Blog

Guide d'utilisation

Prompts de génération vidéo à partir d'images de référence Gemini Omni Flash : recettes prêtes à copier-coller pour les développeurs

Ordre des images de référence multiples, cohérence du sujet, formulation des mouvements de caméra, paliers de durée et de résolution, et listes négatives — avec requêtes exécutables

Nov 17, 2026
Illustration de couverture éditoriale : de grands prismes se divisent en plans plats vert sauge et vert brume sur un fond vert pin profond, composition géométrique nette.
Sur cette page

Ce que la vidéo à partir d'images de référence change réellement dans la conception des prompts

La génération vidéo à partir de texte oblige le modèle à créer tout de zéro : sujet, vêtements, environnement, lumière, mouvement. La génération vidéo à partir d'images de référence inverse ce contrat. Vous fournissez au modèle des images qui ont déjà répondu à la majeure partie du « quoi », et le périmètre du prompt se réduit au « comment » : comment le sujet se déplace, comment la caméra se comporte, combien de temps le plan dure, et ce qui ne doit absolument jamais apparaître.

La conséquence pratique est que les habitudes de rédaction propres à la génération vidéo à partir de texte se retournent ici contre vous. De longs paragraphes descriptifs qui répètent l'apparence du sujet entrent en concurrence avec les images de référence et poussent le modèle à les moyenner en un résultat générique insipide. Des adjectifs empilés pour l'emphase — « cinématique, épique, dramatique, panoramique » — ne portent presque aucun signal comparé à une instruction concrète. Et tout prompt qui décrit en mots le visage d'un personnage ou la géométrie précise d'un produit introduit une dérive, car le texte et les pixels se contredisent mutuellement.

Le modèle mental à garder en tête

Considérez chaque image de référence comme une contrainte, et votre prompt comme un planning. La contrainte dit qui et quoi. Le planning dit quand, où et comment ça bouge. Si vous vous surprenez à écrire des phrases qui redécrivent ce que l'image montre déjà, supprimez-les. Si vous vous surprenez à n'avoir écrit aucune phrase sur la caméra et le mouvement, c'est que vous avez sous-spécifié la partie qui a réellement besoin de texte.

Avant d'appeler l'API, un test utile : cachez les images de référence et relisez votre prompt. Tient-il toujours comme une requête portant sur ces entrées précises ? S'il se lit comme un prompt de génération vidéo à partir de texte autonome, c'est que vous en avez trop écrit et pas assez annoté.

Ce guide aborde successivement l'ordre des images, la cohérence du sujet, la formulation des mouvements de caméra, le choix des paliers et les listes négatives, pour finir par des requêtes exécutables pour gemini-omni-flash/reference-to-video sur l'API hiapi.

La génération à partir de texte envoie une seule entrée dans l'image ; la génération à partir d'images de référence fait converger plusieurs références visuelles plus un prompt vers une sortie unique — un autre modèle mental pour lequel concevoir.

Organiser plusieurs images de référence

Lorsque vous transmettez plus d'une image de référence, l'ordre et l'étiquetage comptent plus que la longueur du prompt. Le modèle doit savoir quelle image régit quel aspect de la sortie, et la manière la plus économique de le lui transmettre est d'assigner un seul rôle par emplacement.

Un rôle par emplacement

Le schéma fiable est : le sujet d'abord, puis tout ce qui le pare (vêtements, variantes de produit), puis l'environnement, enfin le style. Chaque image ne doit assumer qu'une seule tâche. Si l'on attend d'une image qu'elle porte à la fois le visage du personnage et la pièce où il se tient, le modèle ne peut que deviner lequel l'emporte en cas de conflit.

Écrivez explicitement les rôles dans le prompt, dans l'ordre des images transmises :

Image 1: the character (face and hair).
Image 2: the jacket the character wears.
Image 3: the room the character stands in.
Image 4: the color and lighting style to apply overall.

Numéroter les images dans le prompt et faire correspondre cette numérotation à l'ordre de la charge utile de la requête est l'habitude la plus rentable des prompts multi-références. Quand vous réordonnez la charge utile, réordonnez le texte du prompt dans la même modification.

Déclarer les priorités quand les rôles entrent en conflit

Les conflits arrivent. Deux images peuvent toutes deux contenir un arrière-plan ; une image d'environnement peut contenir des personnes. Dans ce cas, précisez l'ordre de priorité sur une ligne, plutôt que d'espérer que le modèle le déduise :

Use the face from Image 1. Ignore any people in Image 3; Image 3 is the room only.

Moins d'images de référence, mais plus propres, valent mieux que plus

Chaque image de référence supplémentaire est une contrainte de plus que le modèle doit satisfaire simultanément. Si la quatrième image n'apporte qu'un style, et que ce style s'exprime par une phrase, privilégiez la phrase. Quatre images clairement étiquetées avec des rôles distincts surpassent généralement huit images qui se chevauchent, et elles rendent les échecs plus faciles à diagnostiquer.

Chaque emplacement de référence correspond à un rôle dans l'image finale — l'ordre et le poids déterminent ce que le modèle privilégie.

Maintenir la cohérence du sujet d'un plan à l'autre

La cohérence entre plusieurs segments vient de la réutilisation du même ensemble d'images de référence et des mêmes étiquettes de rôle, en ne changeant que la partie du prompt qui décrit le plan. Dès que vous changez les images de référence, chaque prompt en aval doit être recalibré ; en gardant les images fixes, chaque nouveau plan devient une petite expérience indépendante.

Un bloc d'identité stable

Rédigez un court bloc d'en-tête, copié mot pour mot dans chaque prompt d'un sujet donné, puis ajoutez en dessous les instructions propres au plan :

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.

Ce bloc ne change jamais. Tout ce qui suit — mouvement de caméra, action, durée — est variable. Cette structure vous permet aussi de voir d'un coup d'œil si un problème de dérive vient des images de référence ou de la formulation, puisque la formulation est maintenue constante.

Décrire le changement, pas l'apparence

Quand le plan demande au sujet de faire quelque chose, décrivez l'action et le changement qui en résulte, pas les traits du sujet :

The character turns from facing the window to facing the camera; the jacket stays the same.

Des formulations comme « stays the same » ou « unchanged » sont des ancrages peu coûteux et efficaces. Après le premier plan, évitez de redécrire le visage ou la silhouette du produit en mots ; les images de référence portent déjà cette information, et le texte ajouté ne fait qu'introduire du bruit.

Se méfier de l'échec par moyennage

Si le sujet ressort un peu fade — traits adoucis, couleurs mélangées — la cause habituelle est soit un trop grand nombre d'images de référence qui se disputent le même rôle, soit un prompt qui décrit aussi l'apparence en plus des images. La solution consiste à retirer des images de référence et à supprimer les phrases de description de l'apparence, plutôt qu'à ajouter des adjectifs.

La formulation des mouvements de caméra que le modèle suit

Le mouvement de caméra est le point d'échec le plus fréquent des prompts, et le mode d'échec est presque toujours le même : plusieurs mouvements sont nommés dans un même plan, le modèle en choisit un, les mélange, ou produit une dérive lente qui n'en satisfait aucun.

Un mouvement explicite par plan

N'écrivez qu'un seul comportement de caméra par prompt. Nommez d'abord le mouvement, puis sa cible :

Camera: slow push in toward the character.
Camera: static, locked off. The character moves; the camera does not.
Camera: orbit clockwise around the product, roughly a quarter turn.
Camera: pan left, following the character as they walk.

Une caméra fixe mérite d'être explicitée autant qu'une caméra en mouvement. Si vous omettez le langage caméra, le modèle peut ajouter une dérive non demandée ; « static, locked off » est une contrainte, pas du texte gaspillé.

Les conséquences de l'empilement

« Slow push in while orbiting and slightly zooming » se lit comme trois contraintes qui s'annulent en partie. Choisissez le mouvement qui porte le sens du plan. Si vous avez besoin d'un second mouvement, placez-le dans un second segment et assemblez-les au montage — c'est plus économique que de demander à une seule génération de faire deux choses.

Le rythme accompagne le mouvement

Ajouter un qualificatif de vitesse est utile — « slow », « steady », « fast » — car il indique au modèle jusqu'où se déplacer pendant la durée du plan. Plus d'un adjectif de vitesse ou d'humeur autour du même mouvement n'ajoute aucune information. Gardez le langage du mouvement dans une seule phrase et placez-le à un endroit fixe de chaque prompt, généralement à la fin, de sorte qu'en parcourant une série de prompts vous voyiez immédiatement ce que fait chaque plan.

Chaque plan ne reçoit qu'un seul mouvement propre — push, orbite ou panoramique — dessiné comme une trajectoire unique, non empilée, autour d'un sujet fixe.

Choisir la durée et le palier de résolution avant d'écrire

La durée et la résolution ne sont pas des réglages appliqués après coup à un prompt déjà rédigé ; ils modifient ce que le prompt doit exprimer. Décidez de ces deux paliers avant de commencer à écrire.

La durée change la densité de mouvement

Un plan court ne peut contenir qu'un seul temps : un seul mouvement, ou une seule action. Un plan long peut contenir un changement d'état — un demi-tour, une révélation, une entrée. Si vous écrivez un prompt de plan long mais le rendez en plan court, l'action est comprimée au point d'être illisible. Si vous écrivez un prompt de plan court mais le rendez en plan long, le modèle comblera avec de la dérive.

Règle empirique : un temps pour un plan court, un changement d'état pour un plan long. Quand une recette exige deux temps, scindez-la en deux générations plutôt que d'étirer un seul prompt.

La résolution change la tolérance de composition

Les paliers de résolution élevés exigent une composition propre et simple, avec un sujet clair et un arrière-plan peu encombré. Les détails fins — bijoux, petits textes sur un produit, texture d'un tissu — ne sont lisibles qu'au palier maximal ; les exiger à un palier bas ne donne qu'un résultat flou. Inversement, si votre plan est un large panorama avec un petit sujet, un palier bas fera complètement disparaître le sujet.

Faites correspondre le palier au détail dont dépend le plan : les gros plans de produit et les plans de visage de personnage doivent utiliser un palier élevé, les fonds d'environnement larges peuvent se contenter d'un palier plus bas. C'est aussi là que la qualité des images de référence fixe la limite — la résolution de la sortie ne dépassera pas celle des références.

Inscrire les paliers dans le fichier de prompt

Dans votre code, conservez la durée et la résolution comme champs à côté du texte du prompt, plutôt que dispersés dans les commentaires. Dans les recettes ci-dessous, le corps de la requête les porte explicitement, ce qui permet au prompt lui-même de se concentrer sur le contenu et le mouvement.

Des listes négatives qui corrigent les défauts sans s'opposer au prompt

La liste négative est un petit ensemble d'éléments qui ne doivent jamais apparaître. Son but est de supprimer des défauts récurrents, pas d'énumérer tout votre mécontentement envers la génération vidéo.

Courte et précise

Quatre à six éléments est une fourchette utile. Chaque élément doit nommer un échec concret et visible que vous avez réellement observé dans vos propres sorties :

Negative: extra fingers, warped face, text overlays, watermark, flickering lighting, duplicate subject.

Cette liste cible de vrais modes d'échec — défauts des mains, dérive d'identité, sous-titres non désirés et instabilité temporelle — sans introduire de nouveaux concepts que le modèle doit concilier.

Pourquoi les listes longues se retournent contre vous

Les listes négatives longues nomment souvent des choses qui partagent du vocabulaire avec le prompt positif. Écrire « no dark, moody lighting » alors que le prompt positif demande une scène nocturne force le modèle à produire une contradiction qu'il résout de manière imprévisible. De même, lister de nombreux objets à ne pas voir fait fuiter ces objets dans la scène. Chaque terme négatif est un concept que le modèle doit traiter activement ; une liste de vingt éléments, ce sont vingt occasions de gâcher le résultat.

La garder stable sur une série de tâches

Une fois qu'une liste négative fonctionne pour un sujet, gelez-la. Modifier à la fois le prompt positif et la liste négative dans la même itération vous empêche d'attribuer une correction ou une régression. N'itérez qu'une variable à la fois, en commençant par le prompt positif.

Recettes prêtes à copier-coller, avec requêtes exécutables

Chaque recette est un prompt accompagné d'un corps de requête pour gemini-omni-flash/reference-to-video. Remplacez les chemins de fichiers de référence par vos propres images. La durée et la résolution sont portées comme champs de la requête ; consultez la page du modèle pour connaître les paliers actuellement proposés.

Recette 1 : personnage, identité stable, un seul mouvement

Image 1: the character (face and hair).
Image 2: the jacket the character wears.

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting.
curl -X POST https://api.hiapi.ai/v1/video/generations \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-omni-flash/reference-to-video",
    "prompt": "Image 1: the character (face and hair).\nImage 2: the jacket the character wears.\n\nSubject: the character from Image 1, wearing the jacket from Image 2.\nKeep face shape, hair length, and jacket color identical to the references.\nAction: stands still, looking slightly off-camera.\nCamera: slow push in toward the character.\nNegative: extra fingers, warped face, text overlays, flickering lighting.",
    "references": ["character.png", "jacket.png"],
    "duration": "short",
    "resolution": "high"
  }'
import requests, os

prompt = """Image 1: the character (face and hair).
Image 2: the jacket the character wears.

Subject: the character from Image 1, wearing the jacket from Image 2.
Keep face shape, hair length, and jacket color identical to the references.
Action: stands still, looking slightly off-camera.
Camera: slow push in toward the character.
Negative: extra fingers, warped face, text overlays, flickering lighting."""

r = requests.post(
    "https://api.hiapi.ai/v1/video/generations",
    headers={"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"},
    json={
        "model": "gemini-omni-flash/reference-to-video",
        "prompt": prompt,
        "references": ["character.png", "jacket.png"],
        "duration": "short",
        "resolution": "high",
    },
)
print(r.json())

Recette 2 : orbite de produit

Image 1: the product, front view. Image 2: the product, side view.
Image 3: the surface it sits on.

Subject: the product from Images 1 and 2, resting on the surface from Image 3.
Keep shape, color, and proportions identical to the references.
Action: the product is motionless.
Camera: orbit clockwise around the product, roughly a quarter turn.
Negative: duplicate product, warped edges, text overlays, flickering lighting.

Envoyez la même structure de corps de requête que la recette 1, avec trois entrées dans references, et utilisez le palier de haute résolution, car ce plan dépend des détails des contours.

Recette 3 : environnement, caméra fixe

Image 1: the room.
Image 2: the lighting and color style.

Scene: the room from Image 1, lit and graded as in Image 2.
Camera: static, locked off. Nothing in frame moves except a faint drift of dust in the light.
Negative: people, text overlays, watermark, flickering lighting.

Un fond d'environnement fixe est le segment utile le moins coûteux à générer, et le plus facile à vérifier — tout défaut de forme du sujet dans la sortie indiquera immédiatement que la liste négative doit être resserrée.

Ajuster les recettes

Conservez ces étiquettes de section dans tous vos propres prompts (Subject:, Action:, Camera:, Negative:). Ce ne sont pas des mots magiques pour le modèle, mais ils vous imposent la discipline que vous décrivez : un rôle par image de référence, un mouvement par plan, et une liste négative courte et ciblée.

Vérifier la sortie et itérer rapidement

Examinez chaque segment généré avec deux questions, dans un ordre fixe. Premièrement : le sujet correspond-il aux images de référence ? Deuxièmement : le mouvement correspond-il à l'unique mouvement demandé ? Ces deux vérifications attrapent la plupart des échecs, et l'ordre compte, car un problème d'identité doit généralement être corrigé avant de pouvoir voir un problème de mouvement.

Attribuer l'échec avant de changer quoi que ce soit

Quand le sujet dérive, la cause est presque toujours les images de référence ou l'étiquetage des rôles — chevauchement de rôles, image de trop, ou phrases de description de l'apparence en concurrence avec les pixels. Quand le mouvement est faux, la cause est presque toujours la ligne caméra du prompt, ou un palier de durée mal accordé au nombre de temps. Quand la composition est trouble mais que le sujet et le mouvement sont corrects, le palier de résolution est le suspect.

Modifier en même temps le prompt, les images de référence et les paliers dans la même itération détruit l'attribution et ne vous laisse que des suppositions. Changez une seule chose, relancez le rendu, comparez.

Consigner chaque itération

Tenez un journal simple pour chaque recette : la liste ordonnée des images de référence, le texte du prompt, les paliers de durée et de résolution, et une ligne de conclusion. Cela permet de diagnostiquer encore un échec une semaine plus tard, et transforme votre bibliothèque de prompts en un ensemble de points de départ éprouvés plutôt qu'un amas d'expériences jetables. Une fois une recette stabilisée, gelez-la et créez de nouveaux plans par branchement plutôt que par édition sur place.

Une fois le corps de requête paramétré, la boucle complète — recette de prompt, requête, segment rendu, conclusion, modification à variable unique — devient rapide. Partez des recettes ci-dessus, remplacez par vos propres images de référence, et laissez la boucle de vérification faire le réglage.

Articles similaires

Voir tous les articles →

Commencez avec des artefacts IA persistants

Obtenez votre clé API et appelez des modèles d'image, de vidéo et d'audio via une API unique basée sur les tasks.

Lire la documentation de l'API