PixVerse construit ses propres modèles de base pour la vidéo et les range en trois gammes. V6 traite la génération de clips, C1 visait la production cinématographique, R1 pointe vers des mondes temps réel à habiter. L'éditeur énonce la séparation sans détour : V6 pour le contrôle précis et une expression artistique propre, C1 pour le contrôle cinématographique et la simulation physique, R1 pour la ressemblance humaine fidèle, l'esthétique du mouvement et la synchronisation commerciale.

V6 : 15 secondes en 1080p, son comprises dans la même passe

La page du modèle liste quatre capacités. D'abord la génération en 15 secondes 1080p : des rushes continus plus longs et plus stables, donc moins de morceaux et moins de collage manuel. Ensuite le multi-plan natif : large, moyen, serré et les transitions entre eux sortent d'une seule génération, la structure narrative arrive déjà montée. Puis l'audio natif, avec dialogue, effets et ambiance produits ensemble. Enfin le contrôle du format, pour que le 16:9, le 9:16 ou une autre forme de diffusion soit fixé avant la génération au lieu d'être rogné après.

Lu comme un ensemble, ces quatre points répondent à une seule question : une génération peut-elle partir telle quelle ? Assez longue, structurée en plans, portant son propre son, déjà au bon format. La page conseille d'ailleurs d'aligner les réglages de sortie sur le canal dès le départ plutôt que de corriger le cadre à la fin.

Le texte ou l'image comme point de départ

La FAQ précise que V6 part d'une consigne écrite et peut aussi animer une image fixe. Le texte-vers-vidéo convient à un concept neuf, l'image-vers-vidéo à une photo de produit, un design de personnage, une photographie ou une référence visuelle déjà en main. Le résultat tient beaucoup à la qualité de l'entrée : l'éditeur demande des images au sujet net, aux bords lisibles et à la composition forte, et que la consigne précise si la caméra avance, balaie, s'incline, suit ou tourne autour. La cohérence d'un personnage repose sur la répétition des mêmes ancres d'identité — couleur de cheveux, vêtement, accessoire — dans chaque plan.

Le chiffre du classement et le prix à la minute

La zone de comparaison du site cite un classement image-vers-vidéo tiers, daté du 2 avril 2026. V6 s'y place à un ELO de 1,343 pour un prix d'API de 4.80 dollars la minute. Le même graphique porte quatre lignes de comparaison : 1,333 points à 4.20 dollars, 1,298 à 13.44, 1,291 à 9.00 et 1,195.5 à 18.00.

Deux réserves comptent. Les définitions d'indicateurs, les dates de relevé et les tarifs des autres éditeurs bougent, et il s'agit de la présentation par l'éditeur de données tierces : un budget se vérifie sur la page au moment de l'achat, il ne se recopie pas d'un graphique.

C1 et l'outillage autour

C1 est présenté comme un moteur de création complet pour le travail de cinéma. Autour des modèles se tiennent cinq entrées : l'application web pour la vidéo ordinaire ; un agent qui transforme une intention exprimée en conversation en flux de travail et peut produire plusieurs plans d'un coup ; un centre marketing tourné vers la publicité et le commerce, avec un parcours guidé jusqu'au spot diffusable ; Canvas, un graphe éditable reliant références, consignes, mouvement et montage final ; et une CLI qui prend consignes, éléments de référence, ratios de sortie et lots depuis le terminal.

Une seconde couche porte des outils plus légers — modèles, synchronisation labiale, générateur d'effets, retouche locale d'image, extension hors cadre et allongement de clip. La forme du produit n'est donc pas une fenêtre de chat qui rend de la vidéo, mais une plateforme qui couvre tout, de la préparation des éléments à la livraison du montage.

R1 et R2 : la génération comme un monde où entrer

La gamme R va plus loin. L'annonce date R1 de janvier 2026 et le qualifie de modèle de monde temps réel, faisant passer la génération d'une sortie unique à un flux qui répond encore aux entrées ; trois mois plus tard, R1 gagnait des mondes partagés et des avatars personnels, pour que plusieurs personnes entrent dans le même monde généré et le façonnent ensemble.

Un texte de recherche d'août 2026 explique comment R2 y est parvenu. Les architectures classiques de vidéo longue et de temps réel traversent environ cinq étapes d'entraînement, et chaque passage coûte en qualité comme en stabilité sur la durée. R2 ramène cela à deux : un Omni Causal AR est pré-entraîné en continu comme modèle de monde unifié, puis cette même base causale est distillée directement en modèle temps réel, selon le principe d'accélérer sans réapprendre. Pour que l'identité et la scène tiennent sur de longues durées, R2 répartit la mémoire en trois canaux — Sink Memory garde les ancres persistantes comme l'identité du personnage, l'environnement, le style et les règles du monde ; Rolling History enregistre le mouvement récent, la pose, le comportement de caméra et les changements d'environnement ; Object KV Cache réutilise l'historique au niveau des objets.

Un autre dispositif mérite sa ligne. Une Error Bank conserve des états d'échec représentatifs et les rejoue pendant l'entraînement à côté de l'historique normal, pour qu'un modèle ayant dérivé hors de l'état du monde puisse encore revenir. Les chiffres internes cités donnent une mesure de dérive de luminosité sur longue durée passant de 0.201 à 0.129, soit 35.8 pour cent d'amélioration, avec 20 séquences longues sur 29 améliorées, et une parcimonie d'attention au-delà de 90 pour cent lors des tests internes. Tout cela relève de l'évaluation interne par étapes de l'éditeur, pas d'un résultat reproduit ailleurs.

Accès entreprise et API

Les développeurs atteignent PixVerse par une plateforme ouverte. La documentation promet une sortie vidéo jusqu'à 1080P et, sur le chemin rapide, un rendu moyen d'environ 10 secondes avec un meilleur cas à 5. Elle décrit une base entièrement maison et un public de plus de 100 millions de créateurs et d'entreprises dans 175 pays. Les interfaces couvrent texte-vers-vidéo, image-vers-vidéo, effets, synchronisation labiale, transitions, allongement, mouvements de caméra, son, fusion, garde-robe et contrôle du mouvement.

Des modèles tiers vivent aussi dans le même espace de travail, et cinq figurent dans la liste, image et vidéo mêlées. L'un d'eux accepte des clips de 4 à 30 secondes et, en mode référence, jusqu'à 50 éléments de référence répartis en 30 images, 10 vidéos et 10 pistes audio. Mettre les concurrents côte à côte transforme le choix du modèle en comparaison interne à la plateforme.

Jeux et divertissement interactif

La même annonce étend R1 aux jeux. Le moteur sépare la mécanique de l'expression visuelle : le joueur interagit en langage naturel et le monde répond dans son apparence comme dans son comportement, sans être limité à des options écrites d'avance. Un direct interactif fait partie du même mouvement, avec des personnages générés par IA qui réagissent aux saisies des spectateurs.

Limites

15 secondes et 1080p décrivent une seule génération V6 ; au-delà, il faut plusieurs segments ou l'outil d'allongement. Le classement et les prix à la minute viennent de données tierces que l'éditeur reproduit, relevées le 2 avril 2026, et les tarifs bougent : mieux vaut consulter la page vivante avant d'acheter. La réduction de dérive et la parcimonie d'attention sont des résultats internes par étapes, pas des scores de référence externes. Enfin les droits commerciaux dépendent de l'abonnement — la page du modèle demande aux équipes de vérifier leur formule avant de publier des contenus payants ou destinés aux clients, et le contenu généré doit toujours respecter les règles de la communauté et le droit local.

En résumé, trois gammes qui ne se recouvrent pas. V6 rend une génération utilisable comme une unité finie : 15 secondes, 1080p, plusieurs plans, son propre son, cadre choisi d'avance. C1 vise le contrôle de niveau cinéma. R1 et R2 poussent la génération vers un monde audiovisuel temps réel avec lequel on continue d'interagir. En dessous se trouvent une API couvrant plus de dix capacités et un espace de travail où comparer les modèles concurrents côte à côte.