Découvrir

Modèles d’IA pour l’image, la vidéo, la voix et l’audio

L’IA multimédia regroupe création et compréhension. Générer une image, localiser un objet, transcrire une conversation et traduire la parole exigent des entrées, sorties et critères différents. Ce catalogue rassemble les fiches concernées tout en conservant ces distinctions dans le type de modèle.

Partez de la modalité de sortie

Confirmez si vous cherchez texte, pixels, images vidéo, son ou représentation structurée. Vérifiez ensuite résolutions, durées, langues et formats documentés. Une application peut réunir plusieurs services : entendre une voix dans une démonstration ne prouve pas que le checkpoint génère de l’audio sans composant supplémentaire. Les configurations d’exemple ne fixent pas des maximums universels.

Un cas concret

Pour un entretien, évaluez la transcription sur les mots, noms et tours de parole. Une voix synthétique exige de vérifier prononciation et autorisation d’utiliser l’identité vocale. Pour une vidéo générée, examinez continuité, mouvement et fidélité aux références. Un score unique ne résume pas ces tâches.

Points à vérifier

Conservez provenance et droits des fichiers d’entrée et de sortie. Incluez coûts par seconde, résolution, tentatives écartées et services auxiliaires. Distinguez illustration générée et preuve documentaire ; vérifiez les conditions du canal utilisé.

Modèles de cette catégorie

66 modèles avec fiche. La classification décrit les capacités, pas un classement de qualité.

ElevenLabs

Eleven v4 Turbo

Variante d’Eleven v4 optimisée pour les agents vocaux et les réponses expressives en temps réel.

Voix et audio · Propriétaire payant Google

Gemini 3.8 Live

Modèle de conversation en direct intégrant la voix, la vidéo et des outils à faible latence.

Voix et audio · Propriétaire payant Google

Gemini 3.8 Live Extended Thinking

Variante vocale en direct avec raisonnement en arrière-plan pour les tâches complexes à plusieurs étapes.

Voix et audio · Propriétaire payant Z.AI

GLM‑5.3‑Flash

Variante multimodale de 320.000 milliards de paramètres au total et 18.000 milliards de paramètres actifs, axée sur l’efficacité.

Multimodal · API et poids ouverts xAI

Grok Voice Transcribe 2.0

Deuxième version du modèle de transcription de xAI pour les fichiers et l’audio en direct.

Voix et audio · Propriétaire payant Alibaba Qwen

Qwen3.8-Flash

Variante efficace de Qwen3.8 pour le texte et la vision, avec un contexte long et une sortie étendue.

Texte et raisonnement · Propriétaire payant Alibaba Qwen

Qwen3.8-Max

Famille phare Qwen3.8 pour l’ingénierie logicielle, les agents et la compréhension visuelle, avec une fenêtre de contexte d’un million de tokens.

Texte et raisonnement · Propriétaire payant Alibaba Qwen

Qwen3.8-Omni-Flash

Modèle de compréhension du texte, des images, de l’audio et de la vidéo, avec réponses textuelles et outils.

Multimodal · Propriétaire payant Alibaba Qwen

Qwen3.8-Omni-Flash-Realtime

Modèle audiovisuel pour l’interaction en temps réel avec sortie vocale et textuelle, outils et MCP distant.

Voix et audio · Propriétaire payant Alibaba Qwen

Qwen Image 3.0 Pro

Modèle visuel pour les compositions complexes, les petits textes et l’édition à partir de trois images de référence maximum.

Image · Propriétaire payant Alibaba Qwen

Wan 3.0 Video Prime

Version accélérée de Wan 3.0 pour créer des vidéos à partir de références textuelles, d’images, de vidéos et audio.

Vidéo · Propriétaire payant Cohere

Cohere Embed 4

Modèle d’embeddings multimodaux pour le texte, les images et les documents mixtes avec des dimensions configurables.

Plongements · Propriétaire payant ElevenLabs

Eleven v3

Modèle expressif de synthèse vocale avec des étiquettes émotionnelles, des dialogues entre plusieurs locuteurs et la prise en charge de plus de 70 langues.

Voix et audio · Propriétaire payant Google

Gemini Embedding 2

Modèle d’embeddings qui place texte, images, vidéo, audio et PDF dans un espace vectoriel commun pour la recherche et le RAG multimodal.

Plongements · Propriétaire payant Google

Gemini Robotics ER 2

Modèle spécialisé dans la compréhension physique, la vidéo, le raisonnement spatial et l’orchestration d’outils pour les systèmes robotiques.

Robotique · Propriétaire payant OpenAI

GPT‑Image‑2.5 Sunburst

Modèle principal d’OpenAI pour générer et éditer des images avec des instructions complexes et une production visuelle de haute qualité.

Image · Propriétaire payant OpenAI

GPT‑Live 1

Modèle vocal en temps réel pour des conversations expressives, des interruptions naturelles et des flux avec outils.

Voix et audio · Propriétaire payant OpenAI

GPT‑Transcribe

Modèle spécialisé de transcription de haute précision pour les fichiers et les entrées audio en temps réel.

Voix et audio · Propriétaire payant

Pagination Page 3 sur 4 Affichage de 37 à 54 sur 66

ANALYSE

Analyses connexes

GUIA

Provenance des contenus générés par l’IA : documenter l’origine sans la confondre avec une licence

Un processus pour documenter la création, les modifications et la publication d’une image, d’une vidéo ou d’un fichier audio, et interpréter avec prudence les justificatifs de provenance.

29 sept. 2026 COMPARATIVA

Effets sonores générés par IA ou issus d’une bibliothèque : comment évaluer Stable Audio 3.0 avant de l’intégrer

Un protocole pour comparer Stable Audio 3.0 à des effets provenant d’une bibliothèque sous licence, sans confondre un échantillon impressionnant avec un flux de travail fiable. Avec des critères d’écoute, de temps, de montage et de droits.

26 sept. 2026 GUIA

Vidéo générative en production : comment valider la continuité entre plans, actions et objets avant de publier ou de monter une séquence

Un plan généré peut sembler convaincant pris isolément tout en devenant inutilisable lorsqu’il est monté avec d’autres. Ce guide propose un protocole pour évaluer la continuité visuelle, spatiale et narrative dans des séquences de vidéo générative, en assurer la traçabilité et décider quels clips sont approuvés, lesquels nécessitent une intervention et lesquels doivent être écartés.

23 sept. 2026 GUIA

Édition localisée d’images par IA : comment vérifier que le modèle ne modifie que ce qui est demandé et préserve le reste de l’actif

Une édition générative utilisable en production ne se valide pas uniquement parce que le changement demandé semble correct. Ce guide propose de traiter chaque retouche comme un contrat de préservation : définir ce qui peut changer, ce qui doit être maintenu, comment le mesurer et à quel moment exiger une revue humaine.

23 sept. 2026 GUIA

Voix synthétiques en production : démontrer le consentement, contrôler la ressemblance et retirer une voix sans perdre la traçabilité

Utiliser une voix synthétique de manière responsable exige davantage qu’une case à cocher ou une démonstration convaincante. Ce guide propose un système opérationnel pour relier chaque audio à une autorisation précise, maîtriser le risque de ressemblance avec des personnes identifiables, informer lorsque cela est nécessaire et retirer des actifs lorsque les conditions d’utilisation évoluent.

22 sept. 2026 GUIA

Provenance des images et vidéos avec l’IA : quand une crédential C2PA constitue une preuve — et quand ce n’est pas le cas

Les crédentials C2PA peuvent apporter des éléments cryptographiquement vérifiables sur les déclarations de provenance et les transformations d’un fichier. Elles ne démontrent pas, à elles seules, qu’une image est vraie, qu’elle peut être réutilisée légalement ou que les personnes représentées y ont consenti. Ce guide propose une méthode pour évaluer, conserver et communiquer ces éléments sans exagérer les conclusions qu’ils permettent de tirer.

22 sept. 2026

Poursuivre l’exploration

SourcesHugging Face Transformershuggingface.co