Sora
Pourquoi c’est important
En profondeur
Sora est bâti sur un diffusion transformer : la vidéo brute est compressée dans un espace latent de moindre dimension, découpée en fragments spatiotemporels, puis débruitée par un transformer qui traite ces fragments à peu près comme un modèle de langage traite des tokens. Quand OpenAI a montré les premiers clips en février 2024 — une femme marchant dans une rue de Tokyo éclairée au néon, des golden retrievers jouant dans la neige — le bond en durée et en cohérence par rapport aux systèmes de génération vidéo antérieurs comme Runway et Pika était évident, avec des générations uniques allant jusqu'à une minute. L'accès public a suivi en décembre 2024 sous le nom de Sora Turbo, une variante plus rapide et moins chère incluse avec les abonnements ChatGPT, et en 2025 OpenAI a lancé une application autonome bâtie autour d'une fonction de camée permettant d'insérer l'image de personnes réelles sous licence, aux côtés de Sora 2 avec dialogues et effets sonores synchronisés.
Des fragments plutôt que des pixels
Sous le capot, Sora adapte à la dimension temporelle la recette du modèle de diffusion qui a propulsé les générateurs d'images. Un réseau de compression comprime d'abord la vidéo brute en une représentation latente, et un encodeur découpe ce volume latent en fragments spatiotemporels — de petits cubes d'espace et de temps qui jouent le rôle de tokens. Le transformer apprend ensuite à inverser un processus de bruitage sur ces fragments, partant de la neige statique pour aboutir à un clip cohérent, conditionné par le prompt textuel.
Deux astuces d'entraînement comptent autant que l'architecture. D'abord, Sora s'entraîne sur des vidéos à leur durée, leur résolution et leur format d'image natifs plutôt que de tout recadrer en carré, ce qui permet à un seul modèle de servir aussi bien les clips verticaux de téléphone que les plans grand écran. Ensuite, OpenAI a réutilisé l'idée de recaptionnage de DALL-E 3 : un modèle de sous-titrage rédige un texte dense et descriptif pour les vidéos d'entraînement, si bien que le générateur apprend d'une supervision bien plus riche que le court texte alternatif fourni avec la plupart des jeux de données vidéo. Aucune des deux astuces n'est exotique, mais à grande échelle elles expliquent en bonne partie pourquoi le respect du prompt paraît tellement meilleur que dans les systèmes antérieurs.
De l'aperçu de recherche à l'application
Le dévoilement de février 2024 n'était qu'un aperçu de recherche — un ensemble de démonstrations choisies plus un accès pour les équipes rouges et un petit groupe d'artistes — et c'est resté ainsi la majeure partie de l'année. Le lancement de Sora Turbo sur sora.com en décembre 2024 a ouvert le texte-vers-vidéo, l'image-vers-vidéo et les outils de remixage aux abonnés ChatGPT Plus et Pro, avec des clips plafonnés bien en dessous des démonstrations d'une minute. OpenAI n'a jamais publié le nombre de paramètres ni les détails des données d'entraînement, donc l'essentiel de la compréhension extérieure du système vient de son rapport technique et de l'usage sur le terrain.
L'application de 2025 a marqué un passage de l'outil à la plateforme. Sa fonction de camée permet à une personne d'enregistrer une courte vidéo de vérification, puis de céder sous licence son image à des amis, qui peuvent l'insérer dans des scènes générées avec sa permission. Sora 2, publié à la fin de 2025, a ajouté l'audio synchronisé — dialogues, effets sonores et ambiance générés en même temps que la vidéo — comblant l'un des plus grands écarts avec le Veo 3 de Google. L'application a été lancée sur invitation seulement et a grimpé rapidement les palmarès de téléchargement, ce qui a aussi voulu dire que ses décisions de modération de contenu ont été mises à l'épreuve en public en quelques jours.
Là où il brille et là où il casse
Les forces de Sora sont cinématographiques : mouvements de caméra fluides, éclairage plausible, plusieurs compositions de plan dans une même génération et une large gamme stylistique allant du photoréalisme à l'animation. L'image-vers-vidéo est souvent le mode le plus pratique — fournir une image fixe comme ancrage donne bien plus de contrôle qu'un prompt textuel seul, et les équipes qui bâtissent des maquettes de produit ou des scénarimages commencent généralement par là. Prolonger un clip existant vers l'avant ou vers l'arrière dans le temps fonctionne aussi étonnamment bien pour construire des séquences plus longues.
Les modes d'échec sont tout aussi constants. La physique casse encore à des endroits prévisibles : des objets apparaissent de nulle part, les mains et le texte se brouillent en mouvement, et les enchaînements de cause à effet (verser un liquide, briser un verre) ont souvent l'air justes image par image mais faux en tant qu'événements. Les prompts longs ou complexes se font tronquer en silence dans les faits, les dernières propositions étant ignorées, ce qui fait de l'ingénierie de prompts pour la vidéo une affaire d'itérations sur de courtes descriptions de scène concrètes plutôt que d'écriture de scénarios. La génération est aussi lente et gourmande en calcul comparée aux modèles d'images, donc les cycles d'itération ressemblent plus à du rendu qu'à une conversation.
Ce n'est pas un simulateur du monde
Le rapport technique d'OpenAI présentait les modèles vidéo à grande échelle comme une étape vers des simulateurs généralistes du monde physique, et l'affirmation mérite d'être contestée. Sora apprend la statistique de l'évolution des pixels, pas un modèle causal explicite des objets, des forces ou des agents. C'est pourquoi il peut produire une vague océanique convaincante tout en échouant à montrer une personne qui croque un biscuit et le biscuit qui porte ensuite une marque de morsure — la plausibilité de surface n'est pas le suivi d'état. Le traiter comme un moteur de rendu appris plutôt que comme un moteur physique émergent place les attentes au bon endroit et explique à la fois la magie et la casse. La même réserve s'applique aux prétentions voulant que les modèles vidéo approchent un véritable modèle du monde au sens de l'apprentissage par renforcement : les représentations sont impressionnantes, mais personne n'a démontré qu'elles soutiennent une prédiction et une planification fiables.
Consentement, provenance et la question des deepfakes
Un modèle aussi bon pour fabriquer des séquences hérite de tout le problème des deepfakes, et les réponses d'OpenAI ont été en couches plutôt qu'absolues. Les vidéos générées portent un filigrane visible en mouvement plus des métadonnées de provenance intégrées, la fonction de camée exige un consentement enregistré de la personne représentée, et des filtres de politique bloquent les personnalités publiques et certaines catégories de contenu — même si chacune de ces mesures a été mise à l'épreuve par des utilisateurs déterminés. Les filigranes peuvent être recadrés ou dégradés, et les métadonnées de provenance ne survivent que tant que les plateformes coopèrent, ce qui explique pourquoi le filigranage gagne à être traité comme un signal parmi d'autres plutôt que comme une garantie.
Le volet des droits est tout aussi instable. Des ayants droit ont fait pression sur OpenAI au sujet de personnages protégés apparaissant dans les générations, poussant l'entreprise vers des ententes de retrait volontaire et de partage de revenus, et le modèle de camée est devenu un cas d'espèce sur la façon dont l'octroi de licences d'image pourrait fonctionner à grande échelle. Pour quiconque bâtit sur la vidéo générative, la lecture pratique, c'est que le droit d'auteur en IA sur les sorties et les données d'entraînement demeure une cible mouvante, et que l'outillage de provenance devrait être conçu dès le départ plutôt que greffé après un incident viral.