Le 6 août, on a installé un moteur de génération vidéo sur la machine du studio : une RTX 3080 Ti de 12 Go, une carte grand public. Objectif simple : savoir si un plan peut sortir sans passer par un service en ligne, donc sans qu’une image de client quitte la machine. La réponse est oui. Le prix de cette réponse, en revanche, n’est écrit nulle part.
Premier tir. La première image est parfaite : elle vient du fichier source, celui qu’on a donné au modèle. Dès la deuxième, tout part. Voici les deux images côte à côte, sorties du même fichier, à une seconde et demie d’intervalle.
Un modèle se télécharge dans un format numérique donné : FP8, BF16, int8, FP4. Ces noms ressemblent à des réglages de qualité. Ce n’en sont pas : ce sont des exigences matérielles.
Le FP8 n’a de support matériel qu’à partir des RTX 40. Sur une RTX 30, le calcul est émulé. Rien ne prévient, rien ne plante : la machine travaille pendant trente-sept minutes et rend un fichier. C’est en l’ouvrant qu’on découvre que la matière s’est décomposée. Le coût exact de cette découverte : 27 Go téléchargés et 37 minutes de calcul, pour zéro image gardée.
Avant tout téléchargement, on lit le format du poids et on le confronte à la génération de la carte :
FP8 : RTX 40 et au-delà. — FP4 et NVFP4 : RTX 50. — BF16 et int8 : partout.
Trente secondes de lecture contre des dizaines de gigaoctets et une heure de machine. C’est le meilleur rapport de toute cette expérience.
Avec un poids compatible, la chaîne tient et l’image est propre. Restent deux chiffres que personne n’annonce quand on parle de modèles « gratuits » :
Plus de 30 minutes de calcul pour 5 secondes de vidéo en 832 x 480, carte à 100 pour cent et 11,7 Go de mémoire occupés sur 12. Et 15 à 60 Go de disque par famille de modèle, à télécharger avant le premier pixel.
Le local n’est donc pas le canal « gratuit ». C’est un canal lent et encombrant. Ce qu’il achète n’est ni la vitesse ni le prix : c’est le fait que rien ne sort de la machine. Sur un projet sous accord de confidentialité, c’est la seule chose qui compte, et aucun service en ligne ne peut l’offrir.
Un modèle local ne se choisit pas sur sa fiche. Il se choisit sur la carte qu’on a dans la machine.
Le catalogue du moteur recommandait un modèle « pour la vidéo cinématique avec audio natif ». On en a déduit qu’il était le meilleur en cinéma. Faux : cette colonne décrit des fonctions, jamais un niveau de qualité. Le modèle recommandé là était simplement le seul à produire une bande son synchronisée — c’est-à-dire exactement ce qu’on coupe à chaque livraison, puisque la musique se pose au montage.
Pour notre usage réel, l’image vers vidéo, c’est un autre modèle qui tient : celui qui garde la peau, les cheveux et un mouvement cohérent quand plusieurs éléments bougent en même temps.