Image produit, image-to-video et cohérence entre plans

En texte seul, Veo invente la bouteille à chaque appel : forme, couleur du liquide, typographie de l'étiquette. Deux plans générés séparément donnent deux produits différents, et la publicité montre une bouteille qui change entre la quatrième et la cinquième seconde. Le texte ne suffit pas à tenir une identité visuelle. Une image, si.

Le mécanisme : une image produit, des images dérivées, des clips qui partent de ces images

L'image-to-video fournit à Veo la première image du clip ; le modèle l'anime au lieu d'inventer la scène. La cohérence se construit donc en amont, sur les images fixes, là où elle coûte 0,067 $l'essai au lieu de 0,20$ :

1. une image produit générée une fois par gemini-3.1-flash-image, au ratio final (9:16) ;
2. pour chaque plan qui change de cadrage ou ajoute un élément, une image dérivée obtenue en éditant l'image produit (on envoie l'image et la consigne de modification), jamais en régénérant de zéro ;
3. un clip Veo par plan, qui part de son image.

flowchart LR
  BP["bible.produit + décor + lumière"] --> I0["Image produit<br/>gemini-3.1-flash-image<br/>0,067 $"]
  I0 -->|"plan p1 : telle quelle"| V1["Veo Lite 4 s<br/>0,20 $"]
  I0 -->|"édition : « même scène,<br/>une main entre par la droite »"| I1["Image dérivée<br/>0,067 $"]
  I1 --> V2["Veo Lite 4 s<br/>0,20 $"]
  V1 --> M["Montage"]
  V2 --> M

Les leviers de cohérence, du plus fort au plus faible :

La mise en œuvre

base = gen.image(b.image_produit.modele, prompt_image_produit(b), ratio)
for p in b.plans:
    depart = base if p.image == "produit" else gen.image(
        b.image_produit.modele, p.image, ratio, source=base)  # édition, pas régénération
    brut = gen.video(b.video.modele, prompt_video(b, p), depart,
                     duree=p.duree, ratio=ratio, resolution=b.video.resolution)

L'appel Veo, avec le suivi de l'opération longue (long-running operation) :

op = self.client.models.generate_videos(
    model=modele, prompt=prompt,
    image=types.Image(image_bytes=img, mime_type="image/png"),
    config=types.GenerateVideosConfig(
        aspect_ratio=ratio, resolution=resolution, duration_seconds=duree,
        person_generation="allow_adult",  # seule valeur admise en image-to-video et dans l'UE
        number_of_videos=1))
while not op.done:
    if time.time() - t > self.attente_max_s:
        raise TimeoutError(...)
    time.sleep(10)
    op = self.client.operations.get(op)
vids = op.response.generated_videos if op.response else None
if not vids:  # filtre de sécurité : vidéo non produite, non facturée
    raise RuntimeError(f"vidéo bloquée par les filtres : {op.response.rai_media_filtered_reasons}")
self.client.files.download(file=vids[0].video)  # conservée 2 jours côté serveur
vids[0].video.save(str(sortie))

Chaque média payé est écrit dans sorties/cache/ sous une clé calculée à partir du modèle, du prompt, des paramètres et des octets de l'image de départ, avec une fiche JSON de son coût. Relancer le pipeline après un échec de montage ne rachète aucun clip.

Résultat obtenu

Génération réelle du 2026-10-15, veo-3.1-lite-generate-preview, 720p, 9:16, deux clips de 4 s :

pubcourte.generation INFO cache 423af6b25805de4d.png (image, 0.0670 $ déjà payés)
POST .../veo-3.1-lite-generate-preview:predictLongRunning "HTTP/1.1 200 OK"
pubcourte.generation INFO video veo-3.1-lite-generate-preview : 0.2000 $ en 32.8 s
POST .../gemini-3.1-flash-image:generateContent "HTTP/1.1 200 OK"
pubcourte.generation INFO image gemini-3.1-flash-image : 0.0670 $ en 11.1 s
POST .../veo-3.1-lite-generate-preview:predictLongRunning "HTTP/1.1 200 OK"
pubcourte.generation INFO video veo-3.1-lite-generate-preview : 0.2000 $ en 33.2 s

Les clips sortent en H.264 720×1280, 24 images/s, avec une piste AAC stéréo 48 kHz (ambiance et bruitages générés). Image produit (à gauche) et image dérivée par édition pour le plan 2 (à droite) :

La bouteille, l'étiquette CALADE, la lumière rasante et la rue sont identiques sur les deux images, donc sur les deux clips. Deux écarts au brief restent visibles, et c'est l'intérêt de les regarder avant de monter :

• le décor : le brief demandait un comptoir de café près d'une fenêtre, le modèle d'image a posé la bouteille sur le rebord extérieur de la vitrine. Le défaut est dans l'image produit, il se propage à tous les plans ;
• le plan 1 : à la première seconde, un bec verseur entre par le haut du cadre puis disparaît (objet parasite inventé par Veo). Le plan 2 montre deux mains alors que le prompt en décrivait une.

Ce qui casse en production

La règle de décision

Toute publicité à plusieurs plans d'un même produit passe par une image produit validée, puis par l'image-to-video. Le texte seul convient aux plans d'ambiance sans produit (une rue, une tasse générique). Quand un personnage revient dans plusieurs plans, le Lite ne suffit plus : passez sur Fast avec des images de référence, en 8 s.

Pratique

Exercice. Le client veut que le plan 2 se termine exactement sur la bouteille ouverte posée, étiquette face caméra, pour enchaîner sur un plan 3. Quel paramètre Veo utilisez-vous, et que modifiez-vous dans GeminiGenerateur.video ?

config=types.GenerateVideosConfig(
    aspect_ratio=ratio, resolution=resolution, duration_seconds=duree,
    person_generation="allow_adult",
    last_frame=types.Image(image_bytes=fin.read_bytes(), mime_type="image/png") if fin else None,
)

• Je génère et je valide l'image produit avant tout appel Veo
• Je dérive les images des autres plans par édition, pas par régénération
• Je suis une opération Veo jusqu'au bout, avec délai maximal et gestion du filtrage
• Je télécharge et je mets en cache chaque clip le jour même