Veo 3 : comment écrire des prompts de vidéo IA (et l'audio natif qui change tout)

Pendant des années, générer de la vidéo avec l'IA a été un tour de foire : des clips de quatre secondes, muets, avec des mains qui fondaient et des visages qui changeaient au milieu du plan. Tu le montrais dans une story, ça plaisait, et ensuite ça ne servait à rien de sérieux. Le saut qui a changé la conversation, ce n'est pas seulement que l'image s'est améliorée. C'est que la vidéo a commencé à sonner toute seule.

Ça, c'est Veo 3. Et c'est pour ça que, si tu fais du contenu, tu as intérêt à comprendre comment il fonctionne et, surtout, comment on lui parle.

Qu'est-ce que Veo 3 et ce qui le distingue

Veo 3 est la famille de modèles de génération de vidéo de Google DeepMind. Tu lui donnes un texte (ou une image de départ) et il te renvoie un clip. Jusque-là, comme les autres. La différence qui l'a détaché du peloton tient en un seul mot : audio.

La plupart des modèles vidéo génèrent une image muette. Ensuite, dans un autre logiciel, tu colles à la main la musique, les effets et les voix. Veo 3 génère l'audio de façon native et synchronisée à l'intérieur du même plan : des dialogues avec la bouche calée, des pas qui sonnent quand le pied touche le sol, une ambiance de café en fond, le grincement d'une porte juste au moment où elle s'ouvre. Ce n'est pas une piste que tu ajoutes après ; elle naît collée à la vidéo.

Ça a l'air d'un détail technique, mais pour un créateur, ça change tout. Ça veut dire qu'un seul prompt peut te donner une scène prête à publier : image, voix et son en même temps. Le goulot d'étranglement du montage se réduit d'un coup.

Les specs d'aujourd'hui, sans rien inventer :

• Durée : des clips de 4, 6 ou 8 secondes. Pour quelque chose de plus long, tu enchaînes des générations (et le coût monte en proportion).
• Résolution : 720p, 1080p et 4K (le 4K, via l'API Gemini et Vertex AI, avec un surcoût).
• Format : 16:9 et 9:16 (horizontal et vertical), exactement ce qu'il te faut pour YouTube ou pour les reels et TikTok.
• Variantes : Veo 3.1 (qualité), Veo 3.1 Fast (plus rapide et moins chère) et Veo 3.1 Lite (la plus légère). Toutes avec audio natif.

Comment y accéder et combien ça coûte

Veo 3 ne vit pas derrière une seule porte. Tu as plusieurs entrées selon ton usage :

• App Gemini — la voie la plus directe pour l'essayer depuis le mobile ou le navigateur.
• Google Flow — l'outil de « cinéma avec l'IA » de Google, pensé pour enchaîner les plans et monter des scènes. C'est là que Veo brille pour qui produit vraiment.
• API Gemini — pour les développeurs qui veulent l'intégrer dans leur propre produit ou flux.
• Vertex AI — la version entreprise, avec ses trois tiers (3.1, Fast et Lite) et des options d'upscaling.

Sur le prix, sans marketing et avec les chiffres que donne Google :

• Google AI Pro — environ 20 $/mois. Inclut une dotation de crédits Flow (de l'ordre de 1 000 par mois) qui suffit pour quelques dizaines de clips, selon que tu utilises Lite, Fast ou la qualité. Par défaut, il tire sur Veo 3.1 Lite et rend en 720p. C'est le plan pour l'essayer sérieusement sans te ruiner.
• Google AI Ultra — environ 250 $/mois. Le vrai saut : de l'ordre de 25 000 crédits et un accès complet à Veo 3 en qualité et en Fast, avec le 1080p par défaut. C'est le plan de qui produit de la vidéo au quotidien.
• Par l'API (Gemini / Vertex) — paiement à la seconde de vidéo générée, de quelques centimes par seconde en Lite jusqu'à des tarifs plus élevés en qualité et en 4K. Idéal si tu l'intègres dans un produit et que tu veux payer exactement ce que tu génères.

Comment écrire un bon prompt vidéo

C'est là qu'est le vrai métier. Un prompt vidéo n'est pas un prompt d'image avec plus de mots : tu dois diriger mouvement, caméra et son en même temps. La bonne nouvelle, c'est qu'il existe une structure qui fonctionne, et c'est celle que recommande la documentation de Veo elle-même.

Pense à cinq couches, dans cet ordre :

1. Sujet — qui ou quoi est au premier plan. Pas « un homme », mais « un homme âgé à la barbe blanche et au manteau de laine usé ». Plus c'est concret, moins il y a d'ambiguïté.
2. Action — ce qu'il fait, en une phrase avec un début et une fin. « Il marche lentement vers la caméra et s'arrête. »
3. Contexte — l'environnement : le lieu, l'heure de la journée, la lumière, la météo, les objets, le mouvement en fond.
4. Caméra — le plan et son mouvement : « plan moyen », « vue aérienne », « travelling latéral », « à hauteur des yeux ».
5. Audio — ce qu'on entend. Le dialogue va entre guillemets (c'est ce qui active la voix synchronisée), et tu décris à part les effets et l'ambiance.

Trois règles qui font la différence :

• L'ordre compte. Veo interprète la structure de façon littérale : ce que tu mentionnes en premier reçoit plus de poids. Mets devant ce qui doit vraiment être au premier plan.
• La longueur juste. Vise 3 à 6 phrases, soit 100 à 150 mots. Ni une ligne sèche ni un paragraphe infini : le second embrouille le modèle.
• L'audio se demande, il ne se suppose pas. Si tu ne nommes pas le son, Veo improvise. Dis explicitement ce que tu veux entendre et quand.

Galerie de prompts copier-coller

Cinq prompts prêts à coller. Observe comment chacun respecte les couches et, surtout, comment on y demande l'audio.

Plan moyen, une jeune femme aux cheveux bouclés et à la veste en jean, assise dans un café lumineux le matin, parlant directement à la caméra avec énergie. Lumière naturelle douce venue de la fenêtre, arrière-plan flou avec des gens qui bougent. Caméra fixe à hauteur des yeux. Elle dit : "Voici ce que personne ne te dit sur le fait de lancer une entreprise". Ambiance : brouhaha de café, tasse qui se pose sur la soucoupe.

Plan détail macro, des baskets blanches minimalistes tournant lentement sur une surface de béton poli. Éclairage de studio propre avec un reflet doux, fond gris neutre. Caméra en orbite lente autour du produit. Style publicitaire premium, haute netteté. Audio : un subtil bourdonnement grave en fond et un léger effet d'air pendant la rotation.

Plan large, un détective en imperméable traverse une rue mouillée baignée de néons dans une ville nocturne, ambiance rétro années 80. Pluie fine, flaques qui reflètent des enseignes rouges et bleues. Travelling latéral lent qui l'accompagne. Esthétique film noir, grain de pellicule, couleurs saturées. Audio : pluie constante, pas sur l'asphalte mouillé, rumeur lointaine du trafic.

Vue aérienne en plongée verticale, une côte rocheuse où les vagues se brisent contre des falaises à l'aube. Brume basse sur l'eau, lumière dorée rasante. Drone avançant lentement vers l'horizon. Style documentaire naturel, couleurs chaudes et réalistes. Audio : vagues qui se brisent avec force, mouettes lointaines, vent léger sur le micro.

Format vertical 9:16, plan moyen serré, un jeune chef en tablier qui lève brusquement les yeux vers la caméra dans une cuisine industrielle. Lumière chaude de projecteurs, vapeur qui monte en fond. Zoom rapide de rapprochement. Style dynamique de contenu pour les réseaux. Il dit, surpris : "Tu étais en train de filmer ?". Audio : grésillement de poêle, bruit de cuisine en fond.

Les limites, sans maquillage

Veo 3 est ce qu'il y a de mieux sur son terrain, mais ce n'est pas une magie infinie.

• 8 secondes de plafond par génération. Pour une pièce longue, tu enchaînes des clips, et ça multiplie le coût et la difficulté de garder la cohérence entre les plans.
• Les crédits s'envolent. Dans le plan Pro, la qualité maximale bouffe les crédits vite. Itérer en haute qualité coûte cher ; c'est pour ça qu'il vaut mieux affiner en Fast.
• L'audio ne cale pas toujours le dialogue. La synchronisation labiale est excellente, mais sur les phrases longues ou avec plusieurs personnages en même temps, elle patine encore. Les phrases courtes fonctionnent mieux.
• Contrôle fin limité. N'espère pas diriger chaque image comme dans un éditeur. Tu diriges une intention, pas des millimètres.
• La 4K seulement par les voies payantes sérieuses (API Gemini et Vertex AI), avec un surcoût.

Comparaison rapide : Veo 3, Kling et Higgsfield

Le résumé honnête : si l'audio compte dans ton workflow, Veo 3 est le choix évident. Kling brille en durée et en contrôle du personnage ; Higgsfield est le couteau suisse pour ne pas te marier à un seul modèle. Ce ne sont pas la même chose que Veo, ce sont des pièces différentes du même échiquier.

Pour qui est Veo 3 ?

Ça t'intéresse si tu es un créateur de contenu qui veut des clips prêts à publier avec voix et son en une seule étape, si tu fais du b-roll ou des pubs où le réalisme et l'audio intégré économisent des heures de montage, ou si tu vis déjà dans l'écosystème Google (Gemini, Flow) et que tu veux tout au même endroit. Et aussi si tu es prêt à apprendre à diriger par couches : celui qui écrit de meilleurs prompts sort des vidéos incomparablement meilleures avec le même outil.

Ça t'intéresse moins si tu as besoin de pièces longues d'une seule génération, si ta priorité absolue est le coût par clip au-dessus de la qualité, ou si tu veux un contrôle image par image comme dans un éditeur professionnel. Là, Veo te paraîtra court ou cher.

La vraie question n'est pas « Veo 3 est-il le meilleur modèle vidéo ? », parce qu'en réalisme et en audio il l'est à ce jour. La question, c'est « est-ce que je sais écrire le prompt qui le déverrouille ? ». L'outil est déjà à la hauteur ; le goulot d'étranglement, maintenant, c'est toi qui diriges. Et ça, à la différence de payer 250 $ par mois, ça s'entraîne gratuitement.