Recettes de prompts OmniHuman-1.5 : prompts vidéo d'avatar parlant prêts à copier-coller

Pourquoi la structure du prompt compte plus que la formulation

La plupart des équipes écrivent leur premier prompt d'avatar parlant en une seule phrase, puis passent des heures à la réécrire, à la recherche d'une formule magique. Cette approche est vouée à l'échec, car OmniHuman-1.5 ne répond pas à l'ingéniosité, mais à une spécification. Le prompt est la spécification d'une courte vidéo : qui apparaît, ce qui est dit, comment le plan est composé, comment la réplique est interprétée. Si l'un de ces éléments manque ou se confond avec un autre, le modèle ne peut que deviner — et deviner est précisément la source des problèmes de cohérence.

Un modèle mental utile consiste à voir le prompt comme quatre modules empilés qui alimentent ensemble une sortie :

• Sujet — qui apparaît, et à quoi il ressemble à un niveau stable et descriptible.
• Réplique — les mots exacts à prononcer, écrits mot pour mot.
• Cadrage — taille de plan, angle de caméra, arrière-plan, et position du sujet dans le cadre.
• Interprétation — rythme, énergie, ton, et les petits mouvements corporels qui font que la réplique semble parlée plutôt que récitée.

Une fois ces éléments séparés, l'itération devient maîtrisable. Vous pouvez modifier l'interprétation sans toucher à la réplique, ou réécrire la description du sujet sans recomposer le cadrage. Si tout est entassé dans un seul bloc de texte fluide, chaque édition est une édition globale, et vous ne pourrez jamais attribuer un changement de sortie à une modification précise de l'entrée.

Cela explique aussi pourquoi deux prompts qui semblent très différents à la lecture peuvent produire des résultats similaires : ils encodent les mêmes quatre modules. Et deux prompts qui semblent presque identiques peuvent différer énormément, parce que l'un d'eux a discrètement omis un module — souvent l'interprétation, la partie que les gens oublient le plus facilement d'écrire.

Les recettes de ce guide reposent toutes sur ces quatre modules. Elles sont conçues pour que vous les copiiez, les adaptiez, puis les démontiez délibérément afin de voir le rôle de chaque module.

Un rappel avant de commencer

La façon dont OmniHuman-1.5 traite les prompts n'est pas entièrement publique, et les réglages non publics changent. Chaque recette ci-dessous évite les paramètres inventés, la syntaxe de pondération et les indicateurs propres à un fournisseur. Elle s'appuie plutôt sur des descriptions en langage naturel, simples et explicites, du sujet, de la réplique, du cadrage et de l'interprétation. Ainsi, les recettes restent portables et vous évitez de bâtir votre pipeline sur une syntaxe qui pourrait ne pas exister.

Lorsqu'une recette doit contraindre quelque chose que le modèle risque de ne pas respecter de manière fiable — des instants précis, une synchronisation labiale exacte sur des phonèmes inhabituels, des répliques très longues — le guide le signale clairement et recommande de traiter cela en dehors du prompt plutôt que d'espérer que l'écrire dans le texte suffira.

Si vous souhaitez exécuter ces recettes via une API unifiée unique plutôt que d'assembler des intégrations séparées pour chaque modèle, le point de terminaison vidéo de HiAPI.ai est le chemin cible pour tout ce qui est décrit ici.

Anatomie d'un prompt prêt à copier-coller

Avant les recettes, voici le modèle qu'elles suivent toutes. Lisez-le une fois, et vous pourrez reconstruire n'importe laquelle de mémoire.

[SUBJECT]
A [age range] [gender presentation] with [hair], [distinguishing feature],
wearing [clothing]. Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "<your script here>"

[FRAMING]
[Shot size] shot, [camera angle], [subject position in frame].
Background: [background description]. Lighting: [lighting description].

[DELIVERY]
Speaks at [pace]. Tone: [tone]. [Optional physical behavior cue].
Camera is static.

Quelques précisions sur la raison d'être de chaque champ.

Sujet

Gardez la description stable et concrète : tranche d'âge, présentation de genre, coiffure, une ou deux caractéristiques distinctives, vêtements. Évitez d'empiler les adjectifs — chaque descripteur superflu est un point de dérive supplémentaire du modèle entre les exécutions. Si vous avez besoin de la même personne dans plusieurs clips, figez ce module mot pour mot et ne le modifiez jamais.

Réplique

La phrase Say exactly (prononcer mot pour mot) joue un rôle concret. Elle indique que le texte qui suit est un contenu parlé, et non une description de scène. Placez la réplique entre guillemets pour que ses limites soient sans ambiguïté, et gardez-la en prose pure — pas d'indications scéniques, pas de parenthèses explicatives, pas de balises.

Cadrage

La taille de plan (gros plan, plan moyen, plan américain), l'angle de caméra (à hauteur des yeux, légèrement en contre-plongée) et la position du sujet (centré, légèrement à gauche du cadre) peuvent tous se décrire avec des mots ordinaires, et tous modifient substantiellement la sortie. L'arrière-plan et l'éclairage appartiennent aussi à ce module, car ils font partie du plan, et non de l'interprétation.

Interprétation

C'est le module que la plupart des gens sautent. Le rythme, le ton et une indication de comportement physique (un léger hochement de tête, un geste, un changement de posture) contribuent bien plus à la naturalité perçue que la réécriture répétée de la description du sujet. Une ou deux indications suffisent — au-delà, le modèle doit faire des choix.

Contrainte finale

Terminer par Camera is static (caméra fixe) est une méthode peu coûteuse pour réprimer les mouvements de caméra non sollicités, un mode de défaillance courant et distrayant dans la génération d'avatars parlants. Ce n'est pas un paramètre, mais une instruction ordinaire, qui fait partie de la recette.

Ce que vous ne devez pas mettre dans le modèle

N'écrivez pas la fréquence d'images, la résolution, la graine ni la chaîne de version du modèle dans le texte du prompt. Ce sont des questions de niveau requête, pas de niveau prompt, et les y mélanger rend le prompt plus difficile à comparer et à réutiliser. Laissez le prompt gérer le contenu, et l'appel API gérer l'infrastructure.

Recette : clip explicatif avec un seul intervenant

La recette de base. Adaptée aux voix off de documentation, au contenu de cours, aux vidéos d'annonce, et à toute situation où un présentateur lit un texte préparé.

[SUBJECT]
A person in their early 30s, gender-neutral presentation, short dark hair,
wearing a plain crew-neck sweater. Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "In this walkthrough we'll cover three things. First, how to set up
the project. Second, the configuration options that matter most. And third, how
to verify everything is working before you ship."

[FRAMING]
Medium shot, eye level, subject centered with a small amount of headroom.
Background: softly out-of-focus home office with a bookshelf.
Lighting: soft key light from the left, no harsh shadows.

[DELIVERY]
Speaks at a measured, conversational pace. Tone: friendly and instructional.
Occasional small nod on sentence boundaries. Camera is static.

Pourquoi cela fonctionne

La réplique est assez courte pour rester cohérente — environ trois phrases, avec des frontières de proposition claires. Le cadrage est délibérément plat : centré, à hauteur des yeux, arrière-plan doux. Un cadrage plat est ici un avantage, car il rend les différences de sortie entre les exécutions faciles à identifier. Si l'arrière-plan commence à changer, vous saurez que c'est le modèle, et non votre description de plan.

Le module d'interprétation donne une indication corporelle (un léger hochement de tête occasionnel aux frontières de phrase), qui correspond naturellement à la structure de la réplique. Cette correspondance entre l'indication d'interprétation et la forme de la réplique mérite d'être reproduite : une indication qui épouse le rythme de la réplique sonne naturellement, une indication qui le contredit sonne aléatoirement.

L'adapter

• Répliques plus longues : conservez le même cadrage et la même interprétation, et découpez la réplique en plusieurs segments aux frontières de paragraphe, plutôt que de forcer une longue génération unique. Lorsque chaque segment a une structure similaire, la cohérence entre segments est plus facile à maintenir.
• Public différent : changez uniquement les mots de ton (« autoritaire », « chaleureux », « enlevé »), puis relancez. C'est l'édition unique la plus rentable de la recette.
• Persona de marque : figez le module sujet et changez uniquement les vêtements. Cela isole les vêtements du visage et des cheveux, qui sont les champs les plus sujets à dérive.

Limites connues

Les répliques très longues — plusieurs paragraphes en une seule génération — perdent souvent la cohérence du rythme vers la fin. Prévoyez quelques phrases par segment, puis assemblez au montage. N'essayez pas de résoudre un problème de longueur en ajoutant des instructions de rythme au prompt ; le prompt n'est pas un contrôleur de temps.

Recette : accroche courte pour les réseaux sociaux

Une vidéo courte se joue dans les deux premières secondes. Cette recette échange l'énergie contre la neutralité de la recette explicative, et elle est délibérément plus courte que les autres.

[SUBJECT]
A person in their late 20s, wearing a casual button-up shirt.
Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "Stop scrolling. If you've ever shipped a feature that broke in
production, this is the one setting you probably missed."

[FRAMING]
Close-up shot, slightly below eye level, subject centered and filling most of
the frame. Background: simple solid-color wall. Lighting: bright, even, frontal.

[DELIVERY]
Speaks quickly with confident energy. Tone: direct and conspiratorial.
Leans in slightly on the first sentence. Camera is static.

Choix de conception à retenir

Gros plan et légère contre-plongée créent une intimité et une pointe d'urgence. C'est la grammaire visuelle des vidéos courtes, et elle s'exprime parfaitement en langage de cadrage ordinaire — aucune syntaxe spéciale n'est nécessaire.

Un arrière-plan uni élimine le bruit visuel qui rivalise avec un montage rapide. Dans une vidéo courte, l'arrière-plan ne devrait jamais être la partie intéressante du cadre.

Deux phrases maximum. Une accroche est une unité d'attention, pas un paragraphe. Si votre idée nécessite trois phrases, elle relève d'une autre recette.

Une indication corporelle associée à la première phrase. « Se pencher légèrement en avant à la première phrase » fonctionne parce que la première phrase est l'accroche. Associez l'indication au temps auquel elle appartient.

L'adapter

Exécutez trois répliques d'accroche différentes avec le même sujet et le même cadrage, puis choisissez parmi les sorties. Comme tout est figé sauf le module réplique, les différences entre les clips peuvent être attribuées à l'écriture — exactement ce que vous voulez lorsque vous testez des accroches A/B.

Limites connues

Une interprétation très rapide peut réduire la clarté sur des termes techniques denses. Si votre accroche contient des noms de produits, des acronymes ou des nombres à prononcer, remplacez le mot de rythme « quickly » par « briskly » et comparez. C'est le seul endroit où le module d'interprétation peut encore nécessiter un second passage même une fois la réplique verrouillée.

Recette : voix off de démonstration produit

Cette recette sert à commenter une interface produit ou une suite d'étapes, lorsque la clarté compte plus que la personnalité et que le rythme doit laisser à l'œil du spectateur le temps de suivre.

[SUBJECT]
A person in their mid 30s, wearing a neutral blazer over a plain shirt.
Natural, realistic appearance, no stylization.

[SCRIPT]
Say exactly: "Open the settings panel from the left navigation. Choose the
integration you want to connect. Paste your key into the credential field.
Then save, and run a test call from the same screen to confirm the connection."

[FRAMING]
Medium close-up, eye level, subject positioned slightly left of center to leave
room on the right of frame. Background: clean, uncluttered neutral wall.
Lighting: soft, even, no rim light.

[DELIVERY]
Speaks slowly and evenly, with a brief pause at each step boundary.
Tone: calm and precise. Minimal movement. Camera is static.

L'indication de cadrage la plus importante

« Légèrement à gauche du centre, pour laisser de la place à droite du cadre » est la ligne la plus importante de cette recette. Les démonstrations sont souvent composées avec des captures d'écran ou des superpositions d'interface, et un cadrage décentré laisse à votre monteur la place de les placer. Cela ne coûte rien dans le prompt et évite un nouveau rendu.

Le rythme comme instruction structurelle

« Une brève pause à chaque frontière d'étape » est une instruction sur la structure, pas un paramètre temporel. Elle indique au modèle que la réplique a un rythme en quatre unités. Vous ne spécifiez pas de millisecondes — vous indiquez où sont les temps. Gardez le nombre d'étapes dans la réplique faible et la correspondance claire ; si la réplique comporte six étapes et que l'interprétation mentionne des pauses aux frontières, cela reste une instruction, et reste lisible.

L'adapter

• Segments multiples : rendez chaque étape comme son propre clip, avec les mêmes modules sujet et cadrage, puis assemblez. Cela vous donne des points de montage propres et une apparence cohérente sur toute la séquence.
• Montage piloté par les superpositions : si une étape a besoin d'un temps visuel plus long que sa réplique parlée, ajoutez un clip de silence en fin de segment plutôt que d'allonger les instructions d'interprétation. Le silence relève de la post-production.

Limites connues

Les pauses sont des demandes, pas des garanties. Si l'emplacement exact des pauses est essentiel pour se synchroniser avec l'action à l'écran, prévoyez de l'ajuster au montage et considérez le clip généré comme la source de vérité audio-vidéo pour tout sauf le timing de montage.

Tester et itérer sur une recette

Une recette est une hypothèse. Validez-la avant de passer à l'échelle.

Étape 1 : écrire une réplique de test

Préparez une courte réplique — deux à trois phrases — qui couvre les points difficiles de votre contenu réel : le mot le plus long, le nom propre le plus inhabituel, les nombres que vous prononcerez réellement. La réplique de test doit être adversariale, pas complaisante. Une phrase test que le modèle gère sans effort ne vous apprend rien.

Étape 2 : générer une base de référence

Exécutez la recette une fois avec la réplique de test, sans modification. Enregistrez la sortie ainsi que le texte exact du prompt qui l'a produite. Cette base de référence est le point de comparaison pour toutes vos itérations ultérieures.

Étape 3 : ne changer qu'une variable par exécution

C'est toute la discipline. Choisissez une chose, et ne changez que celle-là :

• Longueur de la réplique — même prompt, une phrase de plus.
• Cadrage — d'un plan moyen à un plan mi-rapproché, rien d'autre ne change.
• Ton de l'interprétation — remplacez un mot (« amical » devient « enlevé »).

Si vous modifiez à la fois le cadrage et le ton dans la même exécution et que la sortie s'améliore, vous n'apprenez que quelque chose a fonctionné, sans savoir quoi. C'est une exécution gâchée.

Étape 4 : tenir un journal des diffs

Pour chaque exécution, notez la variante du prompt, la modification unique, et une conclusion en une ligne. Les variantes rejetées ont autant de valeur que les variantes acceptées, car elles vous indiquent où se trouvent les limites. Un simple fichier texte horodaté avec les diffs suffit ; vous n'avez pas besoin d'outils spéciaux.

Étape 5 : promouvoir ou abandonner

Lorsqu'une variante surpasse clairement la base de référence, promouvez-la comme nouvelle base et retestez-la avec la réplique de test complète avant d'en faire une recette de production. Un changement qui aide sur une phrase peut nuire sur une autre.

Ce qu'il ne faut pas itérer

N'itérez pas sur ce que le prompt ne peut pas contrôler. Si votre problème est la résolution, le rapport d'aspect ou la déterminisme de la graine, vous êtes au mauvais niveau — regardez vos paramètres de requête, pas le prompt. Réécrire le prompt à maintes reprises pour corriger des problèmes d'infrastructure est la façon la plus courante dont les équipes gaspillent leur budget de génération.

Une note sur la taille des échantillons

La génération d'avatars parlants comporte une variabilité intrinsèque entre les exécutions. Générer un seul échantillon par variante peut être trompeur. Avant de conclure, générez deux ou trois échantillons par variante avec la réplique de test, et comparez entre les échantillons plutôt que de choisir le meilleur.

Modes de défaillance courants et comment les éviter via le prompt

Voici les problèmes les plus fréquents, avec les ajustements côté prompt pour les résoudre. Aucun ne nécessite d'inventer des paramètres.

Le sujet dérive entre les clips

Symptôme : les cheveux, les vêtements ou l'âge semblent différents d'un segment à l'autre. Correctif : figez le module sujet mot pour mot dans tous les prompts, sans rien y changer — pas de synonymes, pas de réorganisation. Les variations viennent généralement de réécritures bien intentionnées entre les clips.

L'interprétation sonne comme une récitation, pas comme une parole

Symptôme : expression plate, absence de micro-mouvements, immobilité étrange. Correctif : ajoutez une indication de comportement physique dans le module d'interprétation, et assurez-vous qu'elle correspond à un temps de la réplique. Vérifiez aussi que la réplique est écrite dans un registre parlé — contractions, propositions courtes, fragments de phrase. Une prose formelle sonnera comme une interprétation formelle, quel que soit le ton ajouté.

Mouvements de caméra non sollicités

Symptôme : zoom lent, dérive ou panoramique que vous n'avez pas demandé. Correctif : ajoutez une instruction explicite de caméra fixe à la fin du module d'interprétation. Si le mouvement persiste, supprimez les mots du prompt qui suggèrent ailleurs un mouvement (« dynamique », « composition énergique », « caméra mobile »).

L'arrière-plan rivalise avec le sujet

Symptôme : le modèle concentre son attention sur les détails de l'arrière-plan plutôt que sur le visage. Correctif : réduisez la description de l'arrière-plan à une phrase, et ajoutez un éclairage qui sépare le sujet du mur (une lumière principale douce venant d'un côté). Moins de mots sur l'arrière-plan, pas plus.

Effondrement du rythme sur les répliques longues

Symptôme : l'interprétation commence bien, puis devient précipitée ou plate vers la fin. Correctif : raccourcissez la réplique. C'est le correctif fiable, et aucune formulation de prompt ne peut le compenser. Découpez plutôt en plusieurs clips aux frontières naturelles.

Perte de clarté sur les termes denses

Symptôme : noms de produits, acronymes ou nombres peu clairs. Correctif : remplacez le mot de rythme « rapide » par « posé » ; si un terme précis reste erroné, envisagez de le réécrire phonétiquement dans la réplique — en reconnaissant que cela rend la réplique plus difficile à lire, à utiliser en dernier recours.

La sortie ignore une partie du prompt

Symptôme : un module entier semble sans effet. Correctif : vérifiez les conflits entre modules. Si le module sujet dit « porte un costume formel » et que le module cadrage dit « café décontracté », le modèle doit réconcilier la contradiction et risque de perdre quelque chose. Avant de supposer que le modèle a tort, assurez la cohérence entre les quatre modules.

Résultats incohérents entre des exécutions identiques

Symptôme : même prompt, sorties différentes. Correctif : c'est une variation attendue, pas un bug du prompt. Établissez des critères d'acceptation sur deux ou trois échantillons par variante, et arrêtez le réglage lorsque vous entrez dans la plage des critères. Poursuivre un déterminisme parfait via la formulation du prompt n'est pas productif.

Traiter les prompts comme des actifs versionnés

Un prompt qui vit dans une fenêtre de chat n'est pas un actif reproductible. Une fois que vous avez deux recettes et plusieurs variantes de chacune, vous avez du code source — et il devrait être géré comme du code source.

Stocker les prompts à côté du code qui les utilise

Gardez un répertoire prompts/ dans le dépôt où se trouve votre script de génération. Un fichier par recette, en texte brut ou markdown, avec les quatre modules complets et lisibles. Le texte du prompt doit pouvoir être chargé comme une chaîne, et non collé dans le corps d'une fonction.

Nommer pour que le nom prédise la sortie

Un schéma de nommage qui encode l'intention vaut plus que l'ingéniosité :

prompts/
  explainer-single-speaker-v3.txt
  social-hook-closeup-v2.txt
  walkthrough-voiceover-v1.txt

Le suffixe de version n'est pas décoratif. Incrémentez-le lorsqu'une modification de module affecte la sortie ; ne l'incrémentez pas pour une faute de frappe dans un commentaire.

Comparer les prompts, pas seulement les binaires

Lorsque la qualité de sortie change, vous devez pouvoir répondre à « qu'est-ce qui a changé dans l'entrée ? ». Un git diff sur des prompts en texte brut répond en une commande. Un prompt enfoui dans un blob JSON mêlé à des paramètres de requête ne le peut pas. Séparez le texte du prompt de la configuration de la requête, pour que le diff reste lisible.

Épingler le prompt aux actifs générés

Lorsque vous sauvegardez un clip généré, enregistrez quelle version du prompt l'a produit — dans le nom de fichier, dans un fichier de métadonnées associé ou dans une base de données d'actifs. Six semaines plus tard, quand quelqu'un demandera pourquoi un clip de la série semble différent, la réponse devra être trouvable en une requête, pas par supposition.

Relire les modifications de prompt comme des changements de code

Une modification de prompt qui change le cadrage ou le sujet est un changement visuel. Traitez-la comme un changement d'interface : ouvrez une pull request avec des exemples de sortie avant et après, pour qu'une autre personne les examine. C'est le moyen le moins coûteux de détecter une dérive accidentelle dans un module censé être figé.

Tenir un index des recettes

Un court README dans le répertoire prompts, listant chaque recette, son usage et sa version actuelle, évite à chaque nouveau contributeur de devoir reconstituer votre intention. C'est aussi l'endroit où consigner les limites connues, comme la longueur maximale des répliques dans la recette explicative, pour que les contraintes soient documentées plutôt que redécouvertes.

Commencer par la plateforme, puis se spécialiser

Si vous branchez ces recettes dans un pipeline, le point de terminaison vidéo OmniHuman-1.5 de HiAPI.ai vous offre une interface d'appel unique, de sorte que l'agencement du dépôt et le schéma de version restent stables à mesure que vous ajoutez des recettes. Copiez une recette, exécutez-la avec une courte réplique de test, changez une variable à la fois, et validez les versions qui surpassent votre base de référence — cette boucle est toute la méthode.