Rédiger des prompts vidéo efficaces

Leçon révisée le 3 novembre 2026 d’après les pages Video Overview et Video Generation de xAI et son guide de prompts pour les images : xAI demande de décrire le plan en entier, mouvement de caméra, lumière et son compris. La règle « deux ou trois phrases au plus » de l’ancienne version ne figure dans aucune page de xAI, dont le guide image conseille au contraire quatre à six phrases pour une image isolée. La leçon intègre aussi le 1080p des modèles 1.5, les neuf ratios et la piste audio générée par défaut. Sources : Video Overview · Video Generation · Image Prompting Guide.

L’art du prompt vidéo

La qualité de la vidéo générée dépend directement de la précision de votre prompt, et un prompt vidéo a plus à porter qu’un prompt d’image. Là où une description statique suffit pour produire une illustration, le prompt vidéo doit en plus porter le mouvement, la temporalité et la dynamique de la scène — et, puisque la vidéo sort avec sa bande-son, ce que l’on y entend. Un prompt qui décrit parfaitement un décor sans jamais dire ce qui bouge risque fort de produire un plan quasi figé, techniquement animé mais visuellement mort. Cette leçon vous apprend à structurer vos descriptions pour tirer le meilleur des modèles Grok Imagine Video.

Les quatre composantes d’une bonne description

Un prompt vidéo efficace articule quatre couches d’information, et chacune se travaille séparément.

La première est le sujet : le ou les éléments principaux de la scène, décrits avec assez de précision pour que le modèle n’ait pas à inventer. Écrire « un oiseau » laisse tout le champ ouvert ; écrire « un colibri aux plumes irisées bleu et vert » verrouille l’apparence et rend vos générations plus constantes d’un essai à l’autre.

Vient ensuite l’action, la composante la plus déterminante en vidéo. Il ne s’agit pas seulement de dire que quelque chose bouge, mais de préciser le mouvement, sa direction et son intensité. « Un oiseau qui vole » est une intention, pas une indication de mise en scène. « Un colibri qui butine une fleur d’hibiscus rouge, ses ailes battant à grande vitesse » donne au modèle un geste, une cible et un rythme.

La troisième couche est l’environnement : le lieu, la lumière, la météo, l’ambiance. Un simple « dans un jardin » laisse le modèle choisir l’heure et la saison à votre place. « Dans un jardin tropical luxuriant, lumière dorée de fin d’après-midi filtrant à travers le feuillage » fixe l’atmosphère et, accessoirement, la direction de la lumière sur votre sujet.

Reste le style visuel, qui détermine le rendu : cinématographique, documentaire, animé. Une formule comme « style cinématographique, profondeur de champ réduite, couleurs chaudes » installe un registre publicitaire, tandis que « animation 3D stylisée, palette pastel » vous emmène dans un tout autre univers avec la même scène en entrée.

L’ordre compte. Le guide de prompts image de xAI, écrit pour les images fixes mais utile ici, observe qu’un prompt qui s’ouvre sur l’ambiance, le grain de pellicule ou une liste d’interdits produit une scène soignée dont le sujet n’est plus qu’un figurant. Commencez donc par le sujet et son action, et gardez le style pour la fin.

Deux couches propres à la vidéo : la caméra et le son

Pour le text-to-video, xAI résume sa consigne en une phrase : décrivez le plan, y compris le mouvement de caméra, la lumière et le son. Deux de ces éléments n’existent pas en image fixe.

La caméra se pilote avec le vocabulaire du tournage : plan fixe, zoom lent, travelling, vue de drone, accéléré. Les exemples de la documentation de xAI l’emploient tels quels : un zoom lent sur un podium de défilé, une caméra qui glisse d’une porte ensoleillée vers une fenêtre, un plan de drone entre des sommets, l’accéléré d’une fleur qui éclot. Si vous n’en dites rien, vous laissez ce choix au modèle.

La lumière gagne à être décrite comme le fait le guide image de xAI : sa source, sa direction et sa dureté, assez forte pour que le sujet reste lisible. « Soleil dur d’après-midi venant de la gauche » dit au modèle ce qu’il doit éclairer ; « belle lumière » ne lui dit rien.

Le son fait partie du résultat : une vidéo générée comporte une piste audio par défaut, avec une parole synchronisée sur les lèvres sur grok-imagine-video-1.5 et sa version -lite. Décrivez donc l’ambiance sonore que vous voulez — pluie sur le pavé, rumeur d’une salle, musique douce —, ou coupez la piste avec "generate_audio": false si vous poserez votre propre bande-son au montage.

Un dernier détail de fonctionnement change la façon d’écrire : sur les modèles 1.5, le text-to-video rend d’abord une première image à partir du prompt, puis l’anime. La scène de départ doit donc se lire comme une image nette — sujet, décor, lumière —, et le mouvement comme ce qui s’y passe ensuite.

Trois prompts, trois registres

Ces couches se combinent différemment selon la destination du clip. Pour un usage publicitaire, on soigne la matière et la lumière, et l’action reste minimale mais parfaitement décrite :

Une tasse de café fumante posée sur une table en bois rustique,
la vapeur monte en spirale douce. Lumière naturelle latérale venant
de la gauche, zoom très lent vers la tasse, profondeur de champ
réduite, style publicitaire. Ambiance sonore feutrée de café.

Pour une visualisation de données destinée à une présentation, le mouvement devient structurant — c’est lui qui porte l’information — et le style se fait volontairement sobre. Cette vidéo passera sous un commentaire en direct : on la génère muette, avec "generate_audio": false.

Un globe terrestre en rotation lente, des lignes lumineuses
relient les grandes villes. Fond sombre, caméra fixe, style
infographie moderne et épurée.

Dans une animation créative enfin, le sujet peut être abstrait, à condition que la transformation soit décrite avec précision :

Des formes géométriques abstraites se transforment fluidement
les unes dans les autres, palette de couleurs vives sur fond noir.
La caméra tourne lentement autour des formes, style motion design
contemporain, nappes de synthétiseur.

Prenez un instant pour identifier, dans chacun de ces trois blocs, où se trouvent le sujet, l’action, l’environnement et le style, puis la caméra et le son. C’est l’exercice de lecture qui rend l’écriture naturelle par la suite.

Accorder les paramètres au contenu

Le prompt ne travaille pas seul : la durée, le ratio et la résolution doivent lui répondre. La durée va de 1 à 15 secondes, 8 par défaut. Une durée de 1 à 3 secondes convient à une action unique, à une transition ou à un rendu de type GIF ; de 4 à 7 secondes, vous obtenez une scène courte avec un début et une fin ; entre 8 et 15 secondes, vous entrez dans la séquence narrative avec évolution. Plus la vidéo est longue, plus la génération prend de temps, et le prix se compte à la seconde : commencez court et augmentez progressivement.

Le ratio se choisit d’après la destination finale. L’API en propose neuf : 16:9 (par défaut) pour l’écran large, le web et les présentations, 9:16 pour le mobile, les stories et les Reels, 1:1 pour les posts sociaux et les miniatures, 4:3 et 3:4 pour les présentations et les portraits, 3:2 et 2:3 pour un rendu photographique, 21:9 pour un format cinéma très large, 5:2 pour une bannière ou un en-tête de site. En image-to-video, ce choix disparaît : la sortie suit le ratio de l’image.

Quant à la résolution, gardez 480p pour les prévisualisations et les brouillons — c’est la valeur par défaut, et le rendu est plus rapide —, puis montez en 720p ou en 1080p quand le clip part en production. Le 1080p n’existe que sur les modèles 1.5 : natif sur grok-imagine-video-1.5, obtenu par suréchantillonnage du 720p sur sa version -lite, tandis que grok-imagine-video s’arrête à 720p. Pour les vidéos simples, xAI recommande d’ailleurs grok-imagine-video-1.5-lite, le moins cher à la seconde, et réserve grok-imagine-video-1.5 aux images de référence, aux voix, aux images imposées et au 1080p natif.

Ce qui fait échouer un prompt

Cinq écueils reviennent souvent. Le premier est le prompt trop vague : « une belle scène » ne contient aucune information exploitable. Le deuxième est le prompt qui veut tout raconter — plusieurs sujets, plusieurs lieux, plusieurs scènes en quelques secondes. Pour une histoire en plusieurs plans, faites comme l’exemple Storyboard to Short Film du cookbook de xAI : il découpe le récit en quatre plans, génère chacun séparément, avec sa scène et son mouvement de caméra, puis les assemble au montage. Le troisième, déjà évoqué, est l’absence de mouvement décrit, qui donne un plan statique. Le quatrième tient aux conflits logiques : demander « un chat qui vole dans l’eau » place le modèle devant une contradiction, et le résultat a toutes les chances d’être incohérent. Le cinquième est la liste d’interdits — « pas de voitures, pas de texte, pas de foule ». Le guide image de xAI note qu’une longue liste d’éléments à éviter est facilement ignorée et qu’elle remplit le prompt d’objets qui finissent par apparaître : décrivez plutôt ce que vous voulez voir.

Quant à la longueur, la documentation de xAI ne donne pas de mesure idéale pour la vidéo, et ne chiffre pas la limite au-delà de laquelle un prompt trop long est refusé (erreur invalid_argument). Son guide image conseille quatre à six phrases pour une image isolée : le sujet et ses détails, puis le décor, la lumière et le cadrage. Pour un plan vidéo, partez de cette structure et ajoutez-y l’action, la caméra et le son.

Pour vous entraîner, rédigez un prompt complet pour trois destinations différentes : une vidéo d’arrière-plan pour un site de restaurant, un clip de 3 secondes destiné à une story Instagram d’une marque de vêtements, et une animation abstraite pour une présentation technique. Sur chacun, vérifiez que les quatre couches sont présentes, que la caméra et le son sont décrits — ou la piste audio coupée —, et que la durée et le ratio correspondent bien à l’usage visé.

Points clés à retenir

• Un bon prompt vidéo contient le sujet, l’action, l’environnement et le style, en commençant par le sujet
• xAI demande aussi de décrire le mouvement de caméra, la lumière et le son
• La piste audio est générée par défaut ; "generate_audio": false donne une vidéo muette
• Adaptez la durée (1 à 15 s, 8 par défaut), le ratio (neuf formats) et la résolution (jusqu’à 1080p sur les modèles 1.5) à l’usage final
• Une histoire en plusieurs plans se génère plan par plan, puis se monte
• Décrivez ce que vous voulez voir plutôt que ce que vous ne voulez pas