Décrire une scène pour une vidéo générée par IA

Un modèle de génération vidéo tourne ce qu’on lui décrit. Ce qu’on ne lui décrit pas, il l’invente. Pour la vidéo de fond d’un site, trois ou quatre phrases suffisent, à condition d’y mettre ce qui compte.

Les guides publiés par Google pour Veo, par OpenAI pour Sora 2 (aujourd’hui archivé) et par Runway pour ses modèles Gen se rejoignent sur l’essentiel. Voici leur méthode, appliquée à une vidéo qui doit porter un titre.

Le lieu, en détails visibles

OpenAI conseille d’écrire sa consigne comme on briefe un directeur de la photographie : des détails concrets, que la caméra peut voir. Comparez :

• vague : « une boulangerie » ;
• précis : « un comptoir en bois clair, des pains de campagne alignés sur des grilles, de la farine qui flotte dans la lumière ».

Ajoutez le moment et l’atmosphère : l’heure, la saison, la météo, l’époque. Google range ces détails dans le contexte de la scène. Les mots abstraits, comme « chaleureux » ou « authentique », aident peu ; Runway conseille de traduire chaque intention en éléments physiques. Décrivez donc ce qui rend le lieu chaleureux : une lampe basse, une vitre embuée, du bois patiné.

Gardez un seul lieu par vidéo. Runway recommande de traiter chaque génération comme une seule scène : changer de décor en cours de plan brouille le résultat.

La lumière

La lumière fait la moitié de l’ambiance. Nommez sa source et sa qualité :

• « lumière rasante de fin d’après-midi par la vitrine, ombres longues sur le sol » ;
• « néons froids au plafond, reflets sur le carrelage mouillé » ;
• « une seule lampe d’atelier, le reste dans la pénombre ».

Le guide de Sora 2 conseille aussi de poser le style dès le début, par exemple « pellicule des années 1970 » ou « image documentaire », et de nommer trois à cinq couleurs. Une palette annoncée garde l’image cohérente, et vous aide ensuite à accorder les couleurs du site à celles de la vidéo.

Le mouvement : la caméra, puis la scène

Une vidéo de fond bouge peu et lentement, pour que le texte reste lisible par-dessus. Décrivez deux mouvements au plus :

• Celui de la caméra. Le vocabulaire du cinéma fonctionne : plan fixe, panoramique lent vers la gauche, travelling avant, mouvement de grue, caméra à l’épaule. Google en donne la liste dans son guide de Veo.
• Celui de la scène. La vapeur d’une tasse, la pluie sur une vitre, un rideau soulevé par l’air, des mains qui pétrissent à l’arrière-plan. OpenAI conseille une seule action par plan, décrite en gestes simples.

Écrivez ce qui doit se passer, sous forme positive. Runway prévient qu’une consigne négative comme « la caméra ne bouge pas » peut produire l’effet inverse : écrivez plutôt « caméra fixe ». Chez Google, ce qu’il faut éviter va dans un champ à part, la consigne négative, sous forme de simple liste : « texte, logo, filigrane ».

La durée et la boucle

Les modèles tournent des plans courts : 4, 6 ou 8 secondes pour Veo sur Vertex AI, 5 ou 10 secondes pour Gen-4 chez Runway. Le guide de Sora 2 observe d’ailleurs que le modèle suit mieux les consignes sur des plans courts.

Pour un fond qui tourne en boucle, choisissez un mouvement régulier et continu : un travelling très lent, de la pluie, de la fumée, de l’eau qui coule. Écartez les actions qui ont un début et une fin, comme une porte qui s’ouvre ou quelqu’un qui entre dans le champ : le raccord se verrait à chaque tour.

Une zone calme pour le titre

Votre titre, votre phrase d’accroche et votre bouton se posent sur la vidéo. Prévoyez-leur une place dès la description :

• placez le sujet sur un côté, par exemple « le comptoir occupe le tiers droit de l’image », et gardez l’autre côté simple : un mur, un ciel, une table nue, une zone d’ombre ;
• évitez les motifs serrés et les contrastes violents à l’endroit du texte ;
• pensez au téléphone. Veo tourne en paysage (16:9) ou en portrait (9:16) ; une vidéo en paysage, recadrée sur un écran vertical, perd ses deux bords. Gardez l’essentiel près du centre.

Ce que les modèles réussissent mal

Les éditeurs le reconnaissent eux-mêmes. Pour Veo 3, Google écrit que garder une cohérence complète dans les scènes complexes, ou aux mouvements complexes, reste difficile. Pour Gen-4.5, Runway cite des effets qui précèdent leur cause, comme une porte qui s’ouvre avant qu’on touche la poignée, et des objets qui disparaissent d’une image à l’autre.

D’où quelques précautions :

• Aucun texte dans la vidéo. Ne demandez ni enseigne lisible ni menu écrit : votre titre s’écrit dans la page, où il reste net, se corrige en une phrase et se lit par les moteurs de recherche. Mettez « texte, lettres, logo » dans les éléments à éviter.
• Les personnes de loin. Un visage en gros plan attire tout le regard, juste sous votre titre, et c’est là qu’un défaut des mains ou du regard se remarque le plus. Préférez des silhouettes, des personnes de dos, des gestes à l’arrière-plan.
• Les personnes décrites. Google a constaté que Veo 3 tend vers les peaux claires quand la consigne ne précise rien. Si des gens apparaissent, dites qui ils sont.
• Une scène simple. Un lieu, une lumière, deux mouvements. Plus la scène est chargée, plus le modèle a de chances de se perdre.

Dire que la scène est créée

Le règlement européen sur l’IA impose, depuis le 2 août 2026, de signaler les hypertrucages : des images ou vidéos générées qui ressemblent à des personnes, objets, lieux ou événements existants, et pourraient passer pour authentiques. La Commission européenne précise que les trois critères doivent être réunis, et que le contexte et les attentes du public comptent. Elle ne tranche pas le cas d’une vidéo de fond de site.

Prudence simple : si la scène peut passer pour une prise de vue de votre propre lieu, dites qu’elle a été créée, par une mention discrète près de la vidéo. Et ne montrez jamais, dans une scène générée, une personne réelle reconnaissable.

Dans l’atelier de 29webs, vous décrivez cette scène, et un modèle de génération vidéo tourne le fond de votre page. La scène est inventée d’après votre description : elle évoque votre métier sans montrer votre lieu. La vidéo est ensuite réencodée et allégée, sans piste son, avec une affiche, et elle s’efface quand le visiteur a demandé moins d’animations : l’affiche reste. Le détail est sur la page du fond vidéo.

En résumé : un lieu précis, une lumière nommée, un mouvement de caméra, une seule action dans la scène, quelques secondes qui bouclent sans heurt, et un côté calme pour le titre. Laissez le texte à la page, et les visages au loin.