Vidéo d’influenceuse IA en local : 15 clips Kandinsky 6 et Wan 2.2
J'ai animé cinq personnages de synthèse en générant quinze clips vidéo au format smartphone sur une RTX 4090. Voici les mesures comparatives de Kandinsky 6.0 et Wan 2.2 5B.
👁 120 lectures
Créer une vidéo d’influenceuse IA animée et crédible directement sur sa propre machine est désormais accessible grâce aux modèles ouverts testés dans mon guide sur l’IA locale pour le texte, l’image et la vidéo. Sur mon PC équipé d’une carte RTX 4090 de 24 Go de VRAM et de 64 Go de RAM, j’ai animé cinq personnages fictifs issus de mon benchmark de portraits pour produire quinze clips verticaux de cinq secondes avec Kandinsky 6.0 Lite, Kandinsky 6.0 Pro et Wan 2.2 5B. Voici les mesures réelles des temps de calcul, de la stabilité visuelle et de l’intelligibilité vocale mesurée au banc d’essai.
Au 17 octobre 2026
- Entrée : portrait selfie issu de FLUX.2 Klein 4B, sortie : clip vertical 9:16 de 5 s à 24 i/s.
- Kandinsky 6.0 Lite : environ 1,5 à 2,5 min par clip, synthèse vocale intégrée mesurant 57% de mots intelligibles en moyenne lors du test en langue polonaise.
- Kandinsky 6.0 Pro (int8) : environ 6 à 7 min par clip, 65% de mots intelligibles en moyenne sur le même test de parole.
- Wan 2.2 5B : environ 1,5 min par clip, rendu muet mais mimiques faciales et mouvements de mains particulièrement fluides.
- Licences ouvertes permettant l’usage commercial : MIT pour Kandinsky 6.0 et Apache 2.0 pour Wan 2.2 5B.
Protocole de génération pour chaque influenceur IA vidéo
Après avoir généré des visages photo-réalistes dans mon test pour concevoir une influenceuse IA en local sans effet plastique, j’ai réutilisé exactement le même selfie pour chaque profil comme image de référence. L’objectif était d’obtenir une vidéo selfie verticale de cinq secondes simulant une publication sur smartphone, accompagnée d’une réplique parlée face caméra.
- J’ai pris le selfie de départ généré par FLUX.2 Klein 4B, un modèle sous licence Apache 2.0 qui offre un rendu de peau sans lissage artificiel.
- J’ai attribué à chaque personnage une courte réplique de 7 à 10 mots ainsi qu’une description précise de son action et de l’environnement sonore.
- Pour Kandinsky 6.0, j’ai injecté l’image comme première image (first frame), avec le prompt descriptif balisant la réplique entre les marqueurs
<S>...<E>et une consigne audio séparée. Pour Wan 2.2 5B, j’ai utilisé la même consigne visuelle sans invite audio. - Les résolutions natives appliquées sont de 480×864 pixels pour Kandinsky et de 544×960 pixels pour Wan 2.2, pour un total de 121 images (5 secondes à 24 images par seconde).
- Pour mesurer objectivement le rendu de la voix générée en direct par Kandinsky, j’ai extrait la piste audio de chaque clip et je l’ai analysée avec Whisper large-v3 afin de calculer la proportion exacte de mots intelligibles.
La structure de l’invite textuelle utilisée dans ComfyUI se présentait de la manière suivante :
A vertical smartphone selfie video of the woman from the reference image, same face and clothes, same place. She is strands of hair blowing across her face, grinning into the phone, looks into the phone camera and says in Polish: <S>Wieje jak diabli, ale Morskie Oko czeka. Idziemy!<E> Natural handheld phone movement, realistic, no filters.
Sound: strong mountain wind, her energetic voiceAnalyse de la parole générée en local
Kandinsky 6.0 a la particularité de générer conjointement la piste vidéo et la piste sonore incluant la voix. Les répliques intégrées dans ce banc d’essai constituaient un test linguistique ciblé en polonais afin d’éprouver la diction sur des phonèmes réputés difficiles. L’analyse automatique sous Whisper large-v3 donne les scores d’intelligibilité suivants pour chaque extrait :
| Réplique testée | Kandinsky Pro | Kandinsky Lite |
|---|---|---|
| Clip 1 (coureuse) | 67% | 56% |
| Clip 2 (blogueuse cuisine) | 70% | 30% |
| Clip 3 (jardinière) | 62% | 38% |
| Clip 4 (testeuse tech) | 86% | 71% |
| Clip 5 (guide de montagne) | 38% | 88% |
Kandinsky 6.0 Pro affiche un taux de reconnaissance supérieur sur la majorité des séquences (65% en moyenne contre 57% pour la version Lite), bien que des variations importantes apparaissent selon les formulations. Les erreurs se concentrent sur les sons complexes et les termes atypiques. Pour un usage sur les réseaux sociaux où l’ajout de sous-titres reste la norme, le rendu de Pro s’avère exploitable. Cependant, pour une production exigeant une netteté vocale irréprochable, il reste préférable de dissocier les étapes en combinant un moteur vidéo avec une synthèse vocale dédiée, comme exploré dans mon comparatif sur les voix IA et le TTS.
Performances comparées des modèles de vidéo IA en local
Le traitement d’une vidéo IA en local sollicite lourdement les composants matériels. Sur une configuration dotée d’une carte graphique RTX 4090 de 24 Go, les trois architectures présentent des profils d’exécution très différents :
| Modèle | Temps par clip | Points forts | Points faibles |
|---|---|---|---|
| Kandinsky 6.0 Pro (int8) | 6:06-7:02 min* | Meilleure intelligibilité vocale, bruitages réalistes | Lenteur relative, requiert 64 Go de RAM système |
| Kandinsky 6.0 Lite | 1:24-2:32 min | Très rapide, mouvements de caméra naturels, audio inclus | Diction vocale plus approximative (57%) |
| Wan 2.2 5B | 1:23-2:03 min | Mouvements des mains fluides, mimiques, respect de l’image | Pas de son, léger rajeunissement facial constaté |
* Lors de mes mesures, un clip de Kandinsky Pro a nécessité 40 minutes en raison d’un conflit de ressources avec une tâche concurrente en arrière-plan. Sur un GPU non sollicité, les générations de Kandinsky Lite se stabilisent autour de 2 minutes contre environ 6,5 minutes pour Kandinsky Pro. Si vous vous intéressez à d’autres architectures de génération vidéo locale, j’ai également analysé les temps de calcul de LTX-Video en local.
Ce qui a fonctionné et les limites observées
- Cohérence avec le visage d’origine : Les trois outils préservent fidèlement les attributs physiques essentiels de l’image source, notamment les taches de rousseur, les lunettes, les coiffures et la texture des vêtements. Seul Wan 2.2 a montré une légère tendance à rajeunir les traits de la coureuse vers la fin du plan de cinq secondes.
- Rendu immersif façon smartphone : Les modèles retranscrivent parfaitement les microsaccades d’un appareil tenu à la main, les mèches de cheveux soufflées par le vent et les clignements d’yeux sous la lumière naturelle, évitant la raideur habituelle des avatars virtuels.
- Incohérences de manipulation gestuelle : Sur l’un des clips traités par Wan 2.2, la blogueuse culinaire monte sa cuillère vers le nez de manière peu naturelle, tandis que dans un autre clip, un personnage filmé face à un miroir reste quasi statique.
- Altération de certains mots : Sur Kandinsky Lite, une confusion phonétique notable a totalement altéré un mot culinaire clé. Il est impératif d’écouter chaque extrait avant validation.
Comment reproduire ces clips sur votre configuration
- Préparez un portrait initial non lissé en suivant ma méthode de portrait réaliste pour éviter l’aspect synthétique.
- Dans l’interface ComfyUI, chargez le flux de travail dédié à Kandinsky 6 (« Image to Video+Audio »). Vous pouvez également gérer ces environnements via Pinokio sur Windows pour faciliter l’installation des dépendances.
- Importez l’image dans le nœud « Load Image », définissez la largeur à 480 et la hauteur à 864 pixels, passez le paramètre
enabledà false dans le nœud « Beautify Prompt », puis insérez votre texte descriptif avec la réplique encadrée par<S>...<E>. - Limitez vos textes à des répliques concises de 6 à 10 mots sans mots étrangers complexes, et générez 2 ou 3 variantes pour retenir celle dont l’articulation est la plus nette.
- Sélectionnez Wan 2.2 5B via son modèle « ti2v » si votre projet ne nécessite pas de parole synchronisée et doit être monté sur une piste musicale externe.
Foire aux questions
Peut-on animer une influenceuse IA gratuitement sur son propre matériel ?
Oui, les modèles Kandinsky 6.0 sous licence MIT et Wan 2.2 sous licence Apache 2.0 sont gratuits et permettent une exploitation commerciale. Il faut disposer au minimum d’une carte graphique NVIDIA avec 24 Go de VRAM, et Kandinsky Pro nécessite également 64 Go de RAM système.
Quel modèle propose la meilleure restitution de la parole intégrée ?
Kandinsky 6.0 Pro s’est classé premier lors de mes essais avec une moyenne de 65% de mots reconnus par Whisper, contre 57% pour la version Lite. Le modèle Wan 2.2 5B ne génère quant à lui aucune piste audio.
Quelle est la durée maximale d’un clip généré en une passe ?
Ces modèles sont conçus et entraînés pour produire des séquences natives de 5 secondes (121 images à 24 i/s). Pour concevoir une vidéo plus longue, il faut assembler plusieurs clips successifs en reprenant la dernière image de la séquence précédente comme image de départ.
Combien de temps prend la génération d’une séquence de 5 secondes ?
Sur une carte graphique RTX 4090, il faut compter entre 1 minute 20 et 2 minutes 30 pour Wan 2.2 5B et Kandinsky 6.0 Lite. Pour Kandinsky 6.0 Pro en quantification int8, le rendu oscille entre 6 et 7 minutes par séquence.
Faut-il indiquer publiquement que la vidéo provient d’une IA ?
Oui, il convient de signaler explicitement la nature synthétique de vos publications sur les réseaux sociaux. L’identification claire évite de tromper le public sur la réalité physique du personnage mis en scène.
Sources
- Dépôt officiel Kandinsky 6.0 sur Hugging Face (licence MIT)
- Dépôt officiel Wan 2.2 TI2V 5B sur Hugging Face (licence Apache 2.0)
- Mesures effectuées en local sur PC (RTX 4090 24 Go, i9-14900KF, 64 Go RAM, Windows 11) avec transcription via Whisper large-v3 le 17 octobre 2026.
Vérifié le 17 octobre 2026.
More on this from PROMPTIF
guides·Créer une infographie interactive avec Freepik AI, sans IllustratorAvec Freepik AI, générez des infographies SVG modifiables et interactives. Voici comment rédiger vos prompts, corriger le résultat et exporter vos visuels.