ComfyUI avec MiniMax H3 : est-il plus performant que Kling AI, Seedance et les autres générateurs de vidéos en version gratuite ?
Les générateurs de vidéos basés sur l’IA sont nettement plus difficiles à utiliser gratuitement que les modèles de langage de grande envergure (LLM) classiques tels que ChatGPT, la plupart des fournisseurs se montrant avares en crédits gratuits. Il est encore plus difficile de leur faire créer exactement ce que vous souhaitez, tout en conservant un rendu de qualité et cohérent. J’ai donc décidé de tester une alternative : héberger un modèle local tel que MiniMax H3.
Mon fils souhaite utiliser l’IA pour générer sa propre vidéo, disons, de construction en briques sur les sabres laser. Ce sujet le fascine énormément en ce moment. Mais comme je ne voulais pas dépenser d’emblée une somme importante pour un abonnement coûteux à un service d’IA vidéo destiné à ses expériences, il a d’abord essayé d’utiliser gratuitement Kling AI et des services similaires.
La plupart des générateurs de vidéos par IA vous attirent avec un quota initial gratuit pour vous inciter à créer un compte. Mais le piège devient vite évident : si vous souhaitez créer plus d’une ou deux vidéos de trois secondes par jour de manière régulière, vous êtes rapidement poussé vers un abonnement coûteux.
Même sur le plan visuel, cependant, les vidéos créées jusqu’alors n’étaient pas particulièrement satisfaisantes. Il est également souvent difficile d’assurer la cohérence des environnements, des objets et des personnages. La déception de l’enfant m’a incité à tester une solution locale.
Les modèles et solutions locaux nécessitent naturellement un matériel puissant. Nous effectuons le test sur un Razer Blade 16 (2025) équipé d’une RTX 5090 et de 24 Go de VRAM. En général, la génération de vidéos ne devient vraiment intéressante qu’à partir de 8 Go de VRAM, et dans ce cas précis, plus il y en a, mieux c’est.
Il existe de nombreuses interfaces disponibles pour ce modèle — nous avons opté pour MiniMax H3. Il peut fonctionner dans Ollama, par exemple, ainsi que dans Pinokio ou Stability Matrix. Ce dernier inclut également ComfyUI, une interface graphique pour les workflows d’IA qui ne se limite pas à la génération de vidéos. J’ai toutefois rencontré des problèmes avec cette combinaison ; j’ai donc opté pour une version autonome de ComfyUI (ComfyUI.org), qui peut être téléchargée sous forme d’application pour Windows et d’autres plateformes.
ComfyUI demande un certain temps d'adaptation pour les débutants, mais il ouvre un vaste champ de possibilités en matière de génération de vidéos. Vous construisez des flux de travail à partir de nœuds individuels ; il s'agit essentiellement d'une boîte à outils modulaire composée de multiples outils/nœuds. Chaque nœud dispose d'une entrée et d'une sortie et peut être connecté à d'autres nœuds.
Tous les outils sont répartis en nœuds individuels. Par exemple, il existe un nœud pour la consigne textuelle, plusieurs nœuds d’images pouvant servir de références ou d’étapes intermédiaires avant la génération de la vidéo, ainsi que d’autres outils. En théorie, vous pourriez charger un modèle d’IA distinct dans chaque nœud : un LLM pour la consigne textuelle, un modèle de génération d’images pour les nœuds d’images, et ainsi de suite. Les modèles d’IA occupent naturellement beaucoup d’espace de stockage. Au final, tous les nœuds alimentent le nœud de génération vidéo, qui produit le résultat.
Au départ, nous avons testé des préréglages « texte vers vidéo », mais nous nous sommes rapidement orientés vers la conversion « référence vers vidéo ».
Ce qui rend cette fonctionnalité particulièrement utile, c'est qu'elle permet également d'assurer la cohérence des environnements, des objets et des personnages. Dans notre première vidéo, par exemple, nous avons créé un cuirassé en briques traversant le cadre. En résolution 480p, sa génération a pris environ 5,5 minutes, mais des résolutions plus élevées sont possibles avec un matériel adapté. Dans l’une des scènes à venir, cependant, nous souhaitions réutiliser exactement le même vaisseau de guerre. Nous avons donc réalisé des captures d’écran des vues avant et arrière du vaisseau spatial, importé les images, les avons associées en tant que références nommées « Ship_front » et « Ship_rear » au nœud principal, puis avons demandé à l’IA d’utiliser précisément ce vaisseau dans une autre scène. Sans cela, l’IA aurait généré un nouveau design.
Après un peu de temps passé à nous familiariser avec le système et grâce à l’aide du professeur YouTube, nous avons rapidement mis au point un premier processus de travail pour nos scènes vidéo et généré des vidéos dont nous étions tous les deux très satisfaits. Un modèle de langage de grande envergure (LLM) — ChatGPT dans ce cas précis — nous a aidés à adapter les consignes textuelles spécifiquement à MiniMax H3, en les rendant précises et détaillées.
Mon flux de travail : dans ChatGPT, j’ai décrit le rendu que j’avais en tête, précisé que certains noms de marques ne devaient pas apparaître même si le rendu pouvait s’en inspirer, expliqué qu’il devait avoir une touche cinématographique, et indiqué quelles références (telles que Ship_front) devaient être incluses. Ce n’est qu’ensuite que j’ai décrit la scène. J’ai collé la consigne adaptée par ChatGPT dans le nœud de texte de ComfyUI, j’ai ajouté des images de référence si nécessaire, et le tour était joué.
Vous pouvez également demander à ChatGPT de générer une consigne universelle en fonction de l’aspect souhaité et d’autres paramètres, que vous pourrez enregistrer pour plus tard. Si vous réintroduisez cette consigne dans un modèle de langage de grande envergure (LLM), celui-ci disposera de toutes les informations nécessaires et vous pourrez immédiatement décrire la scène suivante.
Quoi qu’il en soit, mon fils et moi avons été nettement plus satisfaits des résultats obtenus qu’avec les formules gratuites de Kling AI, Seedance et d’autres services similaires. Les nombreuses options disponibles invitent également à l’expérimentation, et vous êtes enfin libéré des limitations de crédits agaçantes, des demandes d’abonnement, des publicités et des préoccupations liées à la sécurité des données. La résolution reste toutefois un problème. La Full HD ou une résolution supérieure n’est même pas proposée en option, sans doute parce que la configuration matérielle requise serait trop élevée. Les futurs modèles deviendront probablement plus performants à cet égard. Pour l’instant, vous pouvez également enrichir votre flux de travail à l’aide d’outils d’upscaling.
Toute personne disposant du matériel nécessaire et s’intéressant à la génération de films devrait se pencher sur ComfyUI et un bon modèle d’IA local. ComfyUI, en particulier, permet des flux de travail incroyablement complexes et à plusieurs niveaux — si vous en avez réellement besoin. Pour débuter, cependant, l’essentiel est déjà là et s’apprend rapidement.
Add as a preferred source on Google
