Vidu

Vidu est une plateforme de génération de vidéos par IA développée par Shengshu Technology, une entreprise basée à Pékin et cofondée par des chercheurs affiliés à l'Université Tsinghua. Lancée publiquement pour la première fois en juillet 2024, Vidu a déployé une succession rapide de versions de modèles culminant avec Vidu Q3 — l'actuel fleuron en date d'avril 2026. Elle est opérationnelle dans plus de 200 pays, a généré plus de 500 millions de clips à ce jour, et a clôturé une levée de fonds de série B d'environ 2 milliards de RMB (près de $275 millions USD) menée par Alibaba Cloud en avril 2026. Contrairement à la plupart des outils vidéo IA chinois qui ont d'abord gagné du terrain en Chine avant de tenter une expansion mondiale, Vidu a constamment ciblé les créateurs et développeurs internationaux dès ses premières versions.

Vidu Q3 génère jusqu'à 16 secondes de vidéo continue en 1080p et 24 ips avec une production audio native en une seule passe d'inférence : les dialogues, le son ambiant, les effets sonores et la musique de fond sont générés en même temps que les images vidéo, et non superposés par la suite. La plateforme prend en charge les flux de travail texte-vers-vidéo, image-vers-vidéo et référence-vers-vidéo — ce dernier acceptant jusqu'à 7 images de référence pour verrouiller les personnages, les accessoires, les costumes et les environnements d'un clip à l'autre. Six types d'effets cinématographiques (systèmes de particules, simulation de fluides, mouvement dynamique, contrôle de la caméra, transitions et éclairage) et des commandes de réalisation (travellings avant, panoramiques, plans de suivi) peuvent être spécifiés dans les prompts. Un forfait gratuit avec 80 crédits mensuels et une génération illimitée en mode Heures Creuses (Off-Peak Mode) est disponible, avec des niveaux payants à partir de $10/mois pour 800 crédits.

Ce que Vidu produit en avril 2026

Le modèle Vidu Q3 produit des clips allant jusqu'à 16 secondes en résolution 1080p et 24 ips, ce qui représente la plus longue fenêtre de génération continue parmi les principaux concurrents à l'heure où nous écrivons ces lignes. Contrairement aux générations précédentes qui nécessitaient d'ajouter l'audio séparément, Q3 génère nativement un son synchronisé avec la vidéo en une seule passe du modèle. Cet audio comprend : le son environnemental ambiant, les effets sonores liés aux mouvements (bruits de pas, impacts, mouvements mécaniques), les couches atmosphériques, les bruitages de type foley et les indices musicaux basés sur l'émotion. La génération de dialogues multilingues avec synchronisation labiale est prise en charge, bien que la précision millimétrée des lèvres soit encore en cours d'amélioration.

Le flux de travail référence-vers-vidéo de Vidu accepte des sujets, des environnements, des costumes, des accessoires et des styles visuels comme entrées de référence — jusqu'à 7 entités simultanément. Le lancement de la fonction Reference-to-Video de Q3 le 13 avril 2026 a élargi cela avec les « Smart Cuts », une fonctionnalité de composition multi-plans qui enchaîne les transitions de scène directement dans une seule génération plutôt que de nécessiter un assemblage manuel. Vidu fonctionne également à un prix par seconde inférieur à celui de Kling : environ $0.07/seconde contre $0.126/seconde pour Kling, une différence qui compte considérablement pour les flux de production à fort volume.

Lors de tests de référence indépendants, Vidu Q3 s'est classé n°1 sur le classement Reference-to-Video de SuperCLUE et n°2 mondial sur le benchmark Artificial Analysis Video Arena lors de son lancement, se plaçant devant Runway Gen-4.5 et juste derrière Sora 2 dans les évaluations de qualité globale.

« La génération de vidéos par IA a atteint un stade où les clips individuels peuvent paraître impressionnants, mais produire un contenu narratif cohérent à grande échelle reste difficile. » -- Yihang Luo, PDG de ShengShu Technology, SXSW 2026, 16 mars 2026

Où se situe Vidu par rapport à Kling et Hailuo

Les trois plateformes chinoises dominantes de génération de vidéos adoptent chacune des approches structurellement différentes, et ces différences sont importantes pour le choix de votre flux de travail.

Kling AI (Kuaishou) : Kling 3.0 utilise une architecture Diffusion Transformer (DiT) avec un pipeline unifié de génération-édition-audio. Son mécanisme de cohérence des personnages repose sur l'extraction de vidéos de référence : il traite 3 à 8 secondes de vidéo source, extrait les embeddings des caractéristiques des personnages et les intègre dans des appels de génération indépendants. Cela confère à Kling une forte fidélité des personnages au sein du clip — supérieure à celle de Vidu dans des scènes complexes avec plusieurs sujets en mouvement. Kling plafonne à 10 secondes par clip (contre 16 pour Vidu) et coûte environ 45 % de plus par seconde ($0.126/sec contre $0.07/sec). Pour la composition cinématographique et la vidéo commerciale premium, Kling est le plus performant sur tous les plans ; pour la durée, la rentabilité et les flux de travail multi-plans, Vidu l'emporte.

Hailuo (MiniMax) : Hailuo 2.3 fonctionne sur un framework de redistribution des calculs sensible au bruit (NCR) qui redistribue les ressources informatiques en fonction des niveaux de bruit de diffusion, offrant des améliorations d'efficacité d'entraînement et d'inférence d'environ 2,5x. Cette architecture optimise le débit au détriment de la longueur de sortie : Hailuo 2.3 plafonne à 6 secondes en 1080p natif (10 secondes en 720p) contre 16 secondes pour Vidu. La tarification est comparable à celle de Vidu (~$0.08/sec). La qualité audio de Hailuo 2.3 est jugée inférieure à celle de Vidu Q3 dans les comparaisons tierces, et la cohérence des personnages dans les prompts complexes est plus faible que celle de Kling ou de Vidu. Hailuo est le choix économique pour les clips sur les réseaux sociaux qui ne nécessitent pas une longue durée ou une stabilité multi-références.

Le différenciateur architectural de Vidu est son backbone U-ViT (Universal Vision Transformer), qui fait le pont entre les conceptions U-Net et Vision Transformer. Cet hybride permet au modèle de gérer des fenêtres temporelles plus longues que la plupart des architectures concurrentes sans dégrader la cohérence spatiale, ce qui explique pourquoi Vidu parvient à une génération de 16 secondes avec une qualité compétitive. Le compromis est que les scènes complexes à plusieurs sujets avec des mouvements actifs montrent toujours une dérive des personnages à la fin des clips plus longs.

« La cohérence des personnages est bien meilleure qu'avant, et la qualité globale de la vidéo m'a vraiment surpris. » -- hazel.visuals, avis sur l'App Store, juin 2025

Le coût réel de la génération de vidéos avec Vidu

Le système de crédits de Vidu est échelonné en fonction de la durée et des paramètres de qualité. Un clip de 4 secondes en qualité Standard consomme environ 4 à 5 crédits ; un clip de 8 secondes en Standard coûte environ 10 crédits ; un clip de 16 secondes en qualité Cinema peut consommer 30 à 40 crédits. Les 80 crédits mensuels du forfait Gratuit se traduisent par environ 8 à 20 courts clips selon les paramètres, ce qui est suffisant pour l'expérimentation mais pas pour un travail de production soutenu. Les vidéos du forfait Gratuit comportent un filigrane et ne peuvent pas être utilisées à des fins commerciales.

Avec le forfait Standard ($10/mois, 800 crédits), une hypothèse de production raisonnable est de 40 à 80 clips terminés par mois, selon le niveau de qualité. Le forfait Premium ($35/mois, 4 000 crédits) débloque le niveau de qualité Cinema et la fenêtre de génération de 32 secondes, et c'est là que la plupart des utilisateurs commerciaux sérieux opèrent. Le forfait Ultimate ($99/mois, 8 000 crédits) est conçu pour les agences ou les développeurs gérant des volumes quotidiens élevés.

La plateforme offre bien une génération illimitée via le mode Heures Creuses (Off-Peak Mode), qui annule les coûts en crédits pendant les périodes de faible demande. C'est véritablement utile pour la génération de brouillons avant d'engager des crédits pour les rendus finaux. Cependant, le problème du gaspillage de crédits est réel : les générations ratées ou hors-sujet consomment des crédits sans protection de relance ni remboursement. Plusieurs utilisateurs ont signalé avoir brûlé 700 crédits pour obtenir 24 vidéos satisfaisantes alors qu'ils en attendaient plutôt 200.

Là où Vidu échoue systématiquement

Le respect des prompts est la faiblesse la plus documentée. Les utilisateurs, à travers les avis sur l'App Store, les tutoriels tiers et les agrégateurs d'avis, signalent systématiquement que les prompts complexes ou détaillés produisent des résultats qui ne correspondent que partiellement à l'intention. Un évaluateur de l'App Store a estimé un taux de satisfaction de 60 %, ce qui signifie qu'environ 2 générations sur 5 nécessitent un nouvel essai. Les images de référence sont déformées de manière spécifique : les logos perdent leur forme, les détails des coiffures changent et la disposition des scènes ne se reproduit pas toujours fidèlement. Les objets violent parfois la cohérence physique (traverser des meubles, membres détachés dans les séquences d'action).

L'audio au niveau micro est le deuxième point de défaillance constant. Bien que l'audio macro de Vidu Q3 (paysages sonores ambiants, musique de fond, ton général de la voix) soit solide, la précision de la synchronisation labiale et le timing exact des bruitages doivent être améliorés. La critique de WaveSpeed Q3 souligne spécifiquement la « précision de la synchronisation labiale des dialogues » comme une limitation persistante, bien que le pipeline audiovisuel global soit véritablement impressionnant.

La cohérence des personnages se dégrade dans les scènes chargées à plusieurs sujets. La fonction multi-références fonctionne bien pour 1 à 3 personnages dans des compositions contrôlées ; dans les scènes de foule ou les séquences d'action avec de nombreux sujets en mouvement, une dérive des personnages apparaît vers la fin des clips plus longs. Le plafond de 16 secondes oblige également à un assemblage éditorial pour tout contenu plus long qu'une courte scène, ce qui est gérable mais pas sans friction.

Le support client est la faiblesse opérationnelle la plus évidente de la plateforme. Sur Trustpilot, l'App Store et les forums d'avis, un support lent ou absent est la plainte la plus fréquente. Certains utilisateurs signalent avoir attendu des jours sans réponse ; un petit nombre signale des difficultés d'annulation d'abonnement. Cela a d'autant plus d'importance pour les utilisateurs commerciaux qui ont besoin de résoudre des échecs de génération ou des questions de facturation.

Meilleurs cas d'usage et scénarios à éviter

Utilisez Vidu pour : Le contenu des réseaux sociaux où 16 secondes suffisent et où l'audio natif permet d'économiser des étapes de post-production. Les flux de production publicitaire où la cohérence des personnages et des produits sur plusieurs clips est requise. La prévisualisation d'animations ou de films indépendants où le flux de travail pour séries animées annoncé au SXSW (bibliothèque de sujets structurée, contrôle de la structure spatiale, continuité des épisodes) correspond à votre modèle de production. Les intégrations basées sur des API où le coût par seconde compte et où le tarif de $0.07/sec de Vidu est compétitif.

L'annonce du SXSW 2026 a fait de Vidu la première plateforme vidéo IA chinoise à présenter des outils spécialement conçus pour les séries animées lors d'une conférence créative occidentale — un signal que l'entreprise investit spécifiquement dans les cas d'usage narratifs longs, et pas seulement dans la génération au niveau du clip.

Évitez Vidu quand : Vos projets nécessitent des clips de plus de 16 secondes sans assemblage. Vous dépendez du respect précis de prompts complexes et détaillés — le taux de réussite de 60 % sur les prompts complexes en fait un outil coûteux pour un travail de précision. Votre équipe compte sur un support client réactif pour les délais de production commerciale. Vous avez besoin d'une synchronisation labiale exacte pour un contenu riche en dialogues où le décalage est visible. Vous êtes sur le forfait Gratuit mais avez besoin d'une licence commerciale — le filigrane et la restriction commerciale rendent le forfait Gratuit inutilisable pour les livrables clients.