Vidéo agentique : comment Hermes enchaîne les plans avec FLUX 3

Quarante-huit heures pour tester la vidéo agentique

Au début du mois d’août 2026, FLUX 3 a été proposé pendant quarante-huit heures sur Hermes. J’ai profité de cette fenêtre pour générer plus de cinquante essais, de quinze secondes à presque deux minutes. Cette vidéo n’était ni sponsorisée ni accompagnée d’un lien affilié.

Trois expériences sont montrées : un film de 80 secondes en neuf plans, une continuation d’environ 50 secondes calée sur une musique et plusieurs mini-films historiques avec voix off. Je n’ai pas masqué les défauts, notamment les expressions faciales ratées et la perte de qualité observée sur certaines prolongations.

La vidéo agentique change la commande donnée à l’IA

Avec un générateur classique, on produit un plan court, puis on recommence. Il faut ensuite télécharger les fichiers, choisir les raccords, ajouter le son et monter l’ensemble. Dans ce test, je donne une intention, une durée, un format et quelques contraintes. L’agent organise le travail.

Le modèle vidéo reste une pièce du système. Hermes prépare les personnages et les décors, vérifie les outils disponibles, calcule les besoins en voix et en musique, lance les générations, puis assemble les fichiers. Je reçois le résultat quand le traitement est terminé et je peux demander une correction dans la même conversation.

Test 1 : 80 secondes et neuf plans à partir d’une phrase

Pour le premier test, ma demande tient en quelques lignes : une durée, un sujet, un ratio, une voix off, pas de musique, pas de texte et pas de sous-titres. Hermes utilise ensuite GPT Image 2 pour préparer les personnages et les décors, mesure l’audio nécessaire et enchaîne les appels aux outils.

Le résultat dure une minute vingt et contient neuf plans. Je n’ai ni choisi les raccords ni placé la voix off. Après visionnage, j’ai demandé des sous-titres. L’agent a installé la police, produit une première version, puis corrigé le style jusqu’à obtenir le rendu attendu.

Le point utile n’est pas seulement la génération initiale. Une fois le style de sous-titres validé, je peux demander à Hermes de conserver cette méthode pour d’autres vidéos. Le travail réussi devient une procédure réutilisable, avec les mêmes choix de police, de placement et de lisibilité.

Test 2 : prolonger un plan en suivant la musique

FLUX 3 peut repartir de la fin d’un clip et produire le segment suivant. Dans le deuxième essai, l’agent représente donc au modèle le dernier segment généré. La vidéo se prolonge pendant environ cinquante secondes dans un même mouvement, avec un rythme demandé à 120 BPM.

Le résultat garde la continuité générale, mais certaines expressions faciales sont faibles. Sur quelques essais, j’ai aussi observé une baisse progressive du piqué, de la saturation et du contraste. Un test réalisé plus tard, avec un petit poulpe qui part à l’école, tient quarante-cinq secondes sans cette dégradation. Le problème mérite donc d’être contrôlé à chaque nouvelle chaîne de plans.

Test 3 : des mini-films historiques avec voix off

Le troisième essai montre des séquences historiques d’environ cinquante secondes avec plusieurs plans et une narration. Je n’avais pas encore travaillé l’accroche ni le récit en profondeur. Le test sert surtout à vérifier que l’agent peut coordonner les images, les dialogues, la voix off et l’assemblage.

Pour aller plus loin, il faut apprendre à l’agent une méthode éditoriale : comment ouvrir le film, garder une progression, choisir les informations utiles et contrôler les raccords. L’automatisation accélère la fabrication ; elle ne remplace pas le point de vue.

Ce que FLUX 3 sait faire aujourd’hui

Black Forest Labs présente FLUX 3 comme un modèle commun à la vidéo, au son, à l’image et à la prédiction d’actions. Pour la vidéo, l’éditeur annonce des clips allant jusqu’à vingt secondes en une génération, avec audio natif facultatif, dialogues multilingues, effets sonores, ambiance et plusieurs scènes.

• génération depuis un texte ou une image ;
• contrôle par images clés ;
• plusieurs scènes et angles dans un même clip ;
• enchaînement agentique de plusieurs segments ;
• prolongation depuis la dernière image d’une vidéo ;
• amélioration de la définition jusqu’à la 4K native selon le mode utilisé.

Ces fonctions expliquent les deux méthodes montrées dans la vidéo. La première assemble plusieurs plans préparés par l’agent. La seconde prolonge un clip en conservant son mouvement, son cadrage et la logique de la scène.

Ce que je garde, ce que je délègue

Je suis prêt à déléguer la préparation technique, les variantes, certains raccords et une partie du montage. Je garde l’intention, l’idée, le rythme, le choix des plans et la décision finale. La question n’est plus seulement de savoir quel modèle fabrique la plus belle image. Il faut choisir ce que l’on confie au système et ce que l’on contrôle soi-même.

Les vérifications indispensables

• regarder chaque plan en entier et image par image aux raccords ;
• contrôler les visages, les mains, les objets et les arrière-plans ;
• écouter la voix, les dialogues, les effets et la musique séparément ;
• surveiller la perte de piqué ou de contraste pendant les prolongations ;
• vérifier les sous-titres sur mobile et sur ordinateur ;
• conserver le brief, les fichiers sources et une version sans sous-titres ;
• valider les droits sur les voix, les musiques, les images et les personnes représentées.