Le site se présente simplement, comme un générateur de vidéo et d'image de nouvelle génération. La navigation du haut sépare le produit en deux, un studio pour ceux qui fabriquent et une interface pour les développeurs. Un détail mérite d'être signalé : la page d'accueil internationale porte un bandeau annonçant que le site international a déménagé vers une nouvelle adresse, avec un bouton pour suivre. Le studio destiné aux utilisateurs du continent garde son étagère, avec génération d'images, génération de vidéos, contrôle du mouvement, un canevas, un agent et un humain numérique de seconde génération, et le bandeau d'abonnement y annonce un prix sous les six yuans par mois.

Une famille de cinq membres

La troisième génération est mise en avant sous un slogan qui rime en chinois et signifie tout en un, un pour tout. Ce n'est pas un modèle unique mais une famille : vidéo, vidéo omni, image, image omni, et une bibliothèque d'éléments. La présentation officielle dit que la famille repose sur une fondation refaite et place vidéo, images fixes et matériel d'éléments dans un seul processus, si bien qu'une équipe qui a besoin de plans et d'images réutilise une référence de style d'un médium à l'autre.

Le son se fait avec l'image, pas après

La nouveauté la plus lourde de cette génération concerne le son. La documentation dit que les modèles vidéo décortiquent en profondeur des consignes multimodales et fusionnent les tâches, qu'ils reconstruisent la logique narrative de la lumière et du son, et décrit le résultat comme un double lien entre identité visuelle et timbre vocal, du découpage précis de très longs plans jusqu'à la séparation des traits sonores et visuels. En pratique, cela veut dire une chose simple : personne n'a besoin de rendre un plan muet puis de le doubler pour coller aux lèvres, puisque voix et image sont liées au moment de la génération.

La revendication du 4K natif, et son origine

Un article du blog officiel s'intitule le premier modèle vidéo 4K natif au monde, et son premier paragraphe date la sortie au 23 avril, quand la troisième génération a apporté la génération 4K native. Natif a ici un sens précis : la maison affirme que l'on produit du vrai 4K directement, et cite un partenaire pour expliquer la différence avec les outils d'agrandissement, qui ont tendance à modifier un personnage en l'agrandissant, alors que ce modèle construit en vrai 4K dès le départ et évite donc le problème. Le même texte donne le critère de mesure, à savoir une sortie native en 3840 par 2160 produite pendant la génération.

Faire bouger un corps, faire parler un visage

Au-delà du texte ou de l'image transformés en matière, deux capacités ont leur propre facturation. Le contrôle du mouvement repose sur la capture de mouvement, reproduit des gestes complexes et une mimique exacte, et l'usage courant associe une vidéo de référence à un portrait, pour que le résultat hérite du langage corporel et de l'expression de l'original. L'humain numérique prend un portrait et une prise de voix et rend un interprète convaincant, au jeu naturel et aux lèvres synchronisées. Les deux figurent dans une section populaire de la page d'accueil, et chacune a sa documentation côté développeur.

L'étagère d'outils du studio

Le studio range ses outils en six groupes : génération d'images, génération de vidéos, contrôle du mouvement, un canevas, un agent et l'humain numérique, avec à côté une génération omnimodale et une entrée qui rassemble tout le reste. La liste vidéo est plus longue et couvre texte vers vidéo, image vers vidéo, plusieurs images vers vidéo, l'extension, la synchronisation labiale et les effets, plus texte vers son et vidéo vers son. Le côté image couvre texte vers image, image vers image, plusieurs images vers image et l'élargissement, avec des usages verticaux comme l'essayage virtuel. Le déploiement est large aussi, avec des clients mobiles sur les deux grands systèmes et des versions de bureau pour Windows et pour les Mac des deux familles de puces.

Un nom d'unité, deux tarifs

La page tarifaire pour développeurs explique son unité avec une clarté inhabituelle, et cette clarté est le propos : vidéo et image partagent un nom, pas un prix. Côté vidéo, une unité vaut 14 cents. Côté image, une unité vaut une fraction de cent, à raison de mille unités pour 3 dollars 50 cents. Deux règles aimables figurent sur la même page : une génération échouée n'est pas facturée, et le solde inutilisé d'un pack expire au lieu d'être reporté.

Ce que coûte une seconde

La vidéo se facture à la durée, par paliers. La version turbo de la troisième génération ouvre le tableau principal à environ 11 cents la seconde en 720p et 14 cents en 1080p, le son natif étant mentionné comme atout. La version standard découpe plus finement : en 1080p sans son natif, environ 11 cents la seconde, avec son natif environ 17 cents, et sur le palier 4K les deux configurations reviennent à 42 cents la seconde. Le contrôle du mouvement se situe entre environ 13 et 17 cents la seconde, l'humain numérique entre 6 et 11 cents, le tout dans le même système à la seconde. Les images coûtent bien moins : environ 3 cents l'image en 1K et 2K, le double, soit près de 6 cents, en 4K.

Quatre limites

Tous les prix ci-dessus relèvent de l'interface développeur et se facturent à la seconde ou à l'image, ce qui constitue un autre compte qu'un abonnement au studio ; le montant visible sur le site chinois est un prix d'entrée, et les paliers comme les droits se lisent sur la page du jour. Le 4K est le barreau cher de cette génération à 42 cents la seconde, environ quatre fois le tarif 1080p sans son, et le son le pousse plus haut encore, donc réglez les paramètres en 720p avant de planifier du vrai travail. La formule 4K natif est la revendication de la maison et mérite d'être citée comme telle, et les chiffres ici viennent du site et du blog et bougeront avec les promotions. Enfin, utiliser le visage ou la voix d'une personne réelle pour générer suppose l'autorisation adéquate et le respect des règles de contenu de la plateforme.

En bref, ce tour consiste à lier image et son natif en une seule passe et à relever le plafond de qualité vers la production avec le 4K natif. Les tarifs à l'unité, 14 cents côté vidéo et une fraction de cent côté image, sont la carte plus pratique qu'elle joue devant les développeurs.