Veo 3.1 vs Seedance 2.0 vs Kling 3.0 : quel modèle vidéo IA fait les meilleures pubs ?

La question que les marketeurs performance nous posent le plus, c'est une variante de « quel modèle vidéo IA dois-je utiliser pour mes pubs ? ». La réponse honnête, c'est que ce n'est pas la bonne question. Il n'y a pas de meilleur modèle unique, et le classement bouge toutes les quelques semaines au fil des nouvelles versions. Ce qui compte, c'est d'associer le modèle au plan. Un clip UGC face caméra, un tour complet du produit en plan héros et une animation stylisée récompensent chacun un moteur différent.

Chez Hermoso, nous faisons tourner Veo 3.1, Seedance 2.5 et Kling 3.0 en production, en choisissant tâche par tâche plutôt que de tout miser sur un seul. Voici le point de vue du praticien : où chaque modèle mérite vraiment sa place dans une pub, d'après les rendus que nous livrons et non d'après les benchmarks publiés.

Veo 3.1 : audio natif et synchronisation labiale

Le gros atout de Veo 3.1 pour la pub, c'est qu'il génère la parole nativement, dans la même passe que les images, si bien que les lèvres et l'audio viennent d'un seul processus. Cette seule propriété règle le signe le plus tenace de la vidéo IA : le battement de lèvres façon film doublé qu'on obtient quand un audio TTS est greffé sur une bouche générée à part. La perception humaine repère ce décalage impitoyablement bien, et aucun étalonnage ne le cache.

Veo est donc notre choix par défaut dès qu'une bouche est à l'écran et doit parler : témoignages face caméra, fondateurs qui s'adressent à l'objectif, tout concept UGC construit autour de quelqu'un qui parle. Quand le format, c'est une personne qui dit une réplique, une parole native synchronisée aux lèvres vaut plus que n'importe quelle autre différence de qualité entre les modèles.

La contrepartie, c'est que Veo applique une politique de contenu plus stricte. Il a tendance à trop bloquer sur les noms de marque, les ressemblances avec des personnes réelles et tout ce qui touche de près ou de loin à l'alcool, ce qui peut faire rejeter un prompt par ailleurs propre. Dans notre pipeline, un refus déclenche un repli automatique vers un autre modèle plutôt qu'une impasse. Cela reste un vrai point à considérer si le plan repose sur une marque citée ou un visage reconnaissable.

Seedance 2.0 : audio natif, une seule prise continue, cohérence guidée par référence

Seedance 2.0 est notre bête de somme pour les plans dont les pubs vivent vraiment : le produit tenu dans une vraie main, tourné, posé, versé. Avec une vraie photo produit en référence, il conserve remarquablement bien l'identité de l'objet réel (forme de la bouteille, géométrie de l'étiquette, couleur exacte) au lieu d'inventer un cousin plausible comme le fait un prompt texte sans référence. Pour la création DTC et produits de grande consommation, où le produit à l'écran doit être le produit en rayon, cette fidélité de la référence à la vidéo, c'est tout l'enjeu.

La deuxième chose que Seedance fait bien pour la pub, c'est la texture. Il rend un grain crédible de caméra de téléphone tenue à la main : ce rendu légèrement imparfait, sans glamour, qui passe pour de l'UGC authentique plutôt que pour une publicité léchée. Orientez-le vers une peau mate et une lumière neutre, et il réussit ce look « quelqu'un a filmé ça avec son téléphone » mieux que les autres.

Deux autres propriétés complètent le tout. Seedance génère l'audio nativement (voix, ambiance de la pièce, bruits incidentels de la scène) dans la même passe que les images, donc un spot UGC peut sortir en parlant déjà, avec une ambiance qui correspond vraiment à la pièce au lieu d'un clip muet qui attend un doublage. Et il tient jusqu'à quinze secondes en une seule passe continue, ce qui compte plus qu'il n'y paraît : une seule prise, c'est pas de raccords entre les temps forts, pas de lumière qui se recale en plein spot, pas de coupe qui tombe au milieu d'un mot. Pour de l'UGC en une seule passe de quinze secondes ou moins, c'est en général vers Seedance que nous envoyons, parce qu'il tient produit, grain et son ensemble en une prise propre. Sa principale limite est celle que partagent tous les modèles (voir le mouvement, plus bas) : ne lui demandez pas de lancer ou de faire tomber quoi que ce soit.

Seedance 2.5 : trente secondes d'une seule prise ininterrompue

Puis Seedance 2.5 est arrivé et a relevé le plafond sous lequel tout ce qui précède avait été écrit. Nous lui avons demandé trente secondes. Nous avons obtenu 30,08 : une seule prise continue, avec le son, et zéro coupe franche. Pas trente secondes assemblées à partir de clips. Trente secondes pendant lesquelles la caméra ne s'est tout simplement jamais arrêtée.

Pour la création publicitaire, c'est plus important qu'une simple amélioration de fiche technique. Quinze secondes, c'était le plafond pratique d'une prise générée depuis que cette catégorie existe, donc tout ce qui était plus long devait être assemblé : générer les temps forts séparément, raccorder la lumière, cacher les jointures. C'est dans les raccords qu'une pub IA se trahit. L'étalonnage change d'une nuance, l'ambiance sonore disparaît le temps d'une image, les cheveux de l'acteur se réinitialisent entre deux temps forts. Une passe unique de trente secondes supprime les raccords en supprimant l'assemblage. Un pre-roll complet, toute l'histoire d'un produit, une démo avec un début et une fin peuvent tous tenir en un seul plan continu.

Le son vient avec. 2.5 génère un audio synchronisé dans la même passe que l'image (dialogues, ambiance, bruits incidentels de la pièce), et il est activé par défaut. Le coût est le même que l'audio soit activé ou non. Il prend aussi la photo d'une personne réelle et l'anime de façon photoréaliste : donnez-lui un visage et c'est bien cette personne qui est à l'écran, avec une vraie texture de peau, plutôt qu'une version stylisée d'elle.

Le compromis, c'est la résolution. 2.5 rend en 480p et 720p, sans option 1080p, donc un spot héros qui doit finir en Full HD reste le travail de 2.0. C'est exactement le genre de décision que le routage sert à prendre : la durée, la résolution et la présence ou non d'un vrai visage sont trois questions différentes, et la bonne réponse aux trois à la fois est rarement un seul modèle.

Kling 3.0 : identité par référence de visage, la même personne dans chaque rendu

Le grand atout de Kling 3.0 pour la pub, c'est l'identité. Donnez-lui une image de référence d'un visage et il conserve cette personne, avec les mêmes traits et la même présence, d'une prise à l'autre et d'un rendu à l'autre. Cela donne aux équipes performance ce qu'elles attendent vraiment des acteurs IA : un créateur récurrent. Le visage qui portait l'accroche gagnante de la semaine dernière peut porter les trois variantes de cette semaine, et votre audience retrouve une personne familière au lieu d'un inconnu dans chaque pub. Un membre du casting qui gagne devient un actif que vous réutilisez, au lieu d'un coup de dés unique.

Le reste de la version 3.0 convient aussi à la pub. Comme Seedance, il génère l'audio nativement dans la même passe que les images. Il accepte n'importe quelle durée de trois à quinze secondes au lieu de se caler sur des durées fixes, ce qui permet à la prise de s'adapter au script et non l'inverse. Et l'image vers vidéo qui a fait le succès des précédents Kling reste excellente : partez d'une image fixe (une photo produit, une image clé, un visuel de marque) et il ajoute un mouvement crédible, des mouvements de caméra et un dynamisme maîtrisé, au lieu de bouger à peine une image quasi statique.

Là où nous restons prudents avec tous les modèles, Kling compris, c'est le mouvement balistique : un objet réellement en vol libre soumis à la gravité. Une bouteille lancée reste suspendue un instant de trop, tourne à vitesse constante, atterrit sans poids. Ce n'est pas une faiblesse propre à Kling ; la masse et l'élan restent difficiles pour tous. La solution, c'est la chorégraphie plutôt que le choix du modèle. Gardez les produits tenus, tournés, posés, versés : des mouvements où une main porte l'objet et où le modèle n'a jamais à résoudre la gravité seul.

Alors, lequel gagne ?

Une règle de décision approximative, telle que nous l'appliquons vraiment :

• Quelqu'un parle face caméra et le gros plan compte → Veo 3.1, pour une parole native synchronisée aux lèvres.
• Vrai produit, tenu ou manipulé, grain UGC, une prise jusqu'à 15 secondes → Seedance 2.5, ancré sur une vraie photo produit.
• Un long spot sans aucune coupe, jusqu'à trente secondes → Seedance 2.5, qui tient une prise continue jusqu'au bout, en 480p ou 720p. En cours de déploiement sur Hermoso. Aujourd'hui, le routage plafonne à une prise unique de quinze secondes et assemble tout ce qui est plus long.
• Le même visage sur toute une campagne, ou du mouvement ajouté à une image fixe → Kling 3.0, ancré sur une référence de visage.

Si cela reste une règle empirique et non une loi, c'est parce que les modèles ne cessent de se dépasser les uns les autres. Une nouvelle version peut donner à un modèle un point fort qui appartenait à un autre. C'est exactement pour ça que nous ne demandons pas aux utilisateurs de choisir : Hermoso envoie chaque tâche vers le modèle le plus adapté à ce plan, et réajuste le routage à chaque nouvelle sortie, donc le choix ci-dessus se fait automatiquement, rendu par rendu, sans que vous ayez à suivre un journal des versions.

Et de toute façon, le choix du modèle est la plus petite moitié d'une bonne pub. Les signes qui font repérer une pub IA (peau cireuse, texte d'étiquette illisible, étalonnage doré glamour, physique qu'aucun objet ne respecte) sont surtout des décisions de pipeline prises avant et après le passage du modèle. Le modèle lui-même est rarement le coupable. Le générateur de pubs IA de Hermoso intègre ces corrections : une couche de réalisme anti-brillance, de vraies photos produit incrustées dans les scènes, tout le texte et les logos incrustés en post-production plutôt que peints par le modèle, une parole native réservée aux bouches à l'écran. Le modèle est choisi pour vous ; le savoir-faire est intégré.

En coulisses, le même Studio étudie aussi ce qui gagne déjà sur votre marché dans les bibliothèques publicitaires Meta, Google et LinkedIn ainsi que sur TikTok en organique, pour que les concepts partent de créations qui ont fait leurs preuves avant même qu'une seule image soit rendue. Le plan gratuit comprend plus de 250 crédits gratuits à gagner, sans carte bancaire ; le coût exact est affiché dans l'appli avant chaque rendu. Le moyen le plus rapide de trancher le débat sur les modèles, c'est de générer une pub pour votre propre produit et de juger le résultat. Le routage aura déjà choisi pour vous.

Questions fréquentes

Quel modèle vidéo IA est le meilleur pour les pubs ?

Il n'y a pas de meilleur absolu. Veo 3.1 est en tête pour l'audio natif et la synchronisation labiale quand quelqu'un parle à l'écran, Seedance 2.0 pour la fidélité au produit guidée par référence, l'audio natif et l'UGC en une seule prise jusqu'à 15 secondes, Seedance 2.5 pour la durée d'une prise unique (30 secondes mesurées sans aucune coupe, avec audio natif), et Kling 3.0 pour l'identité par référence de visage, la même personne d'un rendu à l'autre, plus l'image vers vidéo. Le bon choix dépend du plan, et le classement change à chaque sortie. Hermoso envoie chaque tâche vers le modèle le plus adapté.

Combien de temps peut durer une seule prise générée par IA ?

Trente secondes, avec Seedance 2.5. Nous avons demandé trente et mesuré 30,08 en un seul plan continu, avec audio natif et sans coupe franche. Avant lui, le plafond était de quinze secondes, c'est pourquoi les pubs plus longues étaient assemblées à partir de plusieurs clips. Une seule passe, c'est aucun raccord à cacher : pas de changement d'étalonnage, pas d'ambiance sonore qui disparaît entre deux temps forts. Il rend en 480p et 720p, donc un spot qui doit finir en 1080p reste l'affaire d'une prise plus courte.

Quel modèle a la meilleure synchronisation labiale ?

D'après notre expérience, Veo 3.1, parce qu'il génère la parole nativement dans la même passe que les images, si bien que les lèvres et l'audio viennent d'un seul processus. Le battement de lèvres dérangeant vient d'un TTS généré à part et plaqué sur une bouche rendue ; réservez donc cette méthode aux plans où aucune bouche n'est visible.

Quel modèle garde mon vrai produit fidèle ?

Seedance 2.0 conserve bien l'identité du produit quand on lui fournit une vraie photo produit en référence et que l'objet est incrusté dans la scène. Les prompts texte décrivent des catégories ; les images de référence fixent l'identité, c'est pourquoi s'appuyer sur une vraie photo vaut mieux que décrire le produit avec des mots.

Quel modèle garde le même acteur sur toute une campagne ?

Kling 3.0. Donnez-lui une référence de visage et il conserve l'identité de cette personne d'un rendu à l'autre, pour qu'un créateur récurrent puisse porter toute une série de pubs au lieu qu'un nouveau visage apparaisse dans chaque spot.

Pourquoi les vidéos IA ont-elles du mal avec les objets lancés ou qui tombent ?

Le mouvement balistique (un objet en vol libre soumis à la gravité) est l'endroit où la physique de tous les modèles actuels craque encore visiblement, quel que soit celui que vous utilisez. Chorégraphiez autour : gardez les produits tenus, tournés, posés ou versés, pour qu'une main porte l'objet et que le modèle n'ait jamais à résoudre la gravité tout seul.

Dois-je choisir le modèle moi-même sur Hermoso ?

Non. Hermoso envoie chaque rendu vers le modèle le plus adapté à ce plan et réajuste le routage à chaque nouvelle version, donc vous n'avez jamais à suivre un journal des versions ni à choisir un modèle. Vous décrivez la pub ; le routage s'occupe du reste.