Il y a quelques années, un type de clip revenait sans cesse dans les fils sociaux : sur une vieille photo en noir et blanc, quelqu'un clignait des yeux et se mettait à parler. Pour beaucoup, ce fut le premier signe qu'une image fixe pouvait parler. La technique n'a rien de mystérieux — le domaine l'appelle génération de tête parlante. On lui donne un visage et une piste audio, elle prédit la bouche, les clignements, les sourcils et les mouvements de tête, puis rend une image alignée sur le son.

D-ID compte parmi les acteurs les plus anciens et les plus systématiques sur ce chemin, et a réuni la capacité dans une plateforme utilisable : des vidéos d'avatar hors ligne d'un côté, des agents conversationnels en temps réel de l'autre.

Une seule photo suffit en entrée

Le seuil d'entrée est presque contre-intuitif. Téléversez une photo de visage, joignez un script ou une piste audio, et vous obtenez une vidéo de cette personne en train de parler. La documentation de l'API le dit simplement : une seule image suffit pour créer une vidéo de tête parlante. Pas de modélisation 3D, pas de dispositif de capture de mouvement, et la personne n'a pas besoin d'être présente.

L'entrée a des limites fermes : une image jusqu'à 10 MB, en JPEG, JPG ou PNG. La sortie est toujours du MP4, et un avatar standard s'arrête à 1280×1280. Atteindre le 1080p demande un avatar Premium portant la marque HQ.

Une seconde limite se remarque moins et définit l'usage : que ce soit dans le studio ou via l'API, une vidéo est plafonnée à 5 minutes. Cela convient aux explications, aux parcours et aux messages d'accueil. Produire un cours entier d'un seul tenant n'est pas réaliste ; le contenu long doit être découpé en segments.

Chinois aujourd'hui, 119 autres langues ensuite

La génération n'est que la première étape. Ce qui rend D-ID utilisable en entreprise, c'est la localisation. La plateforme gère la génération et l'interaction en direct dans plus de 120 langues, et le même visage reste le même — changer de langue ne devient pas changer de personne.

Quand les images existent déjà, la traduction prend le relais : quelques clics transforment une vidéo finie en plusieurs langues, en clonant la voix du locuteur d'origine et en adaptant le mouvement des lèvres à la nouvelle langue, plutôt qu'en posant un doublage par-dessus. Pour une équipe qui fait un lancement mondial, c'est le point qui fait gagner du temps — une source, une séance, plusieurs versions d'un coup.

Un présentateur à qui parler

Depuis deux ans, l'accent s'est visiblement déplacé vers les Visual Agents : non plus une vidéo figée, mais un avatar temps réel qui écoute, répond et a des expressions.

Les performances publiées sont une exactitude de réponse supérieure à 90% et des réponses en moins de deux secondes. La construction passe par quelques étapes : choisir un présentateur, figure fournie ou avatar personnel ; choisir une voix, timbre synthétique, clone de la sienne ou piste téléversée ; définir rôle et personnalité ; attacher des connaissances ; et brancher un webhook pour qu'il puisse déclencher une action extérieure.

Le volet connaissances accepte des documents, jusqu'à 5 avec un maximum de 500 000 caractères chacun. Le modèle de langue peut venir de n'importe quel fournisseur, ou d'une installation maison. Ces documents n'entrent pas dans le modèle, ils servent seulement de sources pour la recherche, ce qui rend possible de lui confier du matériel interne.

Le déploiement est large : l'agent s'intègre à un site, une application, une plateforme d'apprentissage, un portail d'assistance, une application mobile ou une borne en magasin. Chacun dispose de 200 sessions de conversation gratuites pour essayer, ensuite les formules s'appliquent, l'usage de l'agent étant compté à un demi-crédit par 15 secondes.

La ligne de conformité

Faire parler le visage d'un inconnu comporte un risque d'abus évident, et D-ID a investi plus que ses pairs dans la conformité. Elle détient ISO/IEC 27001, ISO/IEC 27017, ISO/IEC 27018 et ISO/IEC 42001, ainsi que la certification SOC 2 ; la 27018 concerne les données personnelles en environnement cloud et touche directement au GDPR. La page du studio mentionne en plus TISAX et une conformité GDPR complète.

Un engagement plus concret accompagne les certificats : vos vidéos, scripts, documents et avatars restent à vous, la plateforme n'entraîne pas de modèles dessus, et les données sont chiffrées en transit comme au repos. Pour une entreprise qui confie du matériel de formation interne ou des informations client, cette phrase pèse plus qu'une liste de numéros.

Pour les développeurs et ce que permettent les formules

Au-delà du studio dans le navigateur, une API générative complète permet d'intégrer l'outil à son propre produit et de produire en volume. La documentation découpe la génération en générations : V4 Expressive porte une diction émotionnelle, V3 Pro sort en Full HD avec un mouvement corporel naturel, V3 Instant construit un avatar à partir de ses propres images, et V2 Photo fait la tête parlante depuis une photo. Des interfaces de flux temps réel, un SDK et des composants intégrables complètent l'ensemble.

Les formules se répartissent en cinq niveaux — Trial, Lite, Pro, Advanced et Enterprise — avec prix et minutes incluses sur la page tarifaire. Les différences qui décident d'un achat sont plus étroites que les noms le suggèrent. Trial porte un filigrane plein écran mais autorise déjà un avatar Premium en 1080p. Lite garde le filigrane et ne prend pas du tout en charge les avatars Premium, la résolution restant à 1280×1280. Pro retire le filigrane et ouvre le 1080p, ce qui en fait la vraie entrée commerciale. Advanced ajoute volume et droits, Enterprise apporte usage sur mesure, déploiement privé et support dédié.

Deux détails de facturation comptent : les minutes incluses se comptent au mois et ne se reportent pas, et la consommation via l'API puise dans le même solde que le studio. Une équipe à demande irrégulière devrait choisir une formule sous son pic et accepter de fractionner le travail, plutôt que payer pour une pointe qui ne reviendra pas.

À qui cela convient, et où cela s'arrête

L'avantage tient au seuil bas et à la souplesse : une image pour démarrer, quelques minutes dans le navigateur pour un clip, une API pour la série, et un agent en direct qui peut tenir un site jour et nuit. Pour une équipe qui pousse un même corpus vers plusieurs marchés linguistiques, ou qui veut un explicateur disponible 24 heures sur 24, cette combinaison est réellement pratique.

Les bords sont aussi nets. Le plafond de 5 minutes exclut les cours longs. Lite ne peut pas utiliser d'avatars Premium et le paie en résolution. Retirer le filigrane et obtenir le 1080p impose de commencer à Pro. Et l'expressivité se concentre sur la parole — tout ce qui demande un vrai jeu ou un vrai décor sort du cadre.

Une question mérite d'être tranchée avant tout cela : quel visage va parler. Avec la photo de quelqu'un d'autre, l'autorisation devient le problème difficile, ce que les conditions éthiques du site répètent aussi.

Le meilleur usage d'un tel outil est de lui confier les passages répétitifs qui exigent quelqu'un à l'image, et de laisser la présence réelle aux vraies personnes. Ce qui s'économise n'est pas le budget de production, c'est l'attente d'un planning.