Kandinsky 6 et Wan 2.2 : créer une influenceuse IA en vidéo

👁 117 lectures

Après avoir créé cinq influenceuses IA à partir de photos (voir le test Influenceuse IA : des portraits sans effet plastique), je les ai animées. Chacune a reçu une vidéo verticale de cinq secondes dans laquelle elle prononce une phrase en polonais face à son téléphone. J’ai généré les clips en local sur une RTX 4090 avec trois modèles : Kandinsky 6.0 Lite et Pro, qui génèrent l’image et la voix, et Wan 2.2 5B, qui génère uniquement l’image. Les mouvements et les visages ressemblent à ceux de véritables vidéos tournées au téléphone. La parole en polonais reste toutefois un point faible : le meilleur modèle n’a permis à Whisper de reconnaître que 65 % des mots en moyenne.

Comment j’ai procédé

1. J’ai créé un selfie pour chaque personnage avec FLUX.2 Klein 4B, qui avait donné les résultats les plus naturels lors du test photo et dispose d’une licence Apache 2.0.
2. J’ai écrit une phrase de 7 à 10 mots pour chaque personnage, ainsi qu’une brève description de ses gestes et des sons d’ambiance.
3. Pour Kandinsky, j’ai utilisé la photo comme première image, accompagné d’une description de scène contenant la réplique entre les balises <S>...<E> et d’une description audio distincte. Wan a reçu la même description, mais sans consigne audio.
4. Résolution : 480 x 864 pour Kandinsky et 544 x 960 pour Wan, soit 121 images et 5 secondes.
5. J’ai soumis la parole de chaque clip à Whisper large-v3 et compté les mots de la réplique qui étaient audibles.

Voici un exemple de consigne vidéo pour la guide de Zakopane. Il s’agit d’une traduction de la consigne testée en polonais, et non d’un nouveau test en français :

Une vidéo verticale de selfie au smartphone montrant la femme de l’image de référence, avec le même visage, les mêmes vêtements et au même endroit. Des mèches de cheveux lui passent devant le visage sous l’effet du vent. Elle sourit au téléphone, regarde la caméra et dit en polonais : <S>Il y a un vent fou, mais le lac Morskie Oko nous attend. On y va !<E> Mouvement naturel d’un téléphone tenu à la main, rendu réaliste, sans filtre.

Son : fort vent de montagne, voix énergique

Clips : 5 personnages, 3 modèles

Pour chaque personnage, les clips sont présentés dans cet ordre : Kandinsky Pro, Kandinsky Lite, Wan 2.2. Les clips de Kandinsky ont le son généré par le modèle ; ceux de Wan sont muets.

Kasia, coureuse de Gdańsk : « Dix kilomètres avant le petit-déjeuner. Qui court avec moi demain ? »

Amara, blogueuse culinaire de Wrocław : « Aujourd’hui, des pierogi au jollof rice. Ça paraît étrange, mais c’est délicieux ! »

Halina, jardinière de Łódź : « Les carottes ont bien poussé cette année. Je vous invite au jardin ! »

Mei, testeuse de matériel de Cracovie : « Je teste un nouveau casque. La critique sera en ligne demain. »

Zofia, guide de Zakopane : « Il y a un vent fou, mais le lac Morskie Oko nous attend. On y va ! »

Voix en polonais : résultats du test

Les phrases et les voix de ce test sont en polonais. Les formulations françaises ci-dessous sont des traductions des consignes originales ; elles n’ont pas été testées en français.

Pro prononce les phrases en polonais avec de meilleurs résultats que Lite en moyenne, mais pas dans tous les clips : pour la guide de Zakopane, Lite a atteint 88 % contre 38 % pour Pro. Aucun modèle n’est infaillible. Les mots comportant certains sons polonais, notamment les graphies « rz » et la consonne notée avec un point, ainsi que les noms inhabituels comme « jollof rice », posent souvent problème. Les phrases courtes et simples donnent les meilleurs résultats : Lite a presque parfaitement prononcé « Il y a un vent fou, mais le lac Morskie Oko nous attend. On y va ! », traduction de la phrase testée en polonais. Pour une story Instagram accompagnée de sous-titres, Pro peut suffire. Pour un discours plus long, mieux vaut générer la voix séparément et l’ajouter à la vidéo.

Comparatif des modèles

* Un clip Pro a pris 40 minutes, car un autre programme utilisait la carte graphique pendant ce temps. Toutes les durées ont été mesurées alors que la carte était partiellement occupée. Lors des premiers essais, réalisés avec la carte libre, les clips Kandinsky Lite prenaient environ 2 min et ceux de Pro environ 6,5 min (voir le test de Kandinsky 6.0 en local).

Ce qui fonctionne et ce qui fonctionne moins bien

• Le visage reste fidèle à la photo. Les trois modèles ont conservé les taches de rousseur, les lunettes, les coiffures et les vêtements de la première image. Seule la coureuse de Wan paraît un peu plus jeune à la fin du clip.
• Des mouvements de téléphone crédibles. La caméra oscille légèrement, une main remet les cheveux en place et les yeux plissent sous le soleil. Les personnages ne prennent pas la pose comme dans une publicité.
• Des gestes parfois étranges. Dans le clip de Wan, la blogueuse culinaire porte une cuillère avec un pierogi presque jusqu’à son nez. La testeuse de matériel bouge à peine devant le miroir.
• Les mots en polonais. Dans un clip Lite, le mot polonais pour « pierogi » a été remplacé par un terme que je préfère ne pas citer. Écoutez le clip jusqu’au bout avant de le publier.

Comment refaire le test chez vous

1. Créez une photo du personnage en suivant les conseils du test Influenceuse IA : des portraits sans effet plastique.
2. Installez Kandinsky 6 dans ComfyUI (voir le guide du test Kandinsky 6.0 en local) et ouvrez le modèle « Image to Video+Audio ».
3. Chargez la photo avec « Load Image », réglez la largeur sur 480 et la hauteur sur 864, désactivez enabled dans « Beautify Prompt » et saisissez la description avec la réplique entre <S>...<E>.
4. Écrivez des phrases courtes de 6 à 10 mots, sans noms étrangers. Générez 2 ou 3 versions et choisissez celle où tous les mots sont audibles.
5. Choisissez Wan 2.2 5B, avec le modèle « Wan 2.2 5B ti2v », si vous voulez un clip sans parole, par exemple pour l’accompagner de musique.

Pensez à indiquer que le contenu a été créé par une IA. Les règles sont abordées dans la partie consacrée à l’étiquetage du test photo.

Questions fréquentes

Peut-on créer gratuitement une influenceuse IA parlante ?

Oui, en local. Kandinsky 6.0 (MIT) et Wan 2.2 (Apache 2.0) sont gratuits et autorisent un usage commercial. Il vous faut une carte graphique NVIDIA avec 24 Go de VRAM. Kandinsky Pro nécessite également 64 Go de RAM.

Quel modèle parle le mieux polonais ?

Kandinsky 6.0 Pro : 65 % des mots reconnus en moyenne sur mes 5 clips. Lite a obtenu 57 %. Wan 2.2 ne génère pas de son.

Quelle peut être la durée des clips ?

Les modèles sont entraînés pour générer des clips de 5 secondes. Pour obtenir une vidéo plus longue, assemblez plusieurs clips en utilisant la dernière image du précédent comme première image du suivant.

Combien de temps faut-il ?

Sur RTX 4090, comptez environ 1,5 min pour Lite ou Wan et jusqu’à environ 7 min pour Pro, pour un clip de 5 secondes.

Sources

• Kandinsky 6.0 sur Hugging Face (licence MIT)
• Wan 2.2 TI2V 5B sur Hugging Face (licence Apache 2.0)
• Test réalisé sur RTX 4090 le 17 octobre 2026 : 15 clips, Whisper large-v3.

// lire la suiteImagen 2 vs Imagen Pro vs DALL-E 3 : test comparatifBenchmarksQwen3.8 Max : test en polonais, résultats, prix et accèsBenchmarksLogo avec IA : six variantes, un problème invisibleBenchmarks