications existantes bénéficient des améliorations sans modification. Le service reste intégré aux mécanismes habituels d'AWS, dont la gestion des accès via IAM. L'ouverture au hindi et au finnois élargit en outre le public potentiel, notamment en Inde, où l'offre en anglais indien et en hindi vise un marché de très grande taille. Cette évolution s'inscrit dans la montée en puissance des interfaces vocales alimentées par l'IA générative. Amazon Polly cible aujourd'hui des usages variés : centres de contact, applications d'agents fondées sur des grands modèles de langage, médias et divertissement, formation en ligne et accessibilité. Dans ces domaines, la qualité de la voix devient un critère de différenciation face aux autres fournisseurs de synthèse vocale, qui proposent eux aussi des voix expressives pilotées par des modèles génératifs. Amazon répond en conservant une logique de compatibilité totale et en élargissant sa couverture linguistique et géographique. L'extension à GovCloud (US-West) ouvre par ailleurs la porte aux organismes publics américains soumis à des exigences réglementaires strictes. Reste à observer si AWS poursuivra l'ajout de langues et de styles d'expression dans les prochains mois.

YouTube Music va vous dire si le morceau que vous écoutez a été créé par une IA

YouTube Music a annoncé le mercredi 14 octobre 2026 le déploiement d'étiquettes signalant les morceaux principalement créés par intelligence artificielle. Le marquage s'affiche directement dans le lecteur de l'application, au moment de l'écoute, sans que l'utilisateur ait à chercher l'information dans une fiche ou un menu annexe. Le service de streaming de Google entend ainsi donner un repère visible face à la multiplication des titres générés par IA sur sa plateforme. L'annonce a été relayée par Frandroid, qui ne précise pas, dans l'extrait disponible, les critères exacts de classification ni le calendrier détaillé du déploiement par pays. Pour les auditeurs, ce changement répond à une question de plus en plus fréquente : savoir si l'artiste qu'ils écoutent est un humain ou un modèle génératif. Une étiquette affichée dans le lecteur permet de faire un choix éclairé, par exemple pour ne pas rémunérer indirectement des contenus produits en masse, ou au contraire pour en découvrir en connaissance de cause. Pour les artistes et les labels, la mesure introduit une distinction explicite entre création humaine et création automatisée, ce qui peut influencer la visibilité et la perception des œuvres. Reste à voir comment la mention « principalement créés » sera appliquée aux productions hybrides, où l'IA n'intervient que partiellement. Cette initiative s'inscrit dans un contexte de forte progression des outils capables de produire des chansons complètes en quelques secondes, qui ont fait gonfler les catalogues des plateformes. Les services de streaming sont sous pression pour lutter contre les contenus de faible qualité, les usurpations de voix d'artistes et les tentatives de détournement des revenus de diffusion. L'étiquetage rejoint les efforts de transparence déjà engagés par d'autres acteurs du secteur et par les régulateurs, notamment en Europe. La suite dépendra de la fiabilité de la détection et de la réaction des concurrents, qui pourraient adopter des dispositifs comparables.

💬 Une étiquette dans le lecteur, c'est le bon endroit : personne ne va fouiller une fiche pour savoir qui chante. Mais le vrai sujet, c'est le mot « principalement ». Bon, sur le papier ça marche, sauf que le jour où un producteur fait écrire la moitié de son morceau par un modèle, qui tranche ? Selon Le Fil IA, étiqueter la musique générée ne sert pas qu'à informer l'auditeur : ça force les plateformes à fixer, pour la première fois, une frontière officielle entre création humaine et création automatisée. Reste à voir si ça tient en prod, parce que tout se jouera sur la fiabilité de la détection.

Fish Audio lance Drama 3, un modèle de synthèse vocale open-weight de 35 milliards de paramètres (MoE)

Fish Audio a publié cette semaine Drama 3, un modèle de synthèse vocale qui accepte des indications de jeu en langage naturel. Il s'agit d'un modèle à mélange d'experts de 35 milliards de paramètres, dont environ 3 milliards sont actifs par token (8 experts sur 256, plus 1 expert partagé). Les poids sont disponibles sur Hugging Face et le modèle est accessible via l'API de Fish Audio. Les auteurs insèrent des consignes entre crochets, comme « [barely holding it together] », avant une réplique, ou des balises appariées telles que pour ne modifier que certains mots. Ces directions peuvent être rédigées dans n'importe quelle langue, indépendamment de celle du texte lu. Le modèle couvre 83 langues et gère jusqu'à 16 personnages par requête grâce aux balises <|speaker:0|> à <|speaker:15|>, ce qui permet de produire une scène entière en un seul appel. Sur le benchmark Artificial Analysis Pronunciation Robustness, il obtient 93,2 % et se classe premier, contre 88,1 % pour S2.1 Pro. Son meilleur score atteint 95,9 % sur les marques, lieux et termes techniques, et le plus faible 86,3 % sur les séquences exactes (codes, chemins, e-mails). Au classement Elo de qualité d'Artificial Analysis, « Drama 3 Preview » affiche 1242, devant S2.1 Pro (1190) mais derrière Eleven v4 Turbo (1328). Pour les développeurs, Drama 3 offre une option autohébergeable pour le dialogue scénarisé, les livres audio et le doublage, avec une direction d'acteur que peu de modèles ouverts proposent. Les performances de diffusion en continu sont solides : sur un GPU H200, le délai médian avant le premier audio est de 88,9 ms, et le débit atteint 927,6 images par seconde avec 16 flux simultanés. Les contraintes sont toutefois réelles. Il faut au moins 48 Go de mémoire GPU NVIDIA en FP8, sans prise en charge du CPU, d'Apple MPS ni d'AMD ROCm, et les noyaux optimisés ne sont validés que sur les GPU Hopper. La licence est en outre plafonnée selon le chiffre d'affaires. Côté API, le tarif public est de 50 dollars pour un million de caractères, avec un tarif de lancement de 10 dollars valable jusqu'au 12 novembre. La documentation prévient qu'un en-tête de modèle absent ou mal orthographié renvoie silencieusement vers s2.1-pro. Sur le plan technique, la base du modèle est Qwen3.5-35B-A3B, avec 40 couches alternant trois couches Gated DeltaNet et une couche d'attention complète à portes. Seule une couche sur quatre conserve un cache KV, les autres stockant l'historique dans un état de taille constante. Un nouveau décodeur Codebook-MTP remplace le décodeur Fast AR de S2, avec 4 couches partagées alimentant 9 couches, une par codebook acoustique. Seuls les codebooks 0 et 1 sont réinjectés dans le modèle principal, contre les 10 pour S2. Le tokenizer audio reste celui de S2, fondé sur le Descript Audio Codec, en 44,1 kHz et environ 21,5 images par seconde. L'entraînement a comporté trois étapes de préentraînement, un réglage par instructions, puis un apprentissage par renforcement GRPO sans pénalité KL, guidé par un unique modèle de récompense fondé sur les préférences humaines. Le benchmark de prononciation ne mesure pas la qualité émotionnelle, que Fish Audio décrit seulement qualitativement, et la longueur de contexte n'est pas divulguée.

Alibaba lance Qwen-Image-2.1-Turbo, un modèle d'image de 7 milliards de paramètres qui génère en 8 étapes

L'équipe Qwen d'Alibaba a publié Qwen-Image-2.1-Turbo, une version accélérée de son modèle d'images à poids ouverts Qwen-Image-2.1. Le checkpoint génère et édite des images en 8 étapes de débruitage, contre 40 par défaut pour le modèle de base, soit cinq fois moins sur la même architecture de 7 milliards de paramètres. Le générateur visuel est associé à un encodeur de texte Qwen3-VL 8B, qui traite à la fois les instructions et les images de conditionnement. L'architecture est un DiT à flux unique de 32 couches avec attention causale par blocs : masque causal au niveau des jetons pour le texte, masque bidirectionnel par blocs pour les images. L'autoencodeur RGBA à 64 canaux, avec compression spatiale 16x, permet la transparence native. Le modèle se charge via QwenImage21Pipeline dans Diffusers, en BF16 sur GPU CUDA, avec un calendrier de 8 étapes intégré et un CFG de 1 par défaut. Il gère des sorties jusqu'à 2K, de 2048×2048 à 2752×1536 en 16:9. Alibaba Cloud Model Studio héberge aussi le modèle : qwen-image-2.1-turbo coûte 0,1 yuan par image avec 120 requêtes par minute, contre 0,25 yuan et 20 requêtes par minute pour la version Pro. Pour les développeurs, l'intérêt est une génération et une édition en 2K nettement plus rapides et moins chères, sans changer de famille de modèle. Le Turbo est 2,5 fois moins cher par image que le Pro et accepte six fois plus de requêtes. Le modèle de base obtient 60,28 sur Qwen-Image-Bench, le meilleur score open weight rapporté par Qwen. Qwen ne publie aucune exigence minimale de mémoire vidéo pour le Turbo ; Unsloth estime que le modèle de base tourne avec 11 Go de VRAM en GGUF et 24 Go en INT8 ou FP8. La limite principale est la licence : elle est réservée à la recherche, si bien qu'un auto-hébergement commercial exige une autorisation distincte. La mise en route demande aussi Diffusers installé depuis les sources, transformers 5.17.0 ou supérieur et la pull request n°14950 de Diffusers, qui ajoute des sigmas d'échantillonnage configurés par le pipeline. Régler seul numinferencesteps ne modifie pas le calendrier enregistré ; seul un argument sigmas explicite le remplace, et Qwen précise que les autres calendriers n'ont pas été testés. Cette sortie s'inscrit dans la course aux modèles d'images rapides. Le Turbo concurrence Z-Image-Turbo, du laboratoire Tongyi-MAI d'Alibaba (6 milliards de paramètres, 8 étapes), et FLUX.2 klein 9B de Black Forest Labs, qui s'appuie sur un encodeur Qwen3 8B. Sa vitesse repose sur la conception de l'attention : texte et images de référence sont calculés une fois à la première étape, puis leur contexte est réutilisé par un cache KV de préfixe. Avec seulement 8 étapes, ce cache couvre l'essentiel du coût de conditionnement. Le modèle de base accepte jusqu'à 10 images de référence et des retouches locales par cercles, annotations dessinées ou masques. La fiche du Turbo illustre huit catégories : portraits, poses humaines, images transparentes, typographie et affiches, interfaces. Côté édition, elle montre la transformation d'une image, la composition multi-références et une composition d'intérieur à quatre images.

💬 Le vrai sujet n'est pas les 8 étapes, c'est que la vitesse d'un modèle d'image se joue désormais dans l'architecture (cache KV de préfixe) plutôt que dans la taille, et ça rend le coût par image presque négligeable. À 0,1 yuan l'image et 120 requêtes par minute, Alibaba pousse le Turbo vers le volume, pas vers la qualité maximale. Bon, sur le papier c'est séduisant. Mais la licence recherche seule bloque l'auto-hébergement commercial, donc "open weight" ici veut dire "tu peux regarder", pas "tu peux déployer", et il te faudra aussi une PR Diffusers non mergée pour démarrer.

Une disqualification pour usage d'IA désigne un nouveau lauréat du concours Nikon Small World in Motion

Nikon a désigné un nouveau lauréat pour son concours Small World in Motion, consacré à la vidéo au microscope optique. Le Vietnamien Nguyen Nam Nhat l'emporte avec une séquence montrant un minuscule ver rond et un organisme unicellulaire. Il hérite du titre après la disqualification de Ning Xu, de l'université Tsinghua en Chine, dont la vidéo de cils vibratiles battant dans les voies respiratoires d'un enfant atteint d'un trouble respiratoire rare avait d'abord été sacrée. Des soupçons sur l'usage de l'intelligence artificielle avaient circulé, et Nikon a ouvert une enquête qui a conclu que cette participation ne respectait pas le règlement. Le classement a été décalé d'un rang : Benedikt Pleyer (Bavière, Allemagne) prend la deuxième place avec des larves de méduse en suspension dans des gouttelettes d'eau, Andrew Moore (Howard Hughes Medical Institute, États-Unis) la troisième avec une division cellulaire synchronisée entre cellules voisines, Patrick Hickey (Hypha Research Ltd., Édimbourg) la quatrième avec la dynamique des mitochondries et des chloroplastes dans des feuilles de Turtle Vine, et Igor Adameyko la cinquième avec une limace de mer colorée, Cyerce kikutarobabai, en mouvement. Cette affaire illustre la difficulté croissante à garantir l'authenticité des images scientifiques à l'heure de l'IA générative. Selon la BBC, plusieurs chercheurs avaient relevé des anomalies structurelles dans la vidéo d'Ning Xu, ainsi que des caractéristiques cellulaires qui apparaissaient et disparaissaient d'une façon incompatible avec la biologie cellulaire réelle. D'autres affirmaient avoir repéré ce qui ressemblait à des filigranes d'IA dans les fichiers sources. Pour un concours dont la vocation est de montrer des phénomènes réellement observés, la frontière entre traitement d'image légitime et fabrication devient un enjeu de crédibilité. Les participants, les jurys et le public doivent pouvoir se fier à ce qu'ils voient, d'autant que ces images circulent largement et peuvent nourrir l'imaginaire scientifique comme l'enseignement. Le litige tient en partie à la définition de l'usage acceptable de l'IA. Ning Xu a reconnu avoir employé ces outils pour distinguer et visualiser des éléments dans des images reconstruites en niveaux de gris, tout en niant s'en être servi pour générer le film expérimental, les cils ou leur mouvement. Nikon a toutefois jugé que la participation n'était pas conforme. Créé en 2011, Small World in Motion est un dérivé du concours de photomicrographie Small World, lancé en 1974. Les deux compétitions visent à mettre en valeur la beauté et la complexité de ce que révèle le microscope optique, l'un par la photographie fixe, l'autre par la vidéo et le time-lapse, rendus possibles par les progrès techniques récents. Reste à voir si les organisateurs préciseront leurs règles sur l'IA pour les prochaines éditions.

💬 Le vrai problème n'est pas de savoir si l'IA a servi, mais de prouver ce qu'elle a fait : quand un outil "révèle" des structures dans une image reconstruite, personne ne sait plus où s'arrête la mesure et où commence l'invention. Nikon a tranché, mais sans doute trop tard pour que ça serve de leçon. Bon, sur le papier, "l'IA pour mieux voir" se défend, sauf que dans un concours dont la seule promesse est "voilà ce que le microscope a vraiment vu", un doute suffit à tout ruiner. Si les règles ne disent pas noir sur blanc où est la ligne, la prochaine disqualification n'est qu'une question de temps.

Google parie que Gemini peut transformer des joueurs occasionnels en développeurs de jeux avec sa nouvelle fonction Playground

Google a lancé Playground, une plateforme accessible depuis un navigateur qui permet de créer ses propres jeux vidéo à partir de simples instructions en langage naturel, sans écrire la moindre ligne de code. L'outil repose sur trois modèles maison : Gemini, Nano Banana, spécialisé dans l'image, et Lyria, dédié à la musique. Dans le même temps, Google et Unity ont annoncé Unity Spark, un outil d'intelligence artificielle plus professionnel, dont une version bêta est prévue en 2026. Ce lancement vise à faire passer des joueurs occasionnels du statut de consommateur à celui de créateur. En supprimant la barrière de la programmation, Google ouvre la conception de jeux à un public qui n'y avait jusqu'ici pas accès, et fait du jeu lui-même une porte d'entrée vers la création. Pour l'industrie, la distinction entre Playground, destiné au grand public, et Unity Spark, pensé pour un usage plus professionnel, dessine deux niveaux d'usage : le prototypage accessible à tous d'un côté, la production assistée par IA de l'autre. Les studios et les développeurs indépendants pourraient y trouver un moyen d'accélérer certaines étapes de leur travail, tandis que la qualité réelle des jeux générés reste à démontrer. Cette annonce s'inscrit dans la course des grands groupes technologiques pour intégrer l'IA générative à la création de contenus interactifs. Google réunit ici ses modèles de texte, d'image et de musique dans un seul produit, et s'associe à Unity, l'un des moteurs de jeu les plus répandus du secteur. La bêta de Unity Spark, attendue en 2026, indiquera si cette approche séduit aussi les développeurs professionnels, au-delà du public amateur visé par Playground.

💬 Playground, c'est surtout Google qui change la définition du "créateur de jeux" : demain, la barrière ne sera plus de savoir coder, mais d'avoir une idée qui tient la route. Bon, sur le papier, ça démocratise. Mais quand tout le monde peut sortir un jeu en trois phrases, le prototype devient gratuit et le goût devient la seule chose rare. Reste à voir si les jeux générés se jouent encore au bout de dix minutes, et là, Unity Spark en bêta l'an prochain sera un meilleur test que cette démo grand public.

Sean Parker se fait le promoteur de la musique générée par IA

Sean Parker veut devenir la personne qui convainc les artistes et producteurs de musique d'adopter l'intelligence artificielle. Cofondateur de Napster, il fut d'abord un « renégat hors-la-loi », selon ses propres termes, aux yeux d'une industrie musicale qu'il avait bousculée. Après son passage chez Facebook, il a investi très tôt dans Spotify, notamment lorsqu'il travaillait au sein du Founders Fund de Peter Thiel, avant de siéger durant de longues années à son conseil d'administration. Il a pris le contrôle de Stability AI il y a deux ans, alors que la jeune pousse, autrefois très en vue, avait failli disparaître. Il compte désormais s'appuyer sur sa discrète résurrection pour conquérir la musique. Il rompt aujourd'hui un long silence sur ses ambitions et ses plans pour l'entreprise. L'enjeu dépasse le destin d'une start-up. Les créateurs et les maisons de disques se demandent comment l'IA générative s'inscrira dans leur métier, et le choix des acteurs qui bâtiront ces outils déterminera la place laissée aux artistes. Parker connaît bien le milieu et ses réticences. Selon lui, les gens passionnés de musique entrent dans l'industrie, s'y brûlent, puis ne reviennent souvent jamais. Il se décrit comme l'un des rares à être « assez masochiste » pour y retourner. Ce franc-parler traduit une ambition claire : séduire un secteur méfiant plutôt que l'affronter. Le parcours de Parker éclaire cette stratégie. Avec Napster, il avait ouvert la voie à la musique numérique en contournant les ayants droit. Avec Spotify, il a ensuite accompagné la mutation du secteur vers le streaming légal. Stability AI, connue pour ses modèles génératifs, a traversé une période de turbulences qui l'a menée au bord de l'effondrement avant sa reprise. La suite dépendra de la capacité de Parker à nouer des alliances avec les artistes et les producteurs, dans un secteur échaudé par les ruptures technologiques passées.

Le générateur de musique Suno produit désormais aussi de la voix parlée

Suno, la plateforme américaine de génération musicale par intelligence artificielle, sort du seul domaine de la musique en lançant Speech, une fonction qui produit des voix parlées à partir d'un script ou d'une description textuelle. Disponible en bêta publique sur le site web et les applications mobiles de Suno, l'outil permet de générer simultanément une voix off et la musique de fond qui l'accompagne. Jack Brody, directeur produit de l'entreprise, présente Speech comme le premier modèle audio capable de produire à la fois la voix et la musique. Il affirme que la musique restera « au cœur de Suno », tout en soulignant que la vision de l'entreprise a toujours englobé d'autres formes d'expression humaine. Pour les créateurs de contenu, cette nouveauté simplifie un flux de travail habituellement fragmenté : au lieu de combiner un service de synthèse vocale, une bibliothèque musicale et un logiciel de montage, un seul outil peut désormais livrer une piste sonore complète. Podcasteurs, vidéastes, publicitaires et développeurs d'applications y trouvent un moyen rapide de produire des habillages sonores, des narrations ou des contenus promotionnels. Le fait que voix et musique soient générées ensemble doit aussi favoriser une meilleure cohérence entre le ton de la narration et l'ambiance musicale, un point difficile à obtenir quand ces éléments proviennent de sources différentes. Cette annonce s'inscrit dans une stratégie d'élargissement de Suno, devenu l'un des noms les plus visibles de la musique générée par IA. Le terrain de la voix synthétique est déjà occupé par des acteurs établis comme ElevenLabs, ce qui place Suno en concurrence directe sur un nouveau segment. L'entreprise évolue par ailleurs dans un environnement sensible, marqué par les tensions avec l'industrie musicale autour des droits d'auteur et des données d'entraînement. L'extension vers la parole pose en outre la question de l'usage des voix synthétiques, que les utilisateurs et les régulateurs surveilleront de près.

💬 Suno qui avale la voix off, c'est la preuve que la musique générée seule ne fait plus une boîte : le vrai produit, c'est la piste sonore complète, livrée d'un coup. Voix et musique pensées ensemble, ça évite le montage bricolé entre trois outils, et pour un podcasteur ou un vidéaste pressé, c'est exactement ce qu'il fallait. Bon, sur le papier. Face à ElevenLabs, qui a des années d'avance sur la voix, reste à voir si ça tient en prod, et avec les procès des majors qui planent encore sur Suno, la bêta publique va surtout servir à tester ce que tu peux en faire sans t'attirer d'ennuis.

Le nouveau modèle vocal v4 d'ElevenLabs rend les voix IA plus expressives et plus constantes

ElevenLabs a dévoilé Eleven v4, la nouvelle version de son modèle de synthèse vocale. Il suit plus fidèlement les indications d'expression, comme un rire ou un chuchotement, et conserve une voix cohérente sur les productions longues, par exemple un livre audio. Le modèle existe aussi en variante Turbo, conçue pour les agents vocaux en temps réel, qui commence à parler au bout de 150 millisecondes. Dans le classement Voice Arena d'Artificial Analysis, v4 se place devant les modèles de Cartesia et le Gemini de Google. Ces progrès visent deux défauts persistants des voix synthétiques : le manque de naturel dans l'émotion et la dérive d'une voix qui change subtilement de timbre ou de ton au fil des heures d'enregistrement. Pour les éditeurs de livres audio, les studios de doublage et les créateurs de contenu, une voix stable et pilotable réduit les retouches manuelles. Pour les entreprises qui déploient des assistants vocaux, un délai de 150 millisecondes rapproche l'échange de la fluidité d'une conversation humaine, où la moindre latence est perçue comme un défaut. Cette sortie s'inscrit dans une concurrence intense sur la voix générative. ElevenLabs, l'un des acteurs de référence du secteur, affronte des spécialistes comme Cartesia et des géants comme Google, qui intègrent la parole à leurs modèles multimodaux. Les classements par vote d'utilisateurs, tels que celui d'Artificial Analysis, servent de plus en plus d'arbitre commercial. La suite dépendra de la capacité de ces modèles à tenir leurs promesses en usage réel, au-delà des évaluations.

WorldPrompt de Runway : comment concevoir des mondes en temps réel

La société de "modèles du monde" Runway a présenté début septembre 2026 GWM Worlds 2, une preview de recherche qui transforme la génération vidéo et audio haute fidélité en simulation interactive en temps réel, à l'aide d'un modèle de "diffusion autorégressive" qui produit le contenu image par image plutôt que d'un bloc. Sa nouveauté phare s'appelle WorldPrompt : un format qui permet de fixer certains paramètres d'un monde généré, comme sa première image, puis d'y injecter une série d'événements horodatés, pouvant même être déclenchés en temps réel pendant la simulation. Pour comprendre les implications de cet outil, la publication a interrogé Kamil Sindi, directeur technique de Runway, et Robin Kahlow, responsable de la recherche sur la vidéo générative et l'IA multimodale, et cite des propos d'Anastasis Germanidis, cofondateur et co-PDG de l'entreprise, recueillis lors d'un podcast animé par swyx et Vibhu. Runway, valorisée à 5,3 milliards de dollars après une levée de 315 millions de dollars en février 2026, avait lancé une première version, GWM Worlds, en décembre 2025. Elle affronte désormais Genie 3 de Google DeepMind (720p, 24 images par seconde), Odyssey-2 Pro et RTFM de World Labs sur ce même terrain. WorldPrompt agit comme une couche de contrôle sur les personnages, les caméras et l'environnement d'une scène générée, un peu à la manière d'un moteur de jeu vidéo qui ferait parler ou bouger un personnage non joueur. Contrairement à des mondes scriptés comme Minecraft ou Roblox, il ne s'agit pas d'un langage de programmation mais d'un mécanisme de prompt : impossible donc de coder un état persistant ou une règle physique de façon garantie. Selon Kahlow, la fiabilité dépend de la complexité de l'action demandée, le mouvement fonctionnant déjà "de façon assez fiable", tandis que davantage d'entraînement et de données permettent d'améliorer progressivement le respect des instructions. Cette approche ouvre la voie à des expériences et jeux entièrement générés à la demande, en vidéo et audio synchronisés, sur n'importe quel univers imaginé, sans développement préalable. Le défi technique reste immense : il faut que le modèle génère chaque image en continu, en cohérence avec les précédentes, tout en absorbant en temps réel de nouvelles instructions, un problème de latence et d'ingénierie que Google reconnaît lui-même pour Genie 3, limité à quelques minutes d'interaction continue contre des heures visées à terme. La course entre Runway, Google DeepMind, Odyssey et World Labs illustre l'émergence d'un nouveau champ de bataille dans l'IA générative, où la vidéo temps réel pourrait à terme remplacer la conception manuelle de mondes virtuels pour le jeu, la simulation ou l'entraînement de systèmes autonomes.

💬 WorldPrompt, c'est un prompt, pas du code : tu poses des événements horodatés, mais rien ne garantit qu'un état persiste ou qu'une règle physique tienne dans la durée, contrairement à un vrai moteur de jeu. Runway l'assume lui-même, le mouvement est déjà fiable, le reste dépend encore de l'entraînement, et toute la course face à Genie 3, Odyssey et World Labs bute sur le même mur : tenir des heures en temps réel quand Google plafonne encore à quelques minutes. Le jour où cette latence tombe, on arrêtera de concevoir des jeux vidéo pour les improviser en direct.

Google lance des modèles Flash TTS pour créer des voix IA sur mesure à partir de descriptions textuelles

Google déploie deux nouveaux modèles de synthèse vocale, Gemini 3.8 Flash TTS et Flash-Lite TTS, capables de gérer plus de 100 langues. Le modèle Flash TTS introduit une fonctionnalité inédite : la création de voix entièrement nouvelles à partir de simples descriptions textuelles, permettant de définir un timbre ou un style vocal sans partir d'un enregistrement existant. Les deux modèles permettent également d'ajouter des indications de jeu, ou "stage directions", ligne par ligne, pour préciser le ton, l'émotion ou le rythme de chaque réplique, ainsi que de générer des dialogues à deux voix à partir d'un seul script. Une fonction de clonage vocal complète l'offre, capable de construire un profil de voix à partir d'un échantillon audio de seulement 30 secondes. Cette avancée renforce la position de Google dans la course aux outils de génération audio par IA, un secteur de plus en plus disputé face à des acteurs comme ElevenLabs ou OpenAI. La possibilité de concevoir une voix sur la seule base d'une description textuelle simplifie considérablement le travail des développeurs, créateurs de contenu et studios qui doivent produire des voix sur mesure sans recourir à des acteurs vocaux professionnels. Le clonage rapide à partir de 30 secondes d'audio abaisse encore la barrière technique et financière, ouvrant la personnalisation vocale à un public plus large, des podcasteurs indépendants aux entreprises développant des assistants virtuels. Ces modèles s'inscrivent dans une tendance de fond où les grands éditeurs de modèles de langage étendent leurs capacités au-delà du texte pur pour couvrir la voix, avec des implications directes sur les métiers du doublage, de la production audio et de l'accessibilité numérique. La possibilité de scripter des dialogues à plusieurs voix directement dans un modèle de langage ouvre la voie à des usages comme les livres audio automatisés, les assistants conversationnels multilingues ou la localisation rapide de contenus. Reste à voir comment Google encadrera les usages de ces outils, notamment sur les questions de consentement et de détection des voix synthétiques clonées.

Alibaba Qwen lance Qwen-Image-2.1, un modèle open-weight de 7 milliards de paramètres pour la génération et l'édition d'images

L'équipe Qwen d'Alibaba a dévoilé Qwen-Image-2.1, un modèle unifié de génération et d'édition d'images qui combine dans un seul jeu de poids ce que l'entreprise proposait jusqu'ici via deux modèles séparés. Le composant de génération visuelle compte 7 milliards de paramètres répartis sur 32 couches DiT à flux unique, contre 20 milliards pour le Qwen-Image original publié en août 2025 sous licence Apache 2.0, qui séparait alors génération et édition dans deux checkpoints distincts. Le nouveau modèle s'appuie sur un encodeur de texte Qwen3-VL de 8 milliards de paramètres, un VAE 64 canaux gérant nativement la transparence RGBA avec une compression spatiale de 16x, et un planificateur Flow Matching à discrétisation Euler. Il gère jusqu'à 10 images de référence simultanées, produit des visuels en 2048x2048 pixels par défaut (jusqu'à 2752x1536 selon sept ratios d'aspect pris en charge) et permet des retouches localisées via cercles, masques peints ou zones désignées. Sur le benchmark maison Qwen-Image-Bench, il obtient un score de 60,28, devançant Nano Banana 2.0 (59,82) et le modèle ouvert FLUX 2 Max de 32 milliards de paramètres (55,33), tout en restant derrière six modèles propriétaires, le meilleur étant GPT Image 2.5 Sunburst avec 67,01. Cette réduction de taille, à performances égales voire supérieures à des concurrents plus lourds, change la donne pour le coût de déploiement des générateurs d'images en entreprise et dans la recherche. La technique clé réside dans une attention dite à granularité mixte, qui applique un masque causal aux jetons de texte et un masque bidirectionnel par blocs aux jetons d'image : les représentations du texte et des images de référence, calculées une seule fois, sont ensuite réutilisées à chaque étape de débruitage via un cache, ce qui accélère nettement le traitement à mesure que le nombre d'images de référence augmente. Concrètement, cela ouvre la voie à des usages comme la création de trombinoscopes à partir de plusieurs portraits, la composition de tenues à partir de références multiples, ou l'extraction de sujets détourés avec transparence native, autant de tâches jusqu'ici réservées à des outils fermés comme Nano Banana ou GPT Image. Le modèle est disponible dès son lancement sur Diffusers, ComfyUI, vLLM-Omni, SGLang et LightX2V, avec un usage libre pour la recherche mais une licence commerciale séparée exigée par Qwen pour tout déploiement à but lucratif. Alibaba étend aussi son empreinte matérielle au-delà de Nvidia, avec un support des GPU AMD Radeon via ROCm et de huit plateformes de puces via FlagOS, signe d'une stratégie de diversification des infrastructures en Chine. Cette sortie s'inscrit dans une course accélérée entre laboratoires chinois et occidentaux sur la génération d'images multimodales, où Alibaba cherche à imposer Qwen comme alternative ouverte crédible face aux offres fermées de Google, OpenAI et Black Forest Labs.

Meilleures API de clonage vocal en 2026 : similarité de voix, vérification du consentement et prix au million de caractères

Sept fournisseurs de clonage vocal, ElevenLabs, Cartesia, Inworld, Gradium, Fish Audio, Resemble AI et Hume, ont été comparés dans un test dont les tarifs ont été vérifiés le 20 septembre 2026. Chaque plateforme a reçu le même clip de référence de 10 secondes, une voix enregistrée en pièce silencieuse au format WAV, pour cloner deux phrases identiques via son mode de clonage instantané. Hume, qui exige un minimum de 15 secondes, a dû utiliser un extrait rallongé, tandis qu'ElevenLabs, qui recommande pourtant 1 à 2 minutes pour son Instant Voice Cloning, a été testé à 10 secondes, en dessous de ses propres consignes. Sur la fidélité vocale, Hume a publié le 10 septembre 2026 un classement indépendant, le Voice Replication Leaderboard, évaluant 11 modèles sur 25 voix de référence et 7 prompts, notés de 1 à 5 par trois évaluateurs humains. Fish Audio, avec son modèle s2-pro, arrive en tête à 4,03, devant Cartesia sonic-3,5 (3,70) et ElevenLabs Multilingual v2 (3,68). Eleven v3, le modèle le plus récent d'ElevenLabs, termine pourtant dernier des onze avec 2,91. Les tarifs vont de 12,50 dollars le million de caractères chez Inworld à 100 dollars chez ElevenLabs pour Eleven v3. Ce comparatif révèle qu'un score global de qualité audio ne garantit pas la ressemblance avec la voix source: Cartesia sonic-3,6-beta obtient la meilleure note de naturel (4,36) mais chute au huitième rang sur l'identité vocale, et Inworld TTS-2 domine la qualité audio (4,61) sans dominer la fidélité au locuteur. Pour les entreprises qui déploient des assistants vocaux, du doublage ou des interfaces personnalisées, ce découplage impose de choisir un fournisseur selon l'usage réel plutôt que sur un score marketing unique. La vérification du consentement pèse tout autant: face au risque de deepfakes vocaux, les approches divergent fortement, d'une simple attestation de droits chez Cartesia ou Inworld à un test Voice Captcha en direct chez ElevenLabs pour les clones professionnels, ou une vérification de propriété en temps réel chez Fish Audio. Sur un marché encore jeune, ces garde-fous pourraient peser autant que le prix ou le nombre de langues disponibles dans le choix d'un fournisseur. Ce marché s'est structuré rapidement avec l'essor de la synthèse vocale neuronale, chaque acteur adoptant un positionnement distinct. ElevenLabs, pionnier grand public fort de plus de 70 langues, impose une vérification stricte pour ses clones professionnels, quitte à afficher des scores de similarité plus faibles en test indépendant. Inworld vise la couverture linguistique la plus large, plus de 200 langues et dialectes, cohérente avec son ancrage dans les agents conversationnels et le jeu vidéo. Cartesia et Fish Audio misent sur la rapidité de clonage, dès 10 secondes d'audio, avec des tarifs compétitifs facturés au caractère ou à l'octet. La publication par Hume de son propre classement, en libre accès sur Hugging Face, illustre l'absence de norme industrielle pour mesurer la ressemblance vocale: chaque acteur produit ses propres benchmarks, ce qui complique la comparaison mais accroît la pression sur la transparence des fournisseurs. Avec la multiplication des usages commerciaux, la vérification du consentement et la traçabilité des voix clonées devraient rester au cœur des arbitrages réglementaires dans les mois à venir.

Le film Odyssey généré par IA dure 2h30, soit 2h30 de trop

Christopher Nolan a signé une adaptation de L'Odyssée qui a dominé le box-office et relancé l'intérêt du public pour l'œuvre d'Homère. Dans son sillage est sorti un film concurrent entièrement généré par intelligence artificielle, intitulé Odysseus: The Fall, d'une durée de deux heures et demie. Il est produit par le studio Fountain 0 et réalisé par son cofondateur Ash Koosha, qui a également prêté son visage au personnage principal et composé l'intégralité de la musique du film. Le générique de fin, très court, reflète le nombre limité de personnes impliquées dans la production. Il s'agit du deuxième long métrage du studio après Dreams of Violets, un autre film généré par IA qui avait été sélectionné au festival de Tribeca plus tôt cette année. Selon la critique parue dans The Verge, le résultat est si médiocre qu'il risque de détourner les spectateurs du récit original plutôt que de les y intéresser, à rebours de l'effet produit par le film de Nolan. Cet épisode illustre les limites actuelles des outils d'IA générative appliqués à la production cinématographique complète, à un moment où l'industrie du divertissement observe de près si des œuvres majoritairement automatisées peuvent rivaliser avec des productions traditionnelles à gros budget. Le contraste entre les deux adaptations sorties presque simultanément met en lumière les tensions actuelles autour de l'IA à Hollywood, où scénaristes et acteurs restent vigilants face à l'automatisation de la création après les grèves de 2023. La progression rapide de studios comme Fountain 0, qui enchaînent les longs métrages générés par IA et décrochent des sélections dans des festivals reconnus comme Tribeca, alimente le débat sur la place que ces productions pourraient occuper face au cinéma traditionnel dans les années à venir.

ChatGPT vous envoie en 1985 : on a testé le prompt viral sur Sydney Sweeney

Une nouvelle tendance virale invite les utilisateurs de ChatGPT à transformer n'importe quelle photo récente en cliché typique des années 1980, grâce à ChatGPT Images 2.5, le modèle de génération d'images qu'OpenAI vient d'intégrer à son chatbot. OpenAI elle-même met en avant ce prompt, qu'elle qualifie d'actuellement viral. Le procédé a été testé sur des photos de Sydney Sweeney, Timothée Chalamet et Margot Robbie, dont un cliché de Sweeney pris au Toronto International Film Festival en 2025. Il suffit d'ouvrir ChatGPT sur ordinateur, mobile ou web, d'y déposer une photo nette avec le visage bien visible, puis de demander au modèle de recréer la scène comme si elle avait été photographiée au milieu des années 1980, avec coiffures volumineuses, vestes aux épaules marquées, flash frontal et grain de pellicule. OpenAI annonce que ChatGPT Images 2.5 est jusqu'à 50 % plus rapide que la précédente version 2.0, avec une meilleure fidélité aux photos de référence, des textures et des lumières plus naturelles, et une capacité accrue à préserver l'identité des personnes photographiées même lorsque leur environnement, leurs vêtements ou leur style changent radicalement. Cette évolution marque un progrès concret pour les usages grand public de l'IA générative d'images : contrairement à un simple filtre rétro qui se contente de jaunir une photo, le modèle reconstruit intégralement les cheveux, les vêtements, le décor et l'ambiance tout en conservant les traits du sujet, un équilibre que les générateurs d'images peinaient jusque-là à tenir de façon fiable. Le procédé ne nécessite aucun logiciel de retouche comme Photoshop et reste accessible depuis une simple conversation, avec la possibilité de corriger le résultat par itérations successives, par exemple en demandant de renforcer la ressemblance ou de rendre une coiffure plus crédible pour l'époque visée. Cette itération conversationnelle change la façon dont le grand public aborde la retouche photo, en la rendant accessible sans compétence technique, tout en questionnant l'usage de portraits de célébrités dans des générations d'images sans leur consentement explicite. Cette tendance s'inscrit dans une succession de modes virales autour de la génération d'images par IA, après des vagues similaires comme les transformations en style animé ou en figurines miniatures, qui ont chacune démontré la viralité de ces outils sur les réseaux sociaux. Elle intervient alors qu'OpenAI cherche à consolider sa position face à des concurrents comme Google et son modèle Gemini, ou Midjourney, sur le terrain de la génération et de l'édition d'images fidèles à une référence. La disponibilité de ChatGPT Images 2.5 sur l'ensemble des formules de ChatGPT, avec des limites de génération variables selon les abonnements, laisse présager une diffusion rapide de la fonctionnalité auprès d'un public large. Reste à voir comment OpenAI encadrera l'usage de portraits de personnalités publiques dans ce type de génération, alors que ces tendances virales soulèvent régulièrement des questions de droit à l'image et de désinformation visuelle.

💬 Le vrai saut technique ici, c'est pas le grain vintage, c'est qu'OpenAI a réussi à faire tenir ensemble reconstruction totale du décor (cheveux, fringues, lumière) et fidélité du visage, un équilibre que les générateurs d'images ratent depuis des années. Sur Sydney Sweeney ça fait son effet, mais le vrai test c'est le jour où n'importe qui balance la photo de sa mère : si l'identité tient, c'est plus un jouet viral, c'est un outil de retouche grand public qui enterre Photoshop pour ce genre d'usage. Reste que personne n'a réglé la question du droit à l'image des célébrités transformées sans leur accord, et ce n'est pas un filtre rétro qui va trancher ça à notre place.

Prime Video teste une IA pour synchroniser les lèvres des acteurs avec les voix doublées

Amazon expérimente une nouvelle technologie baptisée « visual dubbing » sur sa plateforme Prime Video, destinée à corriger le décalage visuel classique du doublage entre les mouvements de bouche des acteurs et les voix traduites. Le principe : l'intelligence artificielle intervient sur l'image pour ajuster les lèvres des comédiens afin qu'elles correspondent aux dialogues doublés, tandis que les voix elles-mêmes restent celles de véritables comédiens de doublage, sans recours à une synthèse vocale artificielle. Le premier test porte sur Maxton Hall, série allemande à succès, dont les deux premières saisons bénéficient déjà de cette synchronisation labiale par IA, mais uniquement pour la version doublée en anglais. La troisième et dernière saison, prévue pour le 9 décembre 2026, profitera également de cette technologie dès sa sortie. Amazon indique vouloir étendre ce procédé à d'autres productions de son catalogue, sans toutefois préciser lesquelles, et n'a communiqué aucune date pour un déploiement sur les doublages français. Cette innovation s'attaque à un défaut du doublage identifié depuis des décennies mais jamais vraiment résolu : ce léger différé entre le son et l'image qui trahit immédiatement qu'une scène a été doublée. En le corrigeant par l'IA plutôt que par un nouveau tournage ou une adaptation forcée des traductions, Prime Video pourrait rendre les versions doublées nettement plus immersives, un enjeu commercial important pour une plateforme qui diffuse ses contenus dans des dizaines de pays et de langues. Pour l'industrie de l'audiovisuel, cette avancée soulève cependant des questions sensibles : quelle part du travail reste humaine, quels accords ont été négociés avec les acteurs et les ayants droit dont l'image est numériquement modifiée, et quelles garanties existent pour préserver l'intégrité artistique des œuvres originales. Amazon affirme que des équipes créatives supervisent le procédé, mais n'a détaillé ni l'ampleur de l'intervention de l'IA ni les termes contractuels associés à cette utilisation de l'image des comédiens. Amazon n'est pas seul sur ce terrain : Meta et YouTube proposent déjà des fonctions de doublage avec synchronisation labiale pilotée par IA, bien que selon des approches et des cas d'usage différents de ceux de Prime Video, davantage tournés vers le contenu créé par les utilisateurs que vers des productions audiovisuelles premium. Ce mouvement s'inscrit dans une tendance plus large de l'industrie du streaming et des réseaux sociaux à recourir à l'intelligence artificielle générative pour fluidifier la localisation de contenus à l'échelle mondiale, un chantier jusqu'ici coûteux et lent. Reste à voir comment les guildes d'acteurs, les studios de doublage et les régulateurs réagiront à cette manipulation numérique de l'image des interprètes, alors que les débats sur les droits liés à l'IA générative et à la ressemblance des acteurs restent vifs dans le secteur.

Universal Music lance une plateforme musicale IA avec ElevenLabs

Universal Music Group a annoncé jeudi le lancement d'une nouvelle plateforme musicale reposant sur l'intelligence artificielle, développée dans le cadre d'un accord de licence pluriannuel avec ElevenLabs, entreprise spécialisée dans la génération vocale et musicale par IA. Cette plateforme permettra aux utilisateurs de puiser dans le catalogue de titres sous licence d'UMG pour créer des remixes, des mashups et de nouvelles versions de morceaux existants. Chaque artiste du label pourra choisir librement de participer ou non à ce projet, préservant ainsi un droit de regard sur l'utilisation de son répertoire. Cet accord marque une nouvelle étape dans la stratégie d'UMG visant à encadrer, plutôt que combattre, l'essor de la musique générée par IA. En offrant un cadre légal et rémunéré pour la création de contenus dérivés, le label cherche à protéger les droits des artistes tout en captant une part de la valeur créée par ces nouveaux usages, à un moment où des outils d'IA non autorisés menacent de diluer la propriété intellectuelle du secteur musical. Pour les utilisateurs, cela ouvre la possibilité de manipuler légalement des titres populaires, une pratique jusqu'ici largement confinée à des zones grises juridiques. Ce partenariat s'inscrit dans une série d'initiatives similaires menées par UMG, qui développe déjà une plateforme d'IA musicale avec Udio et a conclu des accords de licence avec Spotify, Nvidia et Klay. Face à la multiplication des outils de génération musicale par IA, les grands labels tentent ainsi de négocier leur place plutôt que de subir la disruption, en s'associant directement avec les développeurs technologiques. La réussite de cette stratégie dépendra largement de l'adhésion des artistes et de la capacité d'UMG à démontrer que ces nouveaux usages génèrent des revenus équitablement partagés.

💬 Universal ne combat plus l'IA musicale, il la monétise. C'est la vraie bascule de cet accord avec ElevenLabs, après Udio, Spotify et Nvidia : le label construit un système où chaque usage IA de son catalogue passe par sa caisse. L'opt-in par artiste rassure sur le papier, mais tu remarqueras que c'est toujours UMG qui fixe les règles, pas les musiciens, et reste à voir si les revenus partagés valent le coup une fois qu'on connaîtra les chiffres.

Suno lance ses modèles musicaux v6, développés avec Warner, BMG et Believe

Suno a dévoilé la sixième génération de ses modèles de création musicale par intelligence artificielle, baptisée v6, disponible en trois versions distinctes. Fait notable, ces modèles ont été développés en collaboration avec Warner Music Group, BMG et Believe, trois acteurs majeurs de l'industrie musicale. Tous les anciens modèles de la plateforme sont progressivement retirés au profit de cette nouvelle génération. Sur le plan technique, v6 introduit deux capacités majeures : la possibilité de modifier partiellement une chanson existante via de simples commandes textuelles, et la génération multimodale de morceaux à partir d'une combinaison de texte, d'audio et d'images. Suno n'a en revanche pas précisé quels catalogues musicaux ont servi à entraîner ces modèles. Ce partenariat marque un tournant pour Suno, longtemps critiquée pour avoir entraîné ses modèles sans licence explicite sur des œuvres protégées. En s'associant officiellement à Warner, BMG et Believe, l'entreprise cherche à légitimer sa technologie et à sécuriser son accès à des catalogues musicaux de qualité, tout en offrant à ces labels une nouvelle source de revenus liée à l'IA générative. Pour les utilisateurs, les nouvelles fonctionnalités d'édition ciblée et de génération multimodale élargissent considérablement les usages créatifs possibles, rapprochant les outils d'IA musicale des standards de production professionnelle. Ce virage s'inscrit dans un contexte juridique tendu pour l'industrie de la musique générée par IA. Alors que Warner, BMG et Believe choisissent la voie du partenariat, Universal Music Group et Sony Music continuent de poursuivre Suno en justice pour violation présumée de droits d'auteur. Cette divergence stratégique entre grands labels illustre les tensions actuelles autour de l'entraînement des modèles d'IA sur des contenus protégés, et pourrait influencer la manière dont l'ensemble du secteur musical négociera à l'avenir avec les entreprises d'intelligence artificielle générative.

💬 Suno qui signe avec Warner, BMG et Believe, c'est l'aveu que l'entraînement sauvage ne tenait plus la route. Les labels ne se battent plus contre l'IA générative, ils monétisent l'accès à leur catalogue, et c'est exactement ce qui va trier le marché entre boîtes qui paient et boîtes qui se font poursuivre. Universal et Sony continuent leur procès pendant que Believe encaisse, la fracture entre labels ne porte plus sur l'IA elle-même mais sur qui négocie et qui plaide.

ChatGPT Sketch transforme vos dessins maladroits en images IA détaillées

OpenAI a annoncé mardi le déploiement de ChatGPT Images 2.5, une mise à jour qui introduit un nouvel outil baptisé Sketch. Concrètement, l'utilisateur tape "@Sketch" dans la fenêtre de conversation de ChatGPT, ce qui fait apparaître une zone de dessin directement intégrée à l'interface. Il peut alors y tracer un croquis, même sommaire, puis indiquer par texte comment il souhaite que ce dessin soit transformé en image. Le site The Verge, qui a testé la fonctionnalité, explique avoir dessiné un chat à la souris de son ordinateur, un gribouillis volontairement imparfait, et avoir obtenu en retour une photo réaliste de l'animal conforme à ses instructions. La mise à jour ajoute également la possibilité de laisser des commentaires directement sur certaines zones d'une image déjà générée, plutôt que de devoir réécrire l'ensemble de la consigne. Cette évolution abaisse la barrière d'entrée à la génération d'images par IA pour les personnes qui peinent à décrire précisément avec des mots ce qu'elles imaginent visuellement. En combinant dessin approximatif et instructions textuelles, ChatGPT se rapproche d'un outil de conception assisté plus intuitif, utile aussi bien pour des créateurs occasionnels que pour des professionnels du design ou du marketing cherchant à itérer rapidement sur une idée visuelle. La possibilité de commenter des zones précises d'une image facilite en outre les retouches ciblées, sans repartir d'un prompt entier. Cette annonce s'inscrit dans la compétition intense que se livrent OpenAI, Google avec ses modèles Imagen et Gemini, ainsi que Midjourney, pour proposer des interfaces de génération d'images toujours plus naturelles et contrôlables. Depuis le lancement de ChatGPT Images, OpenAI a régulièrement enrichi l'outil de fonctions d'édition avancées. Sketch illustre une tendance plus large vers des entrées multimodales mêlant croquis, texte et annotations ciblées, une direction que d'autres acteurs du secteur pourraient rapidement chercher à égaler.

💬 Sketch, c'est la barrière du "je sais pas dessiner" qui saute enfin pour la génération d'images. OpenAI a compris un truc simple : personne ne décrit bien une image avec des mots, tout le monde sait vaguement gribouiller un chat ou une flèche. Reste à voir si les pros du design l'adoptent vraiment ou si ça reste un gadget pour dépanner un brief foireux.

ChatGPT Images 2.5 : transformez vos croquis en illustrations ou laissez l’IA décider pour vous

OpenAI a déployé le 8 septembre 2026 la version 2.5 de son générateur d'images intégré à ChatGPT, baptisé ChatGPT Images. Cette mise à jour introduit deux fonctionnalités principales : la possibilité de dessiner soi-même une esquisse à main levée pour que l'IA la transforme en illustration finalisée, et un système de modèles prédéfinis permettant de générer des visuels à partir de gabarits déjà construits par OpenAI. L'objectif affiché est de fluidifier la création d'images en réduisant le temps passé à formuler des prompts textuels complexes, au profit d'une interaction plus directe et visuelle avec l'outil. Cette évolution s'inscrit dans une logique d'accessibilité accrue pour les utilisateurs peu familiers avec l'art du prompt, en leur offrant un point de départ concret, un croquis ou un modèle, plutôt qu'une page blanche textuelle. Pour les créateurs de contenu, designers et professionnels du marketing, cela représente un gain de temps potentiel non négligeable dans la production de visuels. Le revers de la médaille, souligné par les premiers retours, est le risque d'une homogénéisation esthétique : en s'appuyant sur des modèles tout faits, les images générées par différents utilisateurs tendent à converger vers des styles similaires, ce qui pourrait diluer la singularité visuelle que promettait initialement la génération d'images par IA. Cette annonce s'inscrit dans la compétition intense que se livrent les géants de l'IA générative sur le terrain de l'image, face à des concurrents comme Google avec Imagen ou Midjourney. OpenAI cherche ainsi à consolider ChatGPT comme plateforme tout-en-un, combinant texte, code et création visuelle, plutôt que de laisser les utilisateurs se tourner vers des outils spécialisés. La question de la différenciation créative face à la standardisation des rendus générés par IA devrait rester un enjeu central pour les prochaines itérations de l'outil, à mesure que ces technologies se démocratisent auprès d'un public non technique.

Flux : tout savoir sur le générateur d’images open source qui défie Midjourney

Black Forest Labs, une startup allemande fondée par d'anciens chercheurs de l'équipe originelle de Stable Diffusion, a lancé son générateur d'images Flux en août 2024, avec l'ambition affichée de concurrencer Midjourney sur le terrain de la création visuelle par intelligence artificielle. L'outil repose sur une architecture appelée "flow matching", qui remplace la diffusion classique et améliore la fidélité aux descriptions textuelles ainsi que le rendu des anatomies humaines. La première génération, Flux.1, se déclinait en trois versions : Pro, fermée et accessible uniquement par serveur ; Dev, aux poids ouverts mais réservée à un usage non commercial ; et Schnell, distribuée sous licence permissive Apache/MIT, rapide même sur des cartes graphiques grand public et exploitable pour des projets commerciaux. Fin novembre 2025, Black Forest Labs a lancé Flux.2, une deuxième génération déclinée en versions pro, flex, dev, et depuis janvier 2026 klein, pensée pour une génération d'images en moins d'une seconde. La version premium atteint désormais une résolution native de quatre mégapixels et peut intégrer simultanément huit à dix images de référence. Cette montée en puissance change concrètement la donne pour les professionnels de la création visuelle. La disparition des défauts classiques des générateurs d'images, comme les mains difformes ou les visages peu naturels, rend l'outil crédible pour des usages professionnels et commerciaux, du design de personnages à la production de contenu de marque. La gestion simultanée de plusieurs images de référence permet notamment de conserver la cohérence visuelle d'un personnage ou d'un produit à travers différentes générations, un besoin central pour les marques et les studios créatifs. Surtout, le caractère open source de la version Schnell, déployable localement sur du matériel modeste, démocratise l'accès à une technologie jusque là dominée par des services propriétaires payants comme Midjourney, en donnant aux développeurs et créateurs indépendants un contrôle total sur leurs usages, y compris commerciaux. Ce positionnement s'inscrit dans un marché de la génération d'images par IA devenu extrêmement concurrentiel en 2026, où les acteurs fermés côtoient un écosystème open source de plus en plus mature. Black Forest Labs mise sur son ouverture et sa rapidité d'itération, portée par l'expérience de ses fondateurs sur Stable Diffusion, pour s'imposer comme une alternative européenne crédible face aux géants américains du secteur. L'arrivée rapprochée de nouvelles variantes, dont la version klein orientée vitesse d'exécution, illustre une cadence de développement soutenue et une volonté de couvrir tous les segments d'utilisateurs, du hobbyiste au studio professionnel, laissant présager de nouvelles itérations dans les mois à venir.

[Vidéo] Seedance 2.5 : jusqu’à 30 secondes de vidéo avec un seul prompt (audio intégré)

Seedance 2.5, un nouveau modèle de génération vidéo par intelligence artificielle, permet désormais de produire jusqu'à 30 secondes de vidéo à partir d'un seul prompt, contre 10 à 15 secondes habituellement pour la plupart des générateurs concurrents. Sa particularité majeure réside dans la génération d'audio synchronisée : dialogues, bruitages, musique et ambiance sonore sont créés simultanément à l'image plutôt qu'ajoutés a posteriori, le tout pilotable directement depuis le texte du prompt. Le modèle intègre également un système de montage vidéo assisté par IA ainsi qu'une gestion étendue des références visuelles, désormais fixée à 50 images ou vidéos par génération, contre 9 images et 3 vidéos seulement sur la version précédente de l'outil. Trois démonstrations illustrent ces capacités : une scène d'action avec dialogues en français, un concert live avec chanson intégrée, et la transformation d'une séquence en scène d'horreur. Cette avancée marque un tournant pour les créateurs de contenu vidéo assistée par IA, car elle réduit fortement les étapes de post-production habituellement nécessaires. Jusqu'ici, l'ajout d'un son cohérent et synchronisé restait l'un des obstacles principaux à des vidéos IA convaincantes, un audio mal calé ou artificiel pouvant ruiner un rendu visuel par ailleurs réussi. En automatisant cette synchronisation dès la génération, Seedance 2.5 simplifie le flux de travail pour les créateurs, monteurs et professionnels du marketing vidéo. L'augmentation du nombre de références autorisées permet en outre de maintenir une cohérence visuelle sur des projets plus longs et plus ambitieux, avec des personnages et décors stables d'une scène à l'autre, un enjeu clé pour toute production narrative sérielle. Cette évolution s'inscrit dans une course technologique intense entre les différents générateurs vidéo par IA, où la durée des séquences, la cohérence visuelle et désormais l'intégration audio deviennent des critères de différenciation majeurs. Les versions précédentes de ce type d'outils se limitaient souvent à de courts clips silencieux ou nécessitaient un doublage ajouté manuellement en post-production. À mesure que ces modèles gagnent en autonomie créative, ils redessinent les usages possibles pour la publicité, le cinéma indépendant ou la création de contenu sur les réseaux sociaux, tout en posant la question de la maîtrise du prompt comme nouvelle compétence technique pour exploiter pleinement ces outils sans multiplier les tentatives coûteuses en crédits.

Google intègre la génération de musique par IA dans Gemini avec son nouveau modèle Lyria 3.5

Google a lancé Lyria 3.5, son nouveau modèle de génération musicale par intelligence artificielle, directement intégré dans l'application Gemini ainsi que via son API. Le modèle promet des voix plus expressives et des arrangements plus riches que ses versions précédentes. Au delà de Gemini, Lyria 3.5 est également accessible via Flow Music, AI Studio et Google Vids, couvrant ainsi plusieurs points d'entrée dans l'écosystème Google. L'entreprise précise que le modèle a été entraîné exclusivement sur du contenu sous licence, une distinction qu'elle met en avant explicitement. Cette intégration marque une étape supplémentaire dans la bataille des géants technologiques pour dominer la création musicale assistée par IA, un segment jusque là dominé par des acteurs spécialisés comme Suno ou Udio. En rendant Lyria 3.5 disponible directement dans Gemini, l'application d'assistant IA grand public de Google, l'entreprise abaisse considérablement la barrière d'entrée pour des millions d'utilisateurs qui n'auraient pas cherché un outil de génération musicale dédié. Pour les créateurs de contenu, les développeurs et les professionnels du marketing, cela signifie un accès simplifié à la composition musicale sans compétence technique particulière, directement intégré dans des flux de travail existants via l'API et des outils comme Google Vids pour la vidéo. La mise en avant de l'entraînement sur contenu licencié s'inscrit dans un contexte de tensions juridiques persistantes autour de l'IA générative musicale, où plusieurs maisons de disques ont engagé des poursuites contre des start-ups accusées d'avoir utilisé des enregistrements protégés sans autorisation. En choisissant cette approche, Google cherche à se positionner comme un acteur plus sûr juridiquement pour les entreprises et les créateurs soucieux des droits d'auteur. Cette stratégie pourrait influencer la manière dont l'industrie musicale négocie avec les géants de la tech, tout en intensifiant la concurrence face aux modèles spécialisés qui devront eux aussi clarifier l'origine de leurs données d'entraînement.

💬 Le coup de force, c'est pas Lyria 3.5 comme modèle, c'est de le glisser direct dans Gemini, l'appli que tu ouvres déjà tous les jours. Suno et Udio ont beau avoir de l'avance technique, ils vont se battre contre une distribution que personne ne peut égaler. Et l'argument du contenu 100% licencié, c'est moins une posture éthique qu'un argument de vente pour les boîtes qui n'ont pas envie de se retrouver devant un juge à cause d'une maison de disques.

Ils font des millions de vues avec des vidéos IA : 7 créateurs révèlent ce qui se passe vraiment derrière les prompts

Le média LeBigData a interrogé sept créateurs de vidéos générées par intelligence artificielle pour comprendre le travail réel derrière ces contenus viraux. Parmi eux, Alina Mi, une Ukrainienne installée à Londres, forte de plus de dix ans d'expérience dans la mode et la direction artistique, a découvert ChatGPT début 2023 puis Midjourney et Runway. Son succès vient d'une tendance détournée : inspirée d'une scène de cheval mécanique du film Career Opportunities, où les créateurs plaçaient habituellement des femmes, elle a eu l'idée d'y installer des célébrités masculines torse nu. Grâce aux Trial Reels d'Instagram, qui testent un contenu auprès de non-abonnés, plusieurs vidéos ont dépassé le million de vues, celle consacrée à Henry Cavill atteignant 5,8 millions. Au total, ses créations ont cumulé plus de 30 millions de vues organiques en un mois. D'autres créateurs évoquent des films bouclés en deux jours, des centaines de générations jetées et des budgets pouvant grimper à six chiffres, avec des outils comme Seedance, Kling ou Veo. Ce décalage entre audience et rentabilité est révélateur pour toute l'industrie naissante de la vidéo générative. Malgré ses dizaines de millions de vues, Alina Mi n'a reçu que des commandes modestes : des particuliers lui ont payé environ 70 livres sterling pour des variantes de la vidéo du cheval, et une entreprise lui a commandé des productions plus ambitieuses pour environ 300 livres. Produire coûte cher : lors d'un mois intensif, elle a dépensé environ 900 livres supplémentaires en crédits et générations IA, en plus de ses abonnements habituels. La viralité ne se traduit donc pas mécaniquement en revenus, contredisant l'idée d'un « bouton magique » rentable. Pour les créateurs qui veulent vivre de ce médium, cela signifie construire une activité au-delà des compteurs de vues, un enjeu qui concerne aussi bien les marques que les plateformes cherchant à monétiser ces nouveaux formats. Ce constat s'inscrit dans un contexte où le fantasme du texte transformé instantanément en film se heurte à la réalité du terrain. Les créateurs interrogés viennent d'horizons variés : certains cumulent dix, vingt, voire près de trente ans d'expérience dans le cinéma ou le motion design, d'autres se sont formés seuls, l'IA générative leur ayant donné accès pour la première fois à un médium jusque-là trop coûteux. Tous utilisent des combinaisons d'outils différentes, sans cesse renouvelées au gré des mises à jour de Midjourney, Kling, Seedance ou Veo, et décrivent un processus d'essais-erreurs intensif, avec un grand nombre de générations abandonnées avant d'obtenir un résultat exploitable. Aucun n'affirme avoir trouvé la formule garantissant la viralité. L'enquête souligne que la vidéo générative reste un métier exigeant en compétences artistiques et en investissement financier, alors que plateformes et studios cherchent encore le modèle économique capable d'en faire une activité pérenne.

Lyria 3.5 débarque dans GeminiApp : créez vos morceaux en quelques clics !

Google a annoncé le 4 septembre 2026 le déploiement mondial de Lyria 3.5, son modèle génératif musical, au sein de l'application GeminiApp. Développé avec Google DeepMind, ce système avait été lancé fin juillet 2026 avant d'être désormais intégré à Gemini et à son API. Lyria 3.5 permet de générer des chansons complètes à partir d'une simple commande textuelle, sans nécessiter de compétences en musique assistée par ordinateur ni de logiciels de montage. Le rendu audio atteint une qualité studio de 44,1 kHz, avec une structure musicale avancée, des transitions fluides entre les parties du morceau et des voix synthétiques capables de restituer une expressivité proche de celle d'un chanteur humain. Le modèle respecte fidèlement les consignes données pour les paroles et laisse à l'utilisateur un contrôle sur le tempo, le rythme et le style. Au delà de GeminiApp mobile, l'outil est accessible sur le web via gemini.google, mais aussi via Google Flow Music pour les artistes professionnels, via Google AI Studio pour les développeurs souhaitant l'intégrer par API, et via Google Vids pour les équipes de production vidéo. Cette annonce marque une nouvelle étape dans la démocratisation de la création musicale assistée par IA, en rendant un outil auparavant réservé aux initiés accessible au grand public en quelques clics. Pour les créateurs de contenu, les vidéastes ou les amateurs, cela signifie la possibilité de produire une bande originale, un jingle ou une chanson complète en quelques secondes, sans budget ni matériel spécialisé. Pour l'industrie musicale, l'enjeu est plus sensible: la multiplication de ces générateurs interroge la place des compositeurs, interprètes et maisons de disques face à des voix synthétiques de plus en plus réalistes, ainsi que les questions de droits d'auteur sur les œuvres utilisées pour entraîner ces modèles. En intégrant Lyria 3.5 directement dans une application grand public utilisée par des centaines de millions de personnes, Google accélère la banalisation de cette technologie et met la pression sur ses concurrents. Ce lancement s'inscrit dans une course plus large entre grands acteurs de l'IA générative sur le terrain de la musique, où Google cherche à consolider son avance après plusieurs générations de Lyria depuis son introduction initiale. L'entreprise mise sur une stratégie de diffusion multicanal, entre application grand public, plateforme créative professionnelle et outils pour développeurs, afin de couvrir l'ensemble de la chaîne de création musicale. Les prochains mois devraient permettre de mesurer l'adoption réelle de l'outil par les créateurs amateurs et professionnels, ainsi que les réactions de l'industrie musicale et des régulateurs concernant l'usage de contenus protégés dans l'entraînement de ces modèles, un sujet qui reste au cœur des tensions entre géants technologiques et ayants droit.

💬 Ce qui change la donne ici, c'est pas la qualité audio, c'est la distribution : Google embarque un générateur de chansons complet dans une appli que des centaines de millions de gens ouvrent chaque jour. Pour le vidéaste ou l'amateur qui veut un jingle en trente secondes, c'est enfin du concret, plus besoin de logiciel ni de compétences. Mais plus la voix synthétique sonne juste, plus la question des droits d'auteur devient centrale, et sur ce point-là Google reste très discret.

Roland se lance dans la musique générée par IA avec Melody Flip

Roland vient de lancer Melody Flip, un plug-in d'intelligence artificielle générative destiné aux stations de travail audionumériques (DAW). L'outil propose environ 250 "Palettes", des collections thématiques d'idées musicales classées par genre. Les utilisateurs peuvent partir de zéro et demander la génération de mélodies, de progressions d'accords, de lignes de basse ou de rythmes, dans n'importe quelle combinaison. Ils peuvent aussi importer un morceau de référence pour que l'outil développe de nouvelles idées à partir de ses motifs mélodiques. Contrairement à Suno ou Udio, Melody Flip ne produit pas de chansons entièrement finalisées avec voix et arrangement complet. Cette approche distingue Roland des géants de la génération musicale par IA qui visent le "bouton unique" produisant un morceau prêt à l'écoute. En se positionnant comme un outil d'assistance à la composition plutôt que comme un générateur de chansons complètes, l'entreprise japonaise s'adresse directement aux musiciens et producteurs déjà équipés de logiciels professionnels, plutôt qu'aux créateurs de contenu cherchant une piste instantanée. Cela pourrait rassurer une partie de l'industrie musicale inquiète de voir l'IA remplacer entièrement le travail créatif, en présentant Melody Flip comme un outil d'aide à l'écriture plutôt qu'un substitut à l'artiste. Ce lancement s'inscrit dans une vague plus large où les fabricants d'instruments et de matériel audio traditionnels intègrent l'IA générative à leurs gammes, après des années dominées par des start-ups comme Suno et Udio, elles-mêmes visées par des poursuites pour violation de droits d'auteur de la part des maisons de disques. Roland, connue pour ses synthétiseurs et boîtes à rythmes, mise sur son ancrage dans les studios professionnels pour se différencier. Reste à voir comment les musiciens accueilleront cette approche plus modeste mais potentiellement plus compatible avec les usages créatifs établis.

💬 Roland ne vise pas le tube en un clic, il vise le musicien qui bosse déjà dans son DAW, et c'est exactement ce qui manquait dans ce marché saturé de générateurs "bouton unique". Là où Suno ou Udio inquiètent l'industrie en sortant des morceaux finis voix comprise, un outil qui propose juste des mélodies ou des lignes de basse à greffer dans un vrai projet, ça reste un instrument, pas un remplaçant. Reste à voir si les 250 palettes tiennent la comparaison avec un vrai sens mélodique, parce que sur le papier c'est malin, mais l'assistance à la composition, ça se juge à l'oreille, pas sur une fiche produit.

Pourquoi la nourriture generee par IA a toujours cette apparence

Un nombre croissant de restaurants, cafés et marques alimentaires utilisent désormais des générateurs d'images par IA pour illustrer leurs produits sur les réseaux sociaux et leurs menus, avec des résultats jugés grotesques par de nombreux internautes. The Verge recense une collection d'images virales ratées : des crevettes en forme de donuts, un sandwich Reuben aux allures monstrueuses, des nouilles filandreuses ressemblant à des vers, du poulet effiloché à la texture douteuse, ainsi que des glaces qui évoquent tantôt du béton, tantôt des cerveaux humains. D'autres visuels montrent un burger difforme ou un burrito couvert de bosses et de trous évoquant des larves, au point de déclencher chez certains spectateurs une réaction de trypophobie. Ce déferlement d'images ratées, surnommé "AI slop" dans l'industrie, pose un problème concret pour les commerces qui l'utilisent : au lieu d'attirer les clients, ces visuels générés automatiquement suscitent moquerie et méfiance en ligne, ternissant l'image de marque plutôt que de la renforcer. Le phénomène illustre les limites persistantes des modèles de diffusion, technologie derrière la plupart des générateurs d'images actuels, qui peinent encore à reproduire de façon crédible les textures organiques complexes de la nourriture, comme la fonte du fromage, le grain de la viande ou la structure d'une pâte. Ce recours croissant à l'IA s'explique par la recherche d'économies sur la photographie culinaire professionnelle, traditionnellement coûteuse. Mais l'écart entre l'ambition marketing et le rendu visuel obtenu alimente un débat plus large sur la précipitation des entreprises à adopter l'IA générative sans contrôle qualité suffisant, un phénomène observé bien au-delà du seul secteur de la restauration.

💬 Le vrai problème, c'est pas que l'IA rate la bouffe, c'est qu'elle rate ce qui coûte cher à faire à la main : la texture. Le fromage qui fond, le grain d'une viande grillée, ça demande de la lumière, un vrai plat, un vrai photographe, et c'est exactement ce que les modèles de diffusion n'ont jamais appris à simuler. Du coup les enseignes qui pensaient économiser sur la photo culinaire se retrouvent avec des burgers qui donnent envie de vomir plutôt que de commander, et ça, niveau retour sur investissement, c'est raté.

Créer une vidéo de groupe avec l’IA : 8 idées originales à tester entre amis

Créer des vidéos personnalisées avec l'intelligence artificielle devient un loisir accessible entre amis, selon un article qui détaille huit façons d'utiliser ces outils pour transformer des séquences filmées au téléphone. La nouveauté mise en avant concerne la possibilité de modifier plusieurs visages au sein d'une même vidéo, et non plus seulement celui d'un personnage principal. VidMage propose ainsi un outil dédié au remplacement de plusieurs visages dans une vidéo, permettant d'attribuer un rôle différent à chaque participant d'un groupe sans avoir à traiter chaque visage séparément. Parmi les idées proposées figurent la recréation d'une scène de film culte avec les membres d'un groupe d'amis dans les rôles principaux, la transformation d'une vidéo de vacances en scénario totalement différent tout en conservant le décor original, l'adaptation personnalisée de formats populaires sur TikTok, Instagram Reels ou YouTube Shorts, la création de vidéos surprises pour des anniversaires, ou encore l'attribution volontairement décalée de rôles à contre-emploi, comme confier le rôle du héros d'action à la personne la plus calme du groupe. Cette évolution illustre la démocratisation rapide des outils de montage vidéo basés sur l'IA générative, qui ne nécessitent plus de compétences techniques particulières pour produire des effets auparavant réservés aux professionnels. Pour les utilisateurs, cela ouvre un nouveau terrain de création sociale : des vidéos courtes, personnalisées et facilement partageables sur les réseaux sociaux, où le format et la rapidité de production comptent davantage que la qualité cinématographique. Pour les plateformes comme TikTok ou Instagram, cette accessibilité alimente un flux constant de contenus originaux susceptibles de générer de l'engagement. Elle marque aussi une étape supplémentaire dans la normalisation des technologies de remplacement facial, autrefois associées principalement aux deepfakes, désormais présentées comme des outils ludiques d'usage courant entre proches. Ce type d'application s'inscrit dans la vague plus large des outils grand public de génération et de manipulation vidéo par IA, portée par une multiplication de start-up et de services en ligne qui simplifient des techniques complexes comme le face-swap multi-personnages. À mesure que ces outils se banalisent, les questions de consentement et d'usage responsable de l'image d'autrui, même dans un cadre amical et non malveillant, restent en toile de fond. La compétition entre plateformes spécialisées dans l'édition vidéo par IA devrait continuer de s'intensifier, chacune cherchant à simplifier davantage la création de contenus collectifs personnalisés pour capter les usages sociaux et divertissants qui dominent aujourd'hui les réseaux.

Transformer une photo avec l’IA : comment donner une nouvelle vie à une image existante

La transformation d'image par intelligence artificielle, ou génération image-to-image, permet de partir d'une photographie existante plutôt que d'une simple description textuelle pour créer une toute nouvelle image. Contrairement à la retouche photo classique, qui se limite à ajuster la lumière, les couleurs ou à supprimer un élément indésirable, cette technologie autorise des transformations beaucoup plus radicales : changer le style visuel d'une photo, placer un sujet dans un environnement totalement différent, modifier les matières et les textures, transformer une personne en figurine 3D stylisée, ou encore réinventer une scène du quotidien en décor cinématographique. Le principe technique repose sur une combinaison entre une image source, qui fournit au système des informations sur le sujet, la composition et les objets présents, et un prompt textuel qui indique la direction créative à suivre. Le processus est généralement itératif : importer une photo, décrire la transformation souhaitée en précisant les éléments à conserver, le style, l'environnement et la lumière, générer un premier résultat, puis l'affiner par des ajustements successifs jusqu'à obtenir le rendu recherché. La photo de départ n'a pas besoin d'être professionnelle : un cliché personnel, un paysage ou une photo de produit suffisent comme point de départ. Cette évolution change concrètement la manière dont les créateurs, les marques et les particuliers peuvent exploiter leurs images. Pour les professionnels du marketing et de la publicité, elle ouvre la possibilité de générer des visuels de campagne originaux à partir de simples photos de produits, sans recourir à des séances photo coûteuses ou à des décors physiques. Pour les créateurs de contenu et les artistes, elle permet d'explorer des directions visuelles impossibles à obtenir avec des outils de retouche traditionnels, en réinterprétant une image tout en conservant la reconnaissabilité du sujet principal. Pour le grand public, elle démocratise des effets visuels auparavant réservés à des studios spécialisés, qu'il s'agisse de scènes de jeu vidéo, de créatures imaginaires ou d'univers stylisés. L'enjeu dépasse donc la simple retouche esthétique : c'est la capacité de l'IA à modifier le contexte et la signification visuelle d'une image, et pas seulement son apparence de surface, qui constitue la véritable rupture. Cette approche s'inscrit dans la continuité des avancées de l'IA générative visuelle, qui est passée en quelques années de la génération d'images purement textuelle à des systèmes capables de manipuler des images réelles avec une grande finesse. Elle répond aussi à une limite concrète des premiers générateurs texte-image : la difficulté à contrôler précisément la composition ou à conserver un sujet reconnaissable d'une génération à l'autre. En s'appuyant sur une photo existante comme ancrage visuel, les outils image-to-image offrent davantage de contrôle créatif tout en réduisant la part d'aléatoire. À mesure que ces technologies se perfectionnent, la question du contrôle fin du prompt, de la fidélité au sujet d'origine et des usages commerciaux ou détournés de ces transformations restera au cœur des débats entourant l'IA générative appliquée à l'image.

Google Pics : le nouvel outil IA de Google pour modifier vos images élément par élément

Google a présenté Google Pics, un nouvel outil de génération et de retouche d'images par intelligence artificielle, annoncé le 1er septembre 2026 via le compte X officiel de Google Workspace. L'outil est déployé progressivement auprès des clients Google Workspace ainsi que des abonnés Google AI Pro et Ultra. Sa particularité est de permettre l'édition ciblée d'un visuel généré par IA : plutôt que de relancer une génération complète à partir d'un prompt modifié, l'utilisateur peut sélectionner un objet précis, une zone ou une couleur, décrire la modification souhaitée, et l'IA l'applique sans toucher au reste de l'image. Plusieurs commentaires ciblés peuvent même être déposés simultanément à différents endroits du visuel pour lancer une série de retouches en une seule fois. L'outil intègre aussi une fonction de modification et de traduction du texte incrusté dans une image, en conservant la police et le design d'origine. Google Pics fonctionne comme outil autonome mais s'intègre nativement à Google Slides, Docs et Drive. Cette annonce répond à une frustration courante des utilisateurs de générateurs d'images IA : un seul détail imparfait obligeait jusqu'ici à réécrire le prompt et à tout régénérer, au risque de perdre le reste de la composition. En rapprochant la génération d'images d'un véritable outil de retouche professionnelle, Google s'attaque directement à la marche à suivre des créateurs de contenu, des équipes marketing et des utilisateurs de bureautique qui doivent produire des visuels rapidement sans maîtriser des logiciels comme Photoshop. L'intégration native à Slides, Docs et Drive supprime aussi les allers-retours entre outils de retouche externes et environnement de travail, un gain de temps concret pour les usages professionnels quotidiens. La fonction de génération de plusieurs versions à partir d'un même prompt et le partage collaboratif des créations renforcent cette logique d'outil de production intégré plutôt que de simple gadget créatif isolé. Cette sortie s'inscrit dans la stratégie plus large de Google visant à infuser l'intelligence artificielle générative dans l'ensemble de son écosystème Workspace, plutôt qu'à proposer des outils IA détachés de la suite bureautique. Elle intervient dans un contexte de concurrence intense entre géants technologiques sur la génération d'images par IA, où la précision de l'édition et la fidélité au visuel d'origine deviennent des arguments différenciants face aux outils qui régénèrent l'image entière à chaque ajustement. En misant sur la collaboration en équipe et l'intégration native à ses applications phares, Google cherche à ancrer Pics dans les habitudes professionnelles existantes plutôt qu'à le positionner comme un produit grand public isolé. Le déploiement progressif laissera voir dans les prochaines semaines l'ampleur réelle des fonctionnalités disponibles et la réaction des utilisateurs professionnels face à cette nouvelle approche de la retouche assistée par IA.

Fal lance H3 Max Live et repousse la limite de la génération vidéo infinie

Fal, spécialiste de l'inférence pour la génération vidéo par IA, a franchi ce que ses équipes qualifient de barrière de la vidéo infinie en temps réel. En reprenant le modèle H3 de Minimax publié le mois précédent, Fal l'a d'abord réentraîné pour améliorer coût et qualité, puis optimisé pour son moteur d'inférence maison, atteignant une vitesse 35 fois supérieure à celle du point d'accès officiel de Minimax. Le résultat dépasse la vitesse de génération en temps réel, un seuil jusque là jamais franchi durablement pour la vidéo générative. La percée a d'abord été repérée par le chercheur Ethan Mollick, avant que des employés de Fal ne la transforment en flux Twitch infini généré par IA. Twitch et YouTube ont rapidement banni ce flux de leurs plateformes, poussant Fal à lancer son propre service de diffusion en direct, une sorte de "Twitch Plays Pokémon" propulsé par IA générative. Cette semaine a aussi vu Meta faire sortir son agent de codage Muse Code de bêta avec un SDK pour développeurs et des abonnements mensuels, tandis que DeepSeek publiait les poids ouverts de V4 Flash Vision et que Tencent dévoilait Hy4 Preview, un modèle open source à mixture d'experts de 770 milliards de paramètres. Cette avancée technique, même si le contenu produit reste qualifié de "slop" par ses propres promoteurs, un magma vidéo sans scénario ni cohérence, constitue une preuve de concept majeure pour l'industrie de la génération de médias par IA. Jusqu'à présent, générer de la vidéo demandait un temps de calcul incompressible, limitant les applications à des rendus différés même avec les modèles de cohérence les plus rapides. Le fait que Fal démontre une vitesse de génération supérieure au temps réel change la donne pour toute conception de produits vidéo génératifs interactifs, du streaming automatisé aux expériences de divertissement adaptatives. Pour les plateformes comme Twitch et YouTube, cela pose immédiatement des questions de modération de contenu à grande échelle, comme l'illustre leur bannissement immédiat du flux de Fal. Pour les développeurs et entrepreneurs du secteur, le signal est que la qualité s'améliorera rapidement à partir de cette base technique désormais validée. Cette percée s'inscrit dans une compétition plus large entre laboratoires sur l'infrastructure d'inférence et les modèles ouverts. GLM-5.3 Flash de Zhipu s'est classé 19e au classement général de l'Agent Arena et 4e parmi les modèles ouverts, avec un coût médian de 0,12 dollar par tâche et un score de 95,4% sur SWE-bench, tandis que Qwen3.8-Flash-Next de Alibaba s'est positionné 24e. Ces publications concurrentes, combinées à l'accélération de Tencent qui a comblé une grande partie de son retard sur Hy3 en seulement sept semaines grâce au post-entraînement, illustrent une course effrénée entre laboratoires chinois et américains sur le rapport coût-performance des agents. La démonstration de Fal, aussi rudimentaire soit son contenu actuel, ouvre la voie à des applications futures de streaming vidéo génératif en temps réel, un terrain que davantage d'acteurs vont désormais chercher à occuper.

💬 35 fois plus rapide que le point d'accès officiel de Minimax, et surtout plus rapide que le temps réel : c'est la première fois qu'un labo casse vraiment ce plafond sur la vidéo générative, pas juste sur le papier. Le contenu, c'est du slop, ils le disent eux-mêmes, un flux Twitch sans queue ni tête que les plateformes ont banni en quelques heures. Mais la vitesse de génération, elle, est acquise : maintenant que ce seuil est franchi, toute l'industrie du streaming génératif va s'y engouffrer, et c'est la qualité qui devient le seul problème restant.