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.

Llama 4 Scout

Modèle multimodal de 17B paramètres actifs et 16 experts, conçu pour un contexte allant jusqu’à 10 millions de tokens.

Multimodal · Poids ouverts Google

Lyria 3.5

Modèle musical pour des chansons complètes avec voix, paroles et contrôle de la structure, du style, de la durée et de l’instrumentation.

Musique · Propriétaire payant Mistral AI

Mistral OCR 4.1

Service OCR spécialisé avec cadres par paragraphe, étiquettes de blocs structuraux et scores de confiance.

Vision et documents · Propriétaire payant Mistral AI

Mistral Small 4

Modèle hybride réunissant instructions, raisonnement et code dans une option efficace à poids ouverts.

Texte et raisonnement · API et poids ouverts Microsoft

Phi‑4 Multimodal

Modèle compact de Microsoft combinant langage, vision et audio, y compris la transcription et la traduction vocale.

Multimodal · Poids ouverts Meta

Segment Anything Model 3

Modèle de vision pour détecter, segmenter et suivre des concepts ouverts dans les images et les vidéos au moyen de texte ou d’exemples visuels.

Vision et documents · Poids ouverts ElevenLabs

Scribe v2

Modèle de reconnaissance vocale pour plus de 90 langues, avec diarisation, horodatage par mot, entités et étiquettes audio.

Voix et audio · Propriétaire payant OpenAI

Sora 2 Pro

Modèle vidéo historique avec audio synchronisé, utile pour comparer l’évolution de la famille Sora.

Vidéo · Retiré Stability AI

Stable Audio 3.0

Modèle commercial pour générer des chansons, instruments et effets à partir de texte ou d’audio, avec inpainting et transformation de style.

Musique · Propriétaire payant Stability AI

Stable Diffusion 3.5 Large

Modèle de base d’image de 8B paramètres pour la génération et l’édition, disponible par API et pour un déploiement propre sous licence Stability.

Image · API et poids ouverts Google

Veo 3.1

Modèle vidéo cinématographique avec audio natif, extension de scènes et contrôle via des images et images de référence.

Vidéo · Propriétaire payant Mistral AI

Voxtral TTS

Modèle de synthèse vocale multilingue avec streaming et clonage zero-shot à partir d’une référence vocale.

Voix et audio · API et poids ouverts

Pagination Page 4 sur 4 Affichage de 55 à 66 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