Sommaire
Résumer ou partager cet article :
Pendant longtemps, faire « lire » une vidéo à une intelligence artificielle voulait dire une seule chose : lui donner la transcription de la bande son. L’IA entendait, mais ne voyait rien. Ce plafond vient de sauter. Claude sait désormais analyser ce qui se passe à l’écran, image par image, en plus du son. Concrètement, il peut repérer un geste montré dans un tuto, un objet à l’écran, un texte incrusté ou un changement de plan.
On a voulu vérifier ce que ça vaut sur un cas réel, pas sur une démo marketing. On a construit un outil maison qui découpe des shorts verticaux à partir de tutos VSPièces doublés en italien. Le verdict, on vous le donne tout de suite pour être clairs : ça fonctionne, mais c’est lent, gourmand en ressources, et le montage reste perfectible. À la main, on va plus vite et c’est mieux fini. Le vrai intérêt est ailleurs, et on vous explique où.
Ce que veut dire « analyser une vidéo » et pas juste l’audio
La nuance a l’air technique, elle change pourtant tout. Avant, une IA à qui l’on soumettait une vidéo travaillait à l’aveugle : elle disposait uniquement des mots prononcés. Sur un tuto mécanique, autant dire qu’elle ratait l’essentiel. Le moment où une main dévisse un carter, l’outil utilisé, la pièce montrée en gros plan : rien de tout cela n’est dans l’audio.
En donnant aussi les images à Claude, on lui rend la vue. Il peut alors décrire ce qui est montré, pas seulement ce qui est dit. Pour un contenu pédagogique, un unboxing ou une démonstration produit, c’est le jour et la nuit.
Une précision honnête s’impose quand même. Claude ne « lit » pas nativement un fichier vidéo au format mp4. Sa capacité native, c’est la vision sur des images fixes. Pour lui faire comprendre une vidéo, on ne lui jette pas le fichier : on le prépare. Cette mécanique de préparation, c’est justement ce qui explique le coût dont on parlera plus bas.
Comment ça marche techniquement
Le principe tient en trois temps, enchaînés automatiquement :
- Extraction des images : la vidéo est découpée en une série de captures, soit à intervalle régulier, soit au moment des changements de scène. Ce sont ces images que Claude va « regarder ».
- Transcription de l’audio : la bande son est convertie en texte horodaté, pour garder le fil de ce qui est dit et à quel instant.
- Analyse conjointe : Claude reçoit les images et la transcription en même temps, puis raisonne sur l’ensemble pour comprendre le déroulé de la vidéo, seconde par seconde.
C’est cette combinaison qui fait la différence. Claude ne devine plus à partir du titre ou d’un résumé : il s’appuie sur ce qui est réellement à l’écran et dans le son. La même logique sert d’ailleurs à d’autres usages, comme créer des vidéos motion design avec l’IA en pilotant un moteur de rendu.
Depuis quand c’est possible
La brique de base, la vision sur images, existe depuis l’arrivée de Claude 3, au printemps 2024. C’est à ce moment que le modèle a commencé à comprendre des photos, des graphiques, des captures d’écran et des documents.
L’analyse « vidéo » à proprement parler n’est pas une fonction native livrée clé en main : c’est un assemblage bâti par-dessus cette capacité de vision, qui s’est démocratisé courant 2026 via des outils d’extraction d’images et de transcription. Autrement dit, le support natif de la vidéo (déposer un mp4 et laisser l’IA le regarder de bout en bout) reste une demande d’utilisateurs, pas encore une réalité intégrée. Il faut donc préparer la vidéo pour que Claude puisse la traiter. C’est exactement ce que fait notre outil.
Notre cas concret : des shorts VSPièces à partir de tutos italiens
Le contexte, on l’avait déjà raconté ici : VSPièces s’ouvre à l’international, et nous avons doublé ses tutos vidéo grâce à l’IA pour ouvrir le marché italien avec HeyGen. Résultat : de beaux tutos, mais longs, pensés pour du format horizontal. Or les réseaux réclament du short vertical, court et rythmé.
D’où l’idée du skill maison. Et attention, ce n’est pas un simple « Claude, découpe-moi ça ». On a construit un véritable script de montage, pensé comme un template. On y a encodé notre savoir-faire de monteur, règle par règle, pour que la machine applique nos choix et non les siens. Claude analyse la vidéo, puis exécute une recette que nous avons écrite de bout en bout.
Concrètement, le template pilote toute la chaîne :
- Ce qu’il faut sélectionner : les séquences à fort potentiel (le geste clé, l’astuce, le moment « ça y est, j’ai compris ») et, tout aussi important, ce qu’il faut écarter (les temps morts, les redites, les hésitations).
- Le cadrage : le passage du format horizontal au vertical, le recadrage qui garde l’action au centre, et la place réservée en bas pour les sous-titres.
- Le style des sous-titres et leurs effets : la police, la taille, les couleurs, l’apparition mot à mot et la mise en avant des mots forts, pour coller aux codes du short.
- La compression finale : le réglage de sortie qui donne un fichier léger et fluide, prêt à publier sans re-encodage.
- Les corrections colorimétriques : un étalonnage qui homogénéise l’image d’un plan à l’autre et donne un rendu propre et cohérent.
Autrement dit, Claude ne décide pas du style : il applique le nôtre. On récupère un short déjà découpé, cadré, sous-titré, étalonné et compressé. Sur le papier, le rêve. Dans la réalité, c’est plus nuancé.
À la main ou avec l’IA : le comparatif sans filtre
| Critère | Montage à la main | Notre skill avec Claude |
|---|---|---|
| Temps de production | Rapide pour un monteur habitué | Long : environ 5 h de traitement pour un tuto |
| Qualité du montage | Propre, coupes maîtrisées | Perfectible, timing parfois maladroit |
| Précision des coupes | Choix humain fin | Bonne détection, exécution imparfaite |
| Ressources machine | Faibles | Élevées (extraction et décodage des images) |
| Coût en tokens | Sans objet | Important, chaque image consomme beaucoup |
| Charge humaine pendant le traitement | Mobilisée en continu | Allégée, le traitement tourne en parallèle |
Ce tableau résume bien la situation : sur presque tous les critères de qualité et de vitesse brute, la main humaine gagne. Le seul point où le skill prend l’avantage est décisif, mais il faut le comprendre pour bien l’utiliser.
Nos limites assumées
On préfère les dire franchement, parce que les survendre n’aiderait personne :
- Le temps : comptez environ 5 heures de traitement pour un seul tuto. On est loin du « instantané » vendu ailleurs.
- Les ressources machine : extraire et décoder des centaines d’images pèse lourd sur la machine.
- Les tokens : chaque image envoyée à Claude coûte de nombreux tokens. Une vidéo longue, c’est un budget conséquent qui grimpe vite.
- La qualité : les coupes sont parfois hésitantes, le rythme pas toujours idéal. Un monteur reprend la main pour finaliser.
Bref, si le critère est « faire le plus beau short le plus vite possible », la réponse reste le montage manuel. Comme pour tout usage sérieux de l’IA, la bonne posture est celle que l’on défend quand il s’agit de former ses équipes à l’IA avec méthode : connaître les limites avant de déléguer.
Alors, à quoi ça sert vraiment
La vraie valeur n’est ni la vitesse ni la perfection : c’est le temps humain remis au bon endroit. Le traitement tourne en parallèle du reste de la production, sans monopoliser un monteur sur des tâches ingrates de découpage et d’encodage. Ce temps de machine, on le réinvestit là où l’humain fait vraiment la différence : le choix éditorial, la finition, la relation client. C’est la même logique que l’automatisation sécurisée de vos tâches : on ne remplace pas le savoir-faire, on le concentre là où il compte.
Vu comme ça, un short imparfait produit par le skill n’est pas un échec, c’est un brouillon avancé, déjà découpé, cadré, sous-titré et étalonné. Un monteur reprend la main pour la touche finale, valide les coupes et affine le rythme. C’est un bras de levier, pas un pilote automatique : la main humaine reste aux commandes, elle intervient simplement plus tard et sur ce qui a le plus de valeur. C’est précisément cette lucidité qui fait la différence entre un gadget et un outil qui rapporte du temps. Si vous voulez explorer ce type d’automatisation vidéo pour votre marque, sans les promesses en l’air, parlons de votre projet.
