Automatiser la production vidéo avec des agents IA : une chaîne qui fonctionne

Une courte vidéo produit, c'était un brief, un freelance, deux allers-retours de retours et une semaine. Aujourd'hui, un agent de code peut prendre un brief d'un paragraphe, écrire le script, générer chaque plan, enregistrer la voix off et produire un MP4 pendant que vous relisez autre chose. Toutes les briques existent. Ce qui manque à la plupart des équipes, c'est le câblage : quelle étape tourne sur quel modèle, ce que coûte chaque étape, et à quel moment un humain doit regarder avant que quoi que ce soit ne parte en ligne.

Voici la chaîne que nous monterions aujourd'hui. Sept étapes, une grille de coûts que vous pouvez recalculer pour votre propre lot, deux points de validation, et les démarches de déclaration propres aux plateformes que la plupart des pipelines automatisés oublient jusqu'au jour où une vidéo est étiquetée ou retirée.

La chaîne, étape par étape

Les retours d'expérience publiés sur les workflows vidéo à base d'agents convergent vers la même forme. MindStudio décrit cinq agents : script, storyboard, génération d'images ou de vidéo, voix et montage. Un second article de MindStudio, consacré au marketing de contenu, l'ordonne ainsi : script et liste de plans, voix off avec horodatage mot à mot, génération vidéo, puis montage, sous-titres et export. Nous reprenons le même squelette en ajoutant une étape de relecture explicite, parce que c'est là que l'argent se sauve.

Du brief au script et à la liste de plans. Un LLM transforme le brief en script parlé et en liste numérotée de plans, chacun avec une durée, un prompt visuel et la ligne de voix off qu'il accompagne.
Images de storyboard. Une image fixe bon marché par plan, pour juger la composition avant de payer le mouvement.
Validation un : approbation humaine du script et des images.
Génération des plans. Chaque image ou prompt approuvé devient un clip vidéo sur le modèle qui convient à ce plan.
Voix off. Synthèse vocale à partir du script approuvé, découpée par plan ou par paragraphe.
Montage et sous-titres. Clips, voix, sous-titres et carton final sont assemblés par programme dans le fichier définitif.
Validation deux : relecture humaine du montage, puis déclaration et publication.

Étape 1 : le brief et la liste de plans que l'agent doit renvoyer

Le levier de qualité le plus important de toute la chaîne consiste à obliger l'étape de script à renvoyer une liste de plans au format fixe, puisque toutes les étapes suivantes la lisent. Voici le format que nous demandons. Collez-le tel quel dans les instructions de votre agent.

À copier-coller : le contrat de la liste de plans

shot_id : s01, s02, et ainsi de suite, dans l'ordre.
duration_s : un nombre entier de secondes pour le clip.
vo_line : les mots exacts prononcés sur ce plan, ou vide pour un temps muet.
visual : une phrase décrivant le sujet, l'action, le décor et le mouvement de caméra. Pas de marques que le modèle ne sait pas rendre.
needs_audio : true uniquement si le plan a besoin d'un son natif (dialogue, ambiance liée à l'action).
model_hint : fast, premium ou audio, choisi selon les règles de la section sur le routage plus bas.
on_screen_text : le sous-titre ou l'incrustation, assez court pour se lire sur un téléphone.

Ajoutez ensuite trois règles strictes au brief : une durée totale dans la cible de la plateforme, une idée par plan, et un dernier plan réservé à l'appel à l'action.

C'est l'étape la moins chère de la chaîne. MindStudio chiffre l'étape de script d'un explicatif de cinq minutes à $0.05 à $0.20.

Étapes 2 et 4 : aiguiller chaque plan vers le bon modèle

L'erreur que nous voyons le plus souvent consiste à choisir un seul modèle vidéo et à lui envoyer tous les plans. Les plans ne se ressemblent pas. Une lente rotation de produit, une scène parlée avec son d'ambiance et un plan d'ensemble rapide n'ont pas les mêmes exigences, et les prix s'écartent beaucoup. Au moment de la rédaction, les prix vidéo par seconde sur Aitachyon vont de Hailuo 02 à $0.085/s jusqu'à Seedance 2.5 à $0.44/s en 720p, avec Kling v3 à $0.16/s sans son ou $0.32/s avec audio natif, Veo 3.1 Fast à partir de $0.19/s et Wan 2.7 à $0.19/s. La grille complète se trouve sur la page des modèles avec chaque prix par appel.

Règles de décision pour le champ model_hint

Images de storyboard : prenez le modèle d'image le moins cher qui tient votre composition. Seedream 4.0 à $0.057 l'image ou FLUX.2 [pro] à $0.057 à $0.086 sont les choix par défaut au moment de la rédaction. Gardez Nano Banana ($0.13) ou gpt-image-2 ($0.10 à $0.40) pour les images qui vont directement dans le montage final. Notre comparatif Nano Banana contre FLUX.2 Pro explique où chacun tient la route sur des photos produit.
Fast : plans de remplissage, plans d'ensemble et B-roll sous la voix. Hailuo 02 fixe le plancher de prix.
Audio : uniquement les plans où needs_audio vaut true. Kling v3 avec audio natif coûte le double de son tarif sans son, donc l'agent ne doit jamais demander de l'audio pour un plan qui sera de toute façon sous une voix off.
Premium : le plan héros et les deux premières secondes, là où le spectateur décide de continuer ou non. C'est là que Seedance 2.5 ou Veo 3.1 Fast justifie son prix. Nous avons comparé les deux premiers dans Kling v3 contre Seedance 2.5.

Une remarque sur les prix, par honnêteté. Acheter en direct chez un fournisseur peut revenir moins cher à l'unité. Google affiche Veo 3.1 Fast à $0.10 par seconde en 720p, $0.12 en 1080p et $0.30 en 4K, et Veo 3.1 Lite à $0.05 par seconde en 720p. Si votre chaîne n'utilise jamais qu'un seul modèle, passer en direct se défend. L'intérêt d'un compte unique tient au routage : une clé, un solde et une trace de facturation pour une douzaine de modèles, ce dont les règles ci-dessus ont besoin.

Étape 5 : voix off, timing et coût

La voix est l'étape où l'automatisation fait gagner le plus de temps calendaire et le moins d'argent, parce qu'elle est déjà bon marché. La grille tarifaire API d'ElevenLabs affiche la synthèse vocale à $0.08 pour 1 000 caractères pour v3 et Multilingual v2, et $0.04 pour Flash et Turbo, avec un tarif v4 réduit à $0.022 pour 1 000 caractères affiché jusqu'au 12 octobre. Via Aitachyon, la voix off ElevenLabs coûte $0.043 à $0.086 pour 450 caractères au moment de la rédaction. Le détail des coûts est dans notre décomposition du coût de la voix off ElevenLabs.

Deux décisions de timing à prendre dès le départ

La voix pilote le montage, ou le montage pilote la voix. Pour les vidéos explicatives, générez la voix d'abord et coupez les plans sur son rythme. Le workflow de marketing de contenu cité plus haut prévoit justement une voix off avec horodatage mot à mot avant la génération vidéo, pour que l'agent fixe la durée de chaque clip d'après l'audio réel.
Un fichier ou un fichier par plan. Des fichiers par plan rendent les retouches peu coûteuses : vous changez une ligne et vous régénérez quelques centaines de caractères au lieu de toute la lecture.

Étape 6 : le montage sans logiciel de timeline

Le montage est l'endroit où la plupart des chaînes « automatisées » retombent discrètement sur quelqu'un qui fait glisser des clips dans un éditeur. Deux approches le gardent dans le code.

FFmpeg pour les coupes simples

Si la vidéo est une suite de clips sous une piste de voix avec des sous-titres incrustés, FFmpeg s'en charge. MindStudio note que le montage peut se faire par programme avec FFmpeg.

Remotion pour tout ce qui demande du motion design

Pour du texte animé, des bandeaux, des mises en avant de prix ou des cartons de fin en modèle, Remotion convient mieux : la vidéo est un composant React et c'est l'agent qui l'écrit. Remotion propose des compétences d'agent officielles, installées avec npx skills add remotion-dev/skills, qui couvrent le balisage, le rendu, les sous-titres et plus encore, et sont conçues pour des assistants de code comme Claude Code et Cursor. La compétence /remotion-best-practices est celle qui englobe toutes les autres, installez donc celle-là en premier.

Quel que soit votre choix, les sous-titres se traitent à cette étape, générés à partir du texte du script plutôt que retranscrits depuis l'audio. Notre note sur pourquoi les sous-titres ne sont plus optionnels détaille leur placement pour les formats verticaux.

La grille de coûts : ce que coûte un vrai lot

Voici le calcul, avec les prix d'Aitachyon au moment de la rédaction. Remplacez par vos propres durées et la formule reste valable.

Formule

Coût du lot = (images x prix de l'image) + (secondes de vidéo x prix par seconde, par catégorie de modèle) + (caractères de voix / 450 x prix de la voix) + marge pour les relances. Le montage sous FFmpeg ou Remotion tourne sur votre machine et ajoute du calcul, sans frais par appel.

Exemples chiffrés

20 variantes d'accroche, 5 secondes chacune, sur Hailuo 02 : 20 x 5 s x $0.085 = $8.50.
50 images produit : sur Seedream 4.0, 50 x $0.057 = $2.85. Sur FLUX.2 [pro], de $2.85 à $4.30. Sur Nano Banana, 50 x $0.13 = $6.50.
Une semaine de shorts (7 vidéos, 6 plans de 5 secondes chacune, 210 secondes de rushes) : tout sur Hailuo 02, 210 x $0.085 = $17.85. Tout sur Veo 3.1 Fast à partir de $0.19/s, $39.90. Tout sur Kling v3 avec audio, $67.20. Ajoutez 7 storyboards de 6 images Seedream (42 x $0.057 = $2.39) et deux blocs de voix de 450 caractères par vidéo (14 x $0.043 à $0.086 = $0.60 à $1.20).
La version aiguillée de cette semaine : le premier plan de chaque vidéo sur Veo 3.1 Fast (7 x 5 s x $0.19 = $6.65) et les 175 autres secondes sur Hailuo 02 (175 x $0.085 = $14.88). Total vidéo $21.53, contre $39.90 avec tout sur Veo.

Prévoyez une marge pour les relances. Si vous comptez régénérer la moitié de vos plans une fois, multipliez la ligne vidéo par 1,5. Cette marge est l'argument en faveur de la validation du storyboard : relancer une image coûte des centimes, relancer une vidéo coûte des dollars.

Pour situer l'ordre de grandeur, MindStudio estime un explicatif de cinq minutes à $2 à $7 au total, et $10 à $20 avec des modèles premium comme Veo et les voix premium d'ElevenLabs. Le même éditeur compare un spot de marque traditionnel de 60 secondes à $2,000 à $20,000 contre $5 à $50 en génération. Prenez les deux comme des estimations d'éditeur. Notre guide des prix d'API modèle par modèle contient le reste de la grille.

Où les humains restent dans la boucle

Tous les retours sérieux gardent une personne dans la boucle. MindStudio recommande une étape de relecture humaine pour tout contenu public, et son workflow marketing prévoit une relecture manuelle des sorties, des alertes automatiques sur les clips sous des seuils de durée ou de confiance, et une validation humaine avant le montage final. Nous plaçons les validations aux deux moments où une mauvaise décision coûte le plus cher.

Checklist de la validation un : avant de générer la moindre vidéo

Le script dit une seule chose, et la première phrase justifie la deuxième.
Chaque affirmation de la voix off est défendable devant un examinateur de plateforme.
Chaque image montre le bon produit, sans logo inventé ni texte d'emballage illisible.
Seuls les plans qui ont besoin d'un son natif ont needs_audio à true.
Le routage premium se limite à l'accroche et au plan héros.
Le coût prévu par la formule ci-dessus reste sous le budget du lot.

Checklist de la validation deux : avant publication

Regardez le montage complet avec le son, puis une fois en muet pour vérifier que les sous-titres suffisent.
Vérifiez les mains, les visages et le texte à l'écran image par image dans l'accroche.
Décidez de la réponse pour la déclaration (section suivante) et enregistrez-la avec le fichier.
Faites correspondre le carton final à la page d'atterrissage vers laquelle la vidéo enverra les gens.

Automatisez les alertes pour que le relecteur ne regarde que là où c'est utile : un clip plus court que son duration_s, un rendu en échec, un fichier de voix plus long que son plan.

La déclaration fait partie de la chaîne

Les plateformes attendent désormais que vous indiquiez quand des images réalistes ont été générées, et une chaîne automatisée doit enregistrer cette réponse pour chaque vidéo.

YouTube exige une déclaration pour le contenu réaliste qui fait dire ou faire à une personne réelle quelque chose qu'elle n'a pas dit ou fait, modifie des images d'un événement ou d'un lieu réel, ou génère une scène réaliste qui n'a pas eu lieu. Les contenus manifestement irréalistes et l'aide à la production comme l'écriture de scripts, les sous-titres ou l'étalonnage n'ont pas besoin d'être déclarés. La réponse se donne dans YouTube Studio lors de l'import. Les créateurs qui omettent systématiquement de déclarer peuvent se voir appliquer une mention d'office, voir du contenu supprimé ou être suspendus du Programme Partenaire YouTube, et YouTube précise qu'une déclaration correcte ne limite ni la portée ni l'éligibilité à la monétisation.
TikTok impose aux créateurs d'étiqueter les contenus réalistes générés par IA et a été la première plateforme vidéo à adopter les Content Credentials C2PA, qu'elle lit depuis le 9 mai 2024 pour étiqueter automatiquement les contenus produits sur d'autres plateformes. TechCrunch a rapporté que les contenus IA non étiquetés peuvent être supprimés, et que C2PA est une coalition menée par Adobe, avec Google, Meta, OpenAI, Microsoft et Intel parmi ses membres.

La règle pratique : ajoutez un champ disclose à chaque fiche vidéo, mettez-le à true par défaut pour toute image réaliste générée, et faites refuser l'étape de publication tant qu'il est vide. Pour les comptes publicitaires, les pièges décrits dans faire approuver ses publicités vidéo sur Meta et TikTok s'ajoutent à cela.

La faire tourner depuis Claude Code ou Cursor

Toute la chaîne peut tourner dans une seule session d'agent. L'agent lit le brief, écrit la liste de plans dans un fichier, appelle les modèles d'image et de vidéo, interroge jusqu'à la fin de chaque rendu, écrit la commande FFmpeg ou la composition Remotion, puis lance le rendu. Ce qui la fait tenir, c'est que chaque fichier généré a une référence stable que l'agent peut retrouver, et que chaque appel indique ce qu'il a coûté. Sur Aitachyon, chaque sortie reçoit une référence comme img_, scn_ ou vo_ que le code peut récupérer avec GET /api/generations/{ref}, et chaque job est détaillé avec son modèle et son prix, de sorte que l'agent peut inscrire un coût réel à côté de chaque plan au lieu d'une estimation. Connecter Claude Code au serveur MCP hébergé tient en une commande : claude mcp add --transport http aitachyon https://aitachyon.com/api/mcp --header "Authorization: Bearer ait_...". La même clé fonctionne avec l'API HTTP classique si vous préférez faire tourner la chaîne comme un script.

Un brief à confier à l'agent

Fais une vidéo verticale de 30 secondes pour [produit]. Renvoie d'abord la liste de plans au format du contrat et arrête-toi pour mon approbation. Après approbation, génère une image par plan sur le modèle d'image le moins cher, puis arrête-toi de nouveau. Après ma deuxième approbation, génère la vidéo selon les règles de routage, génère la voix off plan par plan, monte avec Remotion en tirant les sous-titres du script, et écris un tableau de coûts listant chaque référence, modèle et prix. Mets disclose à true.

Les deux arrêts explicites sont les validations humaines. Sans eux, l'agent dépensera volontiers tout le budget sur la première version du script. Pour les étapes d'installation, voyez générer de la vidéo IA depuis Claude Code avec un serveur MCP.

FAQ

L'IA peut-elle automatiser entièrement la production vidéo, de bout en bout ?

Techniquement oui : script, plans, voix et montage peuvent tous tourner depuis un seul agent. En pratique, tous les workflows publiés que nous avons trouvés gardent une relecture humaine avant toute mise en ligne, et les règles de déclaration des plateformes rendent de toute façon une personne responsable du fichier final. Laissez l'agent produire et gardez le jugement final à un humain.

Combien coûte l'automatisation d'une courte vidéo avec l'IA ?

Cela dépend des secondes de vidéo et du modèle qui les rend. Au moment de la rédaction sur Aitachyon, 30 secondes coûtent $2.55 sur Hailuo 02, à partir de $5.70 sur Veo 3.1 Fast et $9.60 sur Kling v3 avec audio, plus quelques centimes pour les images et la voix. L'estimation de MindStudio pour un explicatif de cinq minutes va de $2 à $7, ou de $10 à $20 avec des modèles premium.

Combien de temps faut-il pour produire une vidéo IA automatisée ?

MindStudio annonce 5 à 15 minutes du prompt à l'export pour un clip social de 60 secondes et 20 à 40 minutes pour un explicatif de 2 à 3 minutes, et 30 à 60 minutes pour une vidéo de 3 à 5 minutes construite à partir de clips générés.

Faut-il utiliser FFmpeg ou Remotion pour monter une vidéo IA ?

FFmpeg pour des coupes simples sous une piste de voix avec sous-titres incrustés. Remotion quand il faut du texte animé, des modèles ou tout ce que vous construiriez autrement dans un outil de motion design, puisque l'agent peut écrire la composition React et la rendre en MP4.

Dois-je étiqueter les vidéos générées par IA sur YouTube et TikTok ?

Pour des images réalistes générées, oui sur les deux. YouTube pose la question à l'import dans YouTube Studio, et TikTok impose une étiquette et peut détecter seul les Content Credentials C2PA. Un contenu fantaisiste ou manifestement irréaliste, ou une IA utilisée seulement pour des scripts ou des sous-titres, n'appelle pas de déclaration sur YouTube.

Sources

Si vous voulez faire tourner cette chaîne sans ouvrir cinq comptes chez des fournisseurs, Aitachyon place les modèles d'image, de vidéo et de voix ci-dessus derrière un seul solde prépayé et une seule clé, utilisable depuis le studio web, l'API HTTP ou un serveur MCP hébergé auquel Claude Code se connecte en une commande. Les rendus échoués sont remboursés automatiquement, chaque clé a sa propre alerte de dépense, et le démarrage rapide API et MCP prend quelques minutes.

Automatiser la production vidéo avec des agents IA : une chaîne qui fonctionne