Avatar IA en vidéo : script ou performance

Deux produits assez différents se vendent sous le même mot. L'un assemble un orateur à partir d'un texte tapé. L'autre prend une performance qu'une personne a réellement donnée et la déplace sur le visage de quelqu'un d'autre. Ils ne coûtent pas la même chose, ils échouent à des endroits différents, et cet écart décide lequel a sa place dans une publicité payante.

Deux produits, un seul mot

Un générateur d'avatar rend une vidéo de personne qui parle, fabriquée à partir de ce que vous lui donnez. Ce que vous lui donnez est tout le débat.

Dans la voie du script, vous donnez des mots sur une page. Un modèle de voix les lit, un visage est animé pour coller à l'audio. Dans la voie de la performance, vous donnez une prise : quelqu'un devant un téléphone, qui dit le texte à voix haute, et le système reporte ce jeu sur un autre visage.

Les deux rendent la vidéo d'une personne qui n'est pas vous. Une seule des deux contient un jeu qu'un être humain a réellement fourni.

L'avatar piloté par un script

Vous collez le texte. Vous prenez un avatar du catalogue, ou vous en fabriquez un à partir d'une photo ou d'un court enregistrement d'enrôlement. Vous choisissez une voix, dans une bibliothèque ou clonée sur un échantillon de la vôtre. Le système synthétise l'audio et anime la bouche, souvent la tête, pour s'y accorder.

L'intérêt est réel. Pas de caméra, pas de pièce à ranger, pas de prise ratée, et aucune négociation avec qui que ce soit pour apparaître à l'image. Vingt versions linguistiques d'un même texte sont vingt générations, et corriger un prix dans le script est une retouche et non un retournage.

La facture arrive à la restitution. Un modèle de voix lit la ponctuation, pas l'intention. Il pose l'accent là où la grammaire le suggère plutôt que là où le sens se trouve : une phrase ironique tombe à plat, et une question posée en fin d'énumération est lue comme un élément de plus dans la liste. Les visages animés sur cet audio héritent du problème. La bouche s'agite, le reste du visage reste calme, et les yeux visent l'objectif sans jamais regarder quoi que ce soit.

Le présentateur piloté par une performance

Vous tournez la prise. Votre voix, vos silences, la demi-seconde où vous baissez les yeux vers le produit puis les relevez, la respiration avant l'accroche. Le système lit cet enregistrement comme un jeu d'acteur et s'en sert pour animer un autre visage. Le rythme vient de la prise et non de l'hypothèse d'un modèle sur la façon dont la phrase devrait sonner.

La facture arrive plus tôt dans cette voie. Quelqu'un doit se tenir dans une pièce et dire le texte de façon crédible, et une prise faible donne une publicité faible sur un plus beau visage. Vingt versions linguistiques sont vingt tournages, pas vingt collages, sauf si la personne parle vingt langues.

La synchronisation labiale n'est pas le vrai sujet

C'est la première chose que tout le monde vérifie et la différence la moins intéressante entre les deux voies.

Les outils pilotés par un script s'en tirent en général bien, parce que la bouche est animée sur la forme d'onde que le même système vient de produire : les deux peuvent difficilement se contredire. Les outils pilotés par une performance prennent leurs formes de bouche sur une vraie bouche, donc la synchronisation vaut ce que vaut la prise et se dégrade avec un mauvais son, un visage à moitié hors cadre ou une main devant la mâchoire.

Ce qui les sépare se joue au-dessus de la bouche. L'audio transporte les phonèmes proprement, et presque rien de l'endroit où le locuteur regardait, du moment où il a incliné la tête, du mot sur lequel il a décidé d'appuyer.

Ce que le texte ne contient pas

Lisez un script à voix haute et comptez ce que vous faites qui n'y figure pas. Vous scandez l'énumération avec la main. Vous détournez le regard sur la concession et le ramenez sur la promesse. Vous accélérez sur la réserve parce que vous savez que c'est le passage ennuyeux.

Rien de tout cela n'est dans les mots. Un système piloté par un script l'omet, ce qui donne une raideur, ou le pioche dans une banque de mouvements d'attente, ce qui donne une agitation sans rapport avec la phrase. Dans un fil, le spectateur ne diagnostique rien. Il fait défiler.

Lequel tient dans une publicité de format créateur

La publicité de format créateur est bâtie autour d'une démonstration : le produit entre dans le cadre, une promesse est montrée plutôt qu'énoncée, une personne dit quoi faire ensuite. L'anatomie d'une publicité UGC tient dans cette structure, et elle est largement physique.

Un avatar piloté par un script ne peut pas tenir votre produit : il n'a jamais été dans la pièce avec lui. Cela en fait un bon candidat pour une annonce, une mise à jour de conditions ou une explication parlée, et un mauvais candidat pour une publicité dont le travail est de montrer quelque chose qui fonctionne. Le guide des acteurs IA traite le versant casting de la même décision, et le guide du contenu UGC rappelle d'où vient le format.

Ce que la loi française impose

La loi du 9 juin 2023 encadre l'influence commerciale. Son article 5 impose deux mentions distinctes : Images retouchées quand l'image a été modifiée pour affiner ou épaissir une silhouette ou modifier l'apparence d'un visage, et Images virtuelles quand des images représentant un visage ou une silhouette ont été produites par un procédé d'intelligence artificielle. La mention doit être claire, lisible et identifiable sur l'image ou la vidéo, quel que soit le format.

Le ministère de l'économie récapitule le dispositif et rappelle que le caractère publicitaire du contenu doit lui aussi être signalé.

Ce que le règlement européen ajoute

L'article 50 du règlement sur l'IA s'applique à partir du 2 août 2026. Il impose à celui qui déploie un système produisant ou manipulant une vidéo hypertruquée de signaler que le contenu a été généré ou manipulé artificiellement. Prévoyez la mention à l'écriture plutôt qu'après le montage.

Comment Sosie s'intègre

Sosie est la voie de la performance. Vous enregistrez jusqu'à quarante secondes au téléphone, votre propre texte, dans la pièce où vous vous trouvez. Vous prenez un présentateur du catalogue, vous en décrivez un que Sosie génère, ou vous importez la photo d'une personne qui vous a donné son accord écrit ; les personnalités publiques sont bloquées. Votre voix, votre rythme, vos expressions et vos gestes sont conservés et portés par ce présentateur, placé par défaut dans votre propre pièce, avec ses murs et sa lumière, ou sur son propre décor si vous préférez.

Le fichier rendu est un MP4 vertical 1080p sans filigrane, utilisable commercialement, y compris en diffusion payante, en environ cinq minutes pour une vidéo de vingt secondes. Un crédit couvre vingt secondes, deux crédits jusqu'à quarante. Les crédits s'achètent en abonnement mensuel ou en packs sans expiration, à partir de 39 € pour cinq crédits, et aucune formule n'existe sans paiement. Un rendu en échec est remboursé.

Un test simple

Écrivez une phrase qui ne fonctionne qu'avec un haussement d'épaules, et placez-la au milieu du script. Générez la vidéo dans les deux voies. La version pilotée par le texte dira les mots. La version pilotée par la performance haussera les épaules, parce que quelqu'un l'a fait.