Une vidéo de Noël pour l’équipe – moitié cloud, moitié homelab

🌐 Aussi en: English · Deutsch · Español

Pour le calendrier de l’Avent interne de notre équipe de supervision, je voulais une courte vidéo : dans le datacenter, les LED passent du vert au rouge, alarme, battements de cœur, retour en arrière – et à la fin, c’est bien sûr le Père Noël le coupable, qui a trébuché sur un « câble Wi-Fi ». Résultat : un peu moins de 100 secondes de film, peaufinées sur plus de 70 versions avec Claude Code comme assistant réalisateur.

Plus intéressante que le film lui-même est la question de savoir ce qui vient du cloud et ce qui a tourné sur mon propre matériel. En bref : les images qui comptent viennent du cloud – tout le reste a tourné en local.

☁️ Depuis le cloud : les scènes avec des personnes

Pour les scènes vidéo, j’ai utilisé ArtCraft, un abonnement qui donne accès à plusieurs modèles commerciaux :

• Seedance 2.0 (vidéo) : le datacenter, le centre de supervision, le gros plan sur les LED, le Père Noël avec les rennes agacés. Un clip de 4 secondes en 720p coûte environ 100 crédits.
• Nano Banana Pro (retouche d’image) : la photo de groupe – collègues en silhouettes, bonnets de Noël, neige. 15 crédits par image.

Je n’ai pas piloté ArtCraft via son interface, mais via un serveur MCP : Claude Code rédige le prompt, envoie les images de référence et récupère le résultat. Avec une règle fixe : avant chaque tâche, Claude annonce le coût et attend mon « Start » – une tâche envoyée ne peut pas être rappelée.

À retenir : pour des personnes réalistes en mouvement, le cloud est aujourd’hui nettement devant. Mais chaque clip coûte de l’argent réel, et les crédits partent plus vite qu’on ne le pense – à la fin, le solde était vide avant que la dernière idée soit réalisée.

🖥️ En local : tout autour des images

Une machine avec une carte graphique RTX (8 Go de mémoire vidéo) s’est chargée du reste :

• ComfyUI comme cadre pour les modèles locaux
• MMAudio : des bruitages adaptés à l’image – rennes qui soufflent, câbles qui crissent, la chute
• ACE-Step : des ébauches musicales dans différents styles ; la vidéo finale utilise un morceau épique libre de droits d’une bibliothèque musicale
• Chatterbox (synthèse vocale) : la narratrice
• Whisper : vérification que « Icinga » et « Zabbix » sont prononcés clairement
• RIFE : images intermédiaires par IA pour les ralentis
• ffmpeg et Python : montage, transitions, textes, fermeture à l’iris, générique façon machine à écrire, la fin en terminal avec systemctl status weihnachten et le mastering du volume

En local, les essais ne coûtent que du courant et du temps. C’est là que naissent la plupart des itérations : une voix sonnait métallique, une autre avait un accent anglais, la musique était trop pop – douze variantes d’une même phrase ne posent aucun problème en local.

À retenir : le cloud fournit les images brutes coûteuses, le homelab en fait un film. Cela garde les coûts bas et le contrôle entre vos mains.

🎞️ Là où le local ne suffit pas – et là où il est meilleur

Au début, j’ai essayé de générer aussi les scènes vidéo en local avec Wan 2.1/2.2. Avec 8 Go de mémoire vidéo, le résultat restait grossier : visages primitifs, démarche peu naturelle, clips trop courts.

À l’inverse, l’IA « plus intelligente » était parfois le mauvais choix :

• Mise à l’échelle en 1080p : Real-ESRGAN rendait les contours plus nets, mais les surfaces cireuses. Une mise à l’échelle classique avec un léger renforcement de netteté paraissait plus naturelle.
• Images intermédiaires : l’estimation de mouvement de ffmpeg produisait des blocs sur les mains rapides et sur les motifs de LED des baies. RIFE était bien plus propre – sauf au moment où la LED passe du vert au rouge, où RIFE inventait lui aussi une fausse image. À cet endroit, c’est désormais l’original qui tourne.

À retenir : « plus d’IA » n’est pas automatiquement mieux. Chaque outil invente quelque part des détails qui n’existent pas – et il faut les trouver.

👀 Vérifier ce qu’on ne peut pas voir

Claude ne peut ni lire une vidéo ni l’entendre. Les vérifications ont donc pris des chemins détournés : images isolées et planches-contacts, mesure du volume par scène (avant, les scènes avaient jusqu’à 15 dB d’écart), reconnaissance vocale pour la prononciation et les voix cachées, comparaison d’images pour les raccords exacts.

Malgré tout, j’ai trouvé des erreurs qu’aucune mesure ne montrait : un « Aaa » féminin qui était en réalité un artefact à la fin de l’enregistrement vocal, un arrière-plan gris et bruité après un filtre, un texte qui volait à travers la pièce pendant un fondu. Et une fois, un allongement de 2,5 secondes n’a tout simplement rien fait – sans message d’erreur.

À retenir : mesurer ne remplace pas regarder. Les outils trouvent les niveaux et les formats, l’humain trouve ce qui paraît « bizarre ».

🧾 L’addition

• Cloud : un abonnement mensuel plus des crédits – presque tout pour une poignée de clips de 4 secondes et quelques retouches d’image.
• Local : pas de coûts courants, mais du temps GPU – la mise à l’échelle du film entier prend environ trois quarts d’heure.
• Temps : le plus gros poste. La plupart des versions concernaient le timing, le son et les détails, pas de nouvelles scènes.

À retenir : l’argent est dans quelques clips cloud, le temps dans de nombreuses itérations locales.

🎯 Les leçons

1. Le cloud pour les personnes, le local pour tout le reste – un homelab à 8 Go ne sait pas encore faire des personnes réalistes en mouvement.
2. Confirmer le coût avant chaque tâche cloud – envoyé, c’est envoyé.
3. Enregistrer chaque version sous un nouveau nom – plus d’une fois, une ancienne était la meilleure.
4. Utiliser les outils d’IA de manière ciblée – parfois la méthode classique est plus honnête que le modèle.
5. Regarder et écouter soi-même – les mesures disent si c’est correct, pas si ça fonctionne.