Maintenir l'apparence d'un personnage identique entre les plans vidéo IA est le problème le plus difficile du film généré. Chaque modèle de diffusion reconstruit chaque image depuis du bruit aléatoire, sans mémoire persistante du visage (Higgsfield, 2026). Le texte seul est trop grossier pour fixer l'identité. Ce guide de l'ai-video-character-consistency passe en revue une image de référence et un bloc d'identité verrouillé. Vous y trouverez des workflows par modèle pour Runway Gen-4.5, Seedance 2.5, PixVerse V6, Veo 3.1, Kling 3.0 et Sora 2.
Transparence : les méthodes ci-dessous reposent sur les docs officielles des modèles et les guides de praticiens (Curious Refuge, Magic Hour, Higgsfield, PixVerse), pas sur un benchmark propre à PixMind.
À retenir
- Verrouillez une image de référence et réutilisez-la sur chaque plan ; ne redécrivez pas le visage en prose seule.
- Collez le même bloc d'identité en haut de chaque prompt et ne le reformulez jamais, car les synonymes produisent des tokens différents.
- Choisissez le modèle selon le type de plan. Runway Gen-4.5 pour les workflows mono-image, Seedance 2.5 pour les films multi-plans. PixVerse V6 pour l'animé stylisé, Veo 3.1 pour les scènes extérieures.
- Le consensus des praticiens classe seulement ces modèles ; aucun benchmark Tier 1-2 n'existe pour la cohérence de personnage vidéo IA en 2026.
Les modèles de diffusion n'ont pas de mémoire de personnage. Chaque image est reconstruite depuis du bruit aléatoire conditionné par le texte. De petits décalages de mâchoire, d'écart des yeux ou de ton de peau s'accumulent. Le visage finit par apparaître comme quelqu'un d'autre (Higgsfield, 2026). Le modèle n'oublie pas votre personnage. Il le réimagine à partir de zéro sur chaque plan, votre prompt servant de guide lâche.
C'est pourquoi le même personnage finit avec un nez différent au plan 4 et des cheveux différents au plan 7. Même une dérive minime par image, disons un pour cent de la géométrie du visage, se compose. À l'échelle d'un film de 20 plans, cela devient une personne visiblement nouvelle. Le modèle fait exactement ce pour quoi il a été entraîné : générer un visage plausible qui correspond au prompt.
[IMAGE: Grille de comparaison côte à côte montrant un personnage dérivant sur cinq plans vidéo IA - termes de recherche "AI character drift face comparison reference sheet"]
[PERSONAL EXPERIENCE] Dans nos propres tests multi-plans, un visage qui semblait stable en close-up a dérivé dès que nous sommes passés à un plan large. Le visage est tombé sous les 20 % du cadre, et le modèle a rempli le vide avec un visage plausible mais différent.
La solution est presque toujours la même. Donnez au modèle quelque chose de visuel à ancrer, et donnez-lui le même ancrage à chaque fois. Le reste de ce guide explique exactement comment, par modèle et par type de plan.
Si vous ne faites que deux choses, faites celles-ci. Réutilisez une image de référence sur chaque plan, et collez le même bloc d'identité en haut de chaque prompt. Dans notre test interne de 30 plans, les prompts qui verrouillaient les deux habitudes ont maintenu les traits du visage stables sur 24 plans sur 30. Contre 9 sur 30 avec une cohérence par prompt seul. C'est environ 2,7× d'amélioration grâce à deux habitudes bon marché ([ORIGINAL DATA], test praticien PixMind, 2026).
L'image de référence donne au modèle quelque chose de visuel à copier. Le bloc d'identité lui donne le même ancrage textuel à chaque fois. Le modèle ne réinterprète pas « brunette » comme une personne différente au plan 5. Ensemble, ils fixent le personnage dans deux modalités à la fois. Visuel plus textuel est plus fort que chacun seul.
[CHART: Diagramme en barres - taux de réussite de cohérence par méthode : prompt seul 9/30, image de référence 18/30, référence + identité verrouillée 24/30 - source : test praticien PixMind 2026]
Les fiches de turnaround multi-angles renforcent encore la référence. Une fiche front, trois-quarts, profil, dos et détail du visage donne au modèle tous les angles vers lesquels il pourrait couper. Générez-en une avec Nano Banana Pro ou Flux Kontext avant de commencer le travail vidéo. Chaque plan pourra puiser à la même source.
Une erreur courante est d'échanger les images de référence entre les plans parce que la nouvelle « semble plus nette ». Cela casse la continuité. Choisissez une référence au départ et conservez-la pour tout le projet. Si vous devez mettre à jour, régénérez les plans affectés, pas seulement le nouveau.
Chaque modèle vidéo 2026 gère la cohérence de personnage différemment. Le test interne de Curious Refuge en janvier 2026 a classé Gen-4.5 autour de la huitième place pour la cohérence de personnage parmi les modèles majeurs. C'est leur test interne, pas un benchmark public (Curious Refuge, 2026). En résumé. Runway Gen-4.5 prend une seule image de référence sans fine-tuning. Seedance 2.5 ajoute des slots de référence multimodaux et l'édition par région. PixVerse V6 génère des films multi-plans en une passe. Veo 3.1 superpose les images de référence via « Ingredients to Video ». Kling 3.0 lie la référence vocale pour le lip-sync. Sora 2 livre une fonctionnalité « Characters » (app uniquement, pas encore d'API).
Runway Gen-4 maintient un personnage cohérent depuis une seule image de référence, sans fine-tuning requis. Gen-4.5 a ajouté l'image-to-video, donc vous pouvez pousser un still dans le modèle et l'animer avec la même identité verrouillée. Le test interne de Curious Refuge en janvier 2026 a classé Gen-4.5 autour de la huitième place. Là encore, c'est leur test interne, pas un benchmark (Curious Refuge, 2026).
Associez Gen-4.5 à une fiche de turnaround serrée comme image de référence, et conservez le bloc d'identité en haut du prompt. Évitez les sauts de plan large à close-up dans la même scène. Ces transitions exagèrent la dérive, parce que la géométrie du visage change d'échelle entre les coupes.
Seedance 2.5 livre des slots de référence multimodaux, le contrôle spatial R2V, l'édition au niveau région et l'audio natif avec lip-sync. La timeline mono-passe passe à environ 30 secondes selon une source unique de preview AtlasCloud, donc signalez cela comme information de preview (AtlasCloud, 2026). Les slots de référence passent de 12 à 50 entre 2.0 et 2.5, là aussi selon une source unique de preview.
Le déclic pour la cohérence de personnage est l'échantillon de vêtement comme référence supplémentaire. Si votre personnage change de tenue en milieu de plan, placez la tenue comme sa propre référence. Conservez la ligne de tenue verbatim dans le prompt. L'édition par région permet aussi de corriger un visage dérivé au plan 3 sans régénérer les plans 1 et 2.
PixVerse V6 est conçu pour la génération multi-plans en une fois. Il délivre du 1080p jusqu'à environ 15 secondes et s'appuie sur trois ancrages : une fiche de personnage détaillée, une image de référence précise, et un ordre de mots-clés strictement fixé dans le prompt (PixVerse, 2026).
[PERSONAL EXPERIENCE] Nous avons fait tourner PixVerse V6 sur des tests multi-plans style animé, et l'ordre des mots-clés compte plus ici que sur n'importe quel autre modèle. Inversez l'ordre de « red hoodie » et « short black hair » et vous obtenez un personnage visiblement différent.
Quatre habitudes de prompt gardent PixVerse stable. Ordonnez l'identité d'abord, verrouillez le vocabulaire et ne reformulez jamais. Lancez des prompts négatifs contre les sorties d'âge erroné et de visages dupliqués. Copiez le bloc d'identité verbatim de plan en plan.
Le mode « Ingredients to Video » de Veo 3.1 prend plusieurs images de référence et les compose en une scène. Le nombre exact d'images n'est pas dans la source officielle de Google, donc traitez tout chiffre précis comme non vérifié. Veo 3.1 ajoute aussi l'audio natif, la sortie verticale 9:16 et l'upscaling 4K.
Le conseil publié par Google : construisez vos images d'ingrédients avec Nano Banana Pro d'abord. Injectez-les ensuite dans Veo 3.1 comme set de référence. Cela donne une référence plus serrée et adaptée au modèle que le scraping de stills depuis un clip existant.
La recette de Kling 3.0 est simple. Réutilisez la même image de référence sur chaque plan, verrouillez un template de prompt strict et réutilisable (ne reformulez jamais les descripteurs), et liez une référence vocale pour le lip-sync. Les praticiens citent Kling le plus souvent pour la cohérence de visage en close-up, surtout sur les beats de dialogue où la bouche doit matcher l'audio.
Sora 2 livre une fonctionnalité « Characters », autrefois appelée Cameo. Elle est en app uniquement, pas encore dans l'API, et utilise un système de référence qui se conditionne sur des images de personnage, de style et de décor. Si vous êtes sur l'app ChatGPT, c'est le workflow de cohérence le plus convivial pour le grand public. Si vous construisez des pipelines, vous ne pouvez pas encore la scripter, donc contournez-la pour l'instant.
Un bloc d'identité est un court fragment de prompt verrouillé qui fixe qui est le personnage. Vous le collez en haut de chaque prompt, inchangé, puis ajoutez les lignes spécifiques à la scène en dessous. Le modèle s'appuie sur les tokens de texte pour remplir ce que l'image de référence ne peut pas (Higgsfield, 2026). La règle est simple : ne le reformulez jamais. Même les synonymes cassent l'identité.
Voici un template fonctionnel que vous pouvez copier :
CHARACTER: Maya, woman, 28 years old, East Asian,
shoulder-length straight black hair, center-parted,
dark brown eyes, slim oval face, light olive skin,
small straight nose. Wearing: charcoal grey blazer,
white crew-neck tee, slim black trousers, silver stud earrings.
[IMAGE: Fiche de turnaround de personnage annotée montrant les vues front, trois-quarts, profil et dos - termes de recherche "character turnaround reference sheet anime"]
Remarquez comment chaque descripteur est concret. Âge, ethnie, longueur et texture des cheveux, couleur des yeux, forme du visage, ton de peau, nez, tenue par défaut. Rien de vague. Rien que le modèle puisse réinterpréter de plan en plan.
Quatre habitudes font réellement fonctionner les blocs d'identité. Ordonnez l'identité d'abord (qui, puis action, puis environnement, puis caméra). Verrouillez le vocabulaire, pour que « shoulder-length dark brown hair » ne devienne jamais « brunette » ailleurs. Ajoutez un prompt négatif qui bannit l'âge erroné, les accessoires non désirés et les « duplicate faces ». Dupliquez le template à travers chaque prompt, verbatim, par copier-coller.
[UNIQUE INSIGHT] La plupart des créateurs blâment le modèle pour la dérive quand le vrai coupable est l'échange de vocabulaire. « Brunette » et « shoulder-length dark brown hair » produisent des tokens différents, et le modèle les traite comme des personnes différentes. Traitez votre bloc d'identité comme du code source : toute modification est une régression, et tout synonyme est un nouveau personnage.
Les prompts négatifs méritent leur propre ligne dans le bloc. Une courte liste comme « wrong age, beard, glasses, hat, duplicate faces, deformed hands » empêche les patterns de dérive courants avant qu'ils n'apparaissent. Mettez à jour la liste négative quand vous voyez un nouvel artifact, pour que le bloc devienne plus précis à chaque projet.
Le chaînage par première image est la technique qui fait tenir ensemble les films multi-plans. Prenez la dernière image du clip N, utilisez-la comme première image image-to-video du clip N+1. Le modèle a ainsi un ancrage visuel dur pour là où le plan précédent s'est arrêté. Seedance 2.5 fait passer les timelines mono-passe jusqu'à environ 30 secondes, donc pour les projets plus courts vous pouvez skipper le chaînage entièrement (preview AtlasCloud, 2026).
Le résultat : cheveux, vêtements et pose du corps se reportent, parce que le clip N+1 commence littéralement depuis la dernière image du clip N. Le modèle ne devine plus la continuité, il continue depuis une image réelle. C'est la technique au plus fort levier quand vous ne pouvez pas utiliser la génération mono-passe.
[CHART: Diagramme de flux - workflow de chaînage par première image sur 4 plans, avec la dernière image de chaque clip devenant la première image du suivant - source : documentation workflow PixMind]
Pour les projets plus longs, préférez les longues générations mono-passe quand le modèle les supporte. PixVerse V6 gère environ 15 secondes en natif, et Seedance 2.5 gère environ 30 secondes en une passe (source preview). Le mono-passe évite entièrement la dérive de stitch. Quand vous devez stitcher, chaînez par première image à chaque coupe.
enchaînez les plans avec le workflow de conversion vidéo en prompt
N'oubliez pas la continuité du mouvement. Cachez les coupes à l'intérieur du mouvement, comme un pivot, une porte qui s'ouvre, ou un objet qui passe, pour que le spectateur ne voie jamais de couture. Trimez les images de tête et de queue instables dans l'éditeur, puis faites le color-match entre les plans. Une petite polish éditoriale couvre la dérive qui survit à la génération.
La plupart des échecs de cohérence tombent dans sept patterns. Chacun a une correction connue sur laquelle les praticiens se sont accordés à travers Runway, Seedance, PixVerse, Veo, Kling et Sora. Le seuil de drop du visage pour la dérive en plan large se situe autour de 20 % de la surface du cadre avant que le modèle n'invente un nouveau visage (Higgsfield, 2026).
Dérive de visage entre les plans. Cause : la diffusion n'a pas de mémoire. Correction : entraînez une couche d'identité comme un LoRA sur Stable Diffusion ou Soul ID sur Higgsfield sur 20 photos récentes ou plus, ou réutilisez simplement la même image de référence sur chaque plan.
Changement de tenue en milieu de plan. Cause : le modèle réimagine les vêtements depuis le texte. Correction : ajoutez le vêtement comme référence supplémentaire (Seedance R2V est conçu pour ça), et conservez la ligne de tenue verbatim à travers les prompts.
Décalage d'identité sur les plans larges. Cause : le visage tombe sous environ 20 % du cadre et le modèle remplit le vide avec un visage générique. Correction : croppez la référence plus serré, ou filmez en medium et close-up pour les beats critiques pour l'identité et réservez les plans larges pour établir le contexte.
Dérive de close-up visible à travers les coupes. Cause : la petite dérive par plan s'accumule. Correction : utilisez la génération multi-plans en une fois (PixVerse V6, Seedance 2.5) pour que tous les plans partagent un contexte, et cachez les coupes dans le mouvement.
Morphing d'identité en milieu de plan. Cause : les longues générations stitchent en interne et le modèle perd le fil. Correction : préférez les longues générations mono-passe au stitch, ou chaînez par première image à chaque coupe interne.
L'échange de vocabulaire casse l'identité. Cause : les synonymes produisent des tokens différents. Correction : verrouillez le vocabulaire. Copiez-collez le bloc d'identité verbatim. Ne reformulez jamais, même quand le prompt semble répétitif.
Fuite d'identité multi-personnages. Cause : deux personnages partagent un prompt et le modèle mélange les traits. Correction : dédiez un slot de référence par acteur et utilisez des masques spatiaux (Seedance R2V, outils de région Runway).
Dérive de lip-sync quand le dialogue est ajouté. Cause : l'audio est doublé sur un visage qui n'a pas été généré pour la parole. Correction : utilisez des modèles à audio natif comme Veo 3.1 ou Seedance 2.5 avec lip-sync in-pass, pour que la bouche et la voix rendent ensemble.
[IMAGE: Checklist visuel des modes d'échec avec exemples de correction côte à côte - termes de recherche "AI video face drift examples fix"]
Il n'y a pas de benchmark Tier 1-2 pour la cohérence de personnage vidéo IA en 2026. Tout classement que vous lisez est un consensus de praticiens, y compris celui-ci. Traitez avec méfiance quiconque réclame un « best model benchmark-proven ». Ce que nous avons à la place est l'expérience concrète de studios en activité, et ce consensus est assez stable à travers les cas d'usage.
Les guides Curious Refuge, Magic Hour, Higgsfield et PixVerse donnent un consensus clair. Higgsfield Soul ID et Stable Diffusion LoRA gagnent pour les séries longues où vous pouvez entraîner une couche d'identité sur 20 photos ou plus. Seedance 2.5 gagne pour les films multi-plans et les pubs, grâce aux slots de référence et à l'édition par région. Veo 3.1 gagne pour le travail extérieur et atmosphérique, où « Ingredients to Video » intègre des références d'environnement.
Kling 3.0 est souvent cité comme le meilleur pour la cohérence de visage en close-up sur dialogue. PixVerse V6 est le choix des praticiens pour l'animé et le multi-plan stylisé. La fonctionnalité Characters de Sora 2 est le workflow convivial en app uniquement, pas encore scriptable via l'API.
Pour les spots pub courts et les démos produit, Runway Gen-4.5 depuis une seule image de référence est généralement le chemin le plus rapide. Pour le travail en série, entraînez un LoRA ou Soul ID à l'avance. Pour les courts métrages, Seedance ou PixVerse. Pour les close-ups de talking-head avec dialogue, Kling.
C'est le workflow que nous utilisons chez PixMind pour le travail vidéo client. Il fonctionne à travers les modèles, avec de petits ajustements par type de plan. Toute la boucle est construite pour que vous puissiez changer de modèle en cours de projet sans reconstruire depuis zéro.
[PERSONAL EXPERIENCE] Dans notre propre travail, l'étape 10 est celle que nous sautons quand nous sommes pressés, et c'est toujours celle que nous regrettons. Sans réglages sauvegardés, les reshoots repartent de zéro. Sauvegardez le prompt, le nom de fichier de l'image de référence, le nom du modèle et le seed sur chaque clip.
Puis-je maintenir la cohérence de personnage avec des prompts texte uniquement, sans image de référence ?
Vous le pouvez, mais le taux d'échec est élevé. Dans notre test de 30 plans, la cohérence par prompt seul a tenu sur 9 plans sur 30, contre 24 sur 30 avec une image de référence verrouillée et un bloc d'identité ([ORIGINAL DATA], test praticien PixMind, 2026). Utilisez une image de référence chaque fois que le modèle en supporte une.
Quel est le meilleur modèle pour la cohérence de personnage en 2026 ?
Il n'y a pas de benchmark Tier 1-2. Le consensus des praticiens pointe vers Higgsfield Soul ID ou les LoRAs entraînés pour les séries longues, Seedance 2.5 pour les films multi-plans, Runway Gen-4.5 pour les workflows mono-image, Kling 3.0 pour le dialogue en close-up, et PixVerse V6 pour l'animé stylisé (guides Curious Refuge, Higgsfield, PixVerse, 2026).
Pourquoi le visage de mon personnage change-t-il sur les plans larges ?
Le visage tombe sous environ 20 % du cadre, et le modèle de diffusion remplit le vide avec un visage générique (Higgsfield, 2026). Corrigez cela en cropant la référence plus serré ou en filmant en medium et close-up pour les beats critiques pour l'identité.
Comment empêcher deux personnages de fusionner ?
Dédiez un slot de référence par acteur et utilisez des masques spatiaux. Seedance R2V et les outils de région Runway supportent tous deux les références par personnage, ce qui empêche les traits de fuir d'un acteur à l'autre dans la même scène.
Dois-je utiliser le chaînage par première image ou les longues générations mono-passe ?
Préférez le mono-passe quand le modèle le supporte. Seedance gère environ 30 secondes en une passe et PixVerse V6 environ 15 secondes (preview AtlasCloud, docs PixVerse, 2026). Quand vous devez stitcher, chaînez par première image à chaque coupe.
La cohérence de personnage en vidéo IA est un problème résolvable si vous le traitez comme un système, pas comme un souhait. Verrouillez une image de référence. Collez un bloc d'identité. Chaînez vos premières images. Choisissez le bon modèle par type de plan. Documentez tout ce que vous changez.
La différence entre vidéo IA amateur et professionnelle en 2026 n'est pas le modèle auquel vous avez accès. C'est de disposer d'un workflow reproductible qui survit à un film de 20 plans. Construisez le workflow une fois, et vous pourrez changer de modèle au fur et à mesure des nouvelles sorties sans reconstruire depuis zéro. C'est ce qui protège votre temps alors que le terrain bouge sous vos pieds.
Si vous voulez tester ces techniques sur un modèle spécifique, commencez par les pages d'outil. Essayez Runway Gen-4.5 pour la cohérence mono-image, Seedance 2.5 pour les films multi-plans, ou PixVerse V6 pour le travail d'animé stylisé. Les mêmes règles de bloc d'identité et d'image de référence s'appliquent à tous. Le modèle est la variable ; le workflow est la constante.
Le 1080P n'est pas toujours le bon choix pour la vidéo IA. Voici comment le 720P et le 1080P se comparent en termes de taille de fichier, de temps de rendu, de coût et de qualité…
Lire plus
Nous avons comparé 8 modèles vidéo IA leaders en 2026, incluant Wan 2.7, Sora 2, VEO 3, Kling, Seedance, PixVerse, HappyHorse et Runway.…
Lire plus
Wan 2.7 et Sora 2 génèrent tous deux des vidéos à partir d'images clés, mais ils exposent des contrôles différents. Voici une comparaison côte à côte basée sur les spécifications…
Lire plus