Claude peut-il traiter une vidéo ? Formats pris en charge, limites et solutions de contournement

Claude n’accepte pas les fichiers MP4 ou MOV en entrée, mais vous pouvez tout de même obtenir des réponses précises sur des séquences vidéo. Cet article liste les formats que Claude lit, les limites d’images et de tokens qui s’appliquent, et cinq solutions pratiques reposant sur des images extraites, des transcriptions et le découpage.

Claude peut-il traiter une vidéo ? Formats pris en charge, limites et solutions de contournement
Cristian Da Conceicao

Vous glissez un MP4 dans la fenêtre de discussion, vous envoyez, et vous attendez un résumé. Avec Claude, ce moment se termine généralement par une erreur ou un refus poli. Claude n’accepte pas les fichiers vidéo en entrée. Il lit le texte, les images fixes et les documents, et c’est à partir de là que l’histoire commence, et non qu’elle s’arrête. Transformez un clip en quelques images bien choisies accompagnées d’une transcription, et Claude peut décrire des scènes, repérer des erreurs, extraire le texte à l’écran et rédiger des résumés étonnamment précis. Cet article présente ce que Claude lit, les limites qui s’appliquent et cinq solutions qui tiennent la route avec de vraies séquences.

La réponse courte

Réalisateur disposant des images imprimées d’une vidéo sur une table en noyer

Ce que Claude accepte aujourd’hui

Les entrées documentées de Claude sont le texte, les images fixes et les PDF. Il n’existe aucun emplacement d’import pour les MP4, MOV, WebM ou AVI, et aucune prise en charge de la piste audio non plus. Si vous envoyez un fichier vidéo via un appel API, vous obtiendrez une erreur de validation, car le type de contenu n’est pas reconnu. Il en va de même pour les applications Claude : si vous joignez une vidéo, elle est rejetée ou ignorée.

Anthropic met souvent à jour ses modèles, donc vérifiez la documentation vision actuelle avant de bâtir un produit sur cette base. La tendance observée jusqu’ici reste toutefois constante : la compréhension des images progresse, alors que l’entrée vidéo brute n’a pas été un type de contenu pris en charge.

💡 Test rapide : si un type de fichier ne figure pas parmi les entrées image ou document du modèle, considérez-le comme non pris en charge. Ne comptez pas sur une interface de discussion pour le traiter silencieusement, car elle peut ignorer le fichier et répondre uniquement à partir de votre prompt textuel.

Ce que signifie vraiment « prise en charge de la vidéo »

Quand on demande si Claude « regarde » une vidéo, on veut généralement l’une de ces trois choses :

  • Un résumé de ce qui se passe dans un clip
  • Des réponses précises sur un moment donné (« que dit la boîte d’erreur à 02:14 ? »)
  • L’extraction de contenu, comme des diapositives, du code à l’écran ou des paroles prononcées

Chacune de ces tâches peut être réalisée sans entrée vidéo native. Une vidéo n’est qu’une suite d’images accompagnée d’une piste audio. Claude est performant avec les images et le texte : vous lui fournissez donc l’audio sous forme de transcription et les éléments visuels sous forme d’images échantillonnées. Ce que vous perdez, c’est le mouvement continu : Claude voit des instantanés, pas un flux, il peut donc manquer des gestes rapides, des mouvements de caméra subtils ou tout ce qui n’existe qu’entre deux images.

Les formats pris en charge en un coup d’œil

Pellicule vintage avec des images d’un cycliste déroulées sur un établi en bois

Les formats d’image que Claude lit

Les types d’images acceptés sont les formats web habituels. Tout le reste doit être converti avant d’être envoyé.

Type d’entréePris en chargeRemarques
JPEGOuiMeilleur choix pour les images photographiques extraites d’une vidéo, taille de fichier réduite
PNGOuiAdapté aux captures d’écran, aux diapositives et aux images riches en texte
WebPOuiCompact, convient aux photos comme aux captures d’écran
GIFPartiellementTraitez-le comme non animé ; ne vous attendez pas à ce que le mouvement soit lu
MP4, MOV, WebM, AVINonExtrayez d’abord les images et l’audio
MP3, WAV, M4ANonTranscrivez d’abord en texte
PDFOuiUtile pour les présentations exportées d’un enregistrement

Pourquoi les GIF animés déçoivent

Un GIF semble être le raccourci évident pour les courts clips, mais Claude ne lit pas les animations. Attendez-vous à ce qu’une seule image soit utilisée : un GIF de dix secondes ne vous apporte donc pas plus d’informations qu’une seule capture d’écran. Si un GIF est tout ce que vous avez, découpez-le en fichiers PNG séparés et envoyez-les à la place.

Audio et sous-titres

Il n’existe pas non plus de voie directe pour l’audio. Si votre vidéo contient de la parole, il vous faut une transcription. Deux solutions simples existent sur PicassoIA : GPT 4o Transcribe pour la précision, et GPT 4o Mini Transcribe lorsque la vitesse et le coût comptent davantage. Gemini 3 Pro est une autre option pour l’étape de transcription. Si votre vidéo est déjà accompagnée d’un fichier de sous-titres SRT ou VTT, vous pouvez coller ce texte directement dans le prompt et ignorer la transcription.

Les limites qui vous joueront des tours

Vue de dessus du bureau d’un créateur avec ordinateur portable, disque dur, caméra et carte SD

Nombre d’images par requête

Les flux de travail fondés sur les images atteignent rapidement le plafond. Au moment de la rédaction, l’API Claude accepte jusqu’à environ 100 images par requête sur les modèles dotés d’une fenêtre de contexte de 200k tokens, avec un plafond plus élevé sur les modèles offrant un contexte étendu. Dans les applications Claude, la limite est bien plus basse, autour de 20 images par message. Vérifiez les chiffres actuels dans la documentation d’Anthropic, car ils changent d’une génération de modèles à l’autre.

En pratique, cela signifie qu’une requête peut contenir environ une image toutes les deux secondes pour un clip de trois minutes, et encore, en supposant que vous consacriez tout votre budget aux images. Pour une vidéo plus longue, il faudra la découper, ce que nous verrons plus bas.

Taille des fichiers et résolution

Deux plafonds distincts s’appliquent :

  • Taille par image : les limites se situent entre quelques mégaoctets et une quinzaine de mégaoctets, et elles diffèrent entre l’API directe et les plateformes cloud partenaires.
  • Taille totale de la requête : le point d’accès API standard impose une limite globale de quelques dizaines de mégaoctets, que l’encodage base64 consomme rapidement.

La résolution compte aussi. Les très grandes images sont réduites avant que le modèle ne les voie : importer une image 4K gaspille donc de la bande passante sans ajouter de détails. Un grand côté d’environ 1 280 à 1 568 pixels est une cible raisonnable. Si vous devez lire un petit texte à l’écran, recadrez la zone utile plutôt que d’augmenter la résolution de l’image entière.

Le coût en tokens des images

Les images consomment du contexte, et ce coût dépend de la surface en pixels. Une règle approximative est largeur × hauteur ÷ 750 tokens par image. Une image de 1280 × 720 représente donc environ 1 200 tokens.

Images envoyéesTokens approx. (720p)Usage typique
1012 000Résumé d’un court clip
3036 000Tutoriel d’une minute
6072 000Plusieurs minutes, une scène par image
100120 000Proche du plafond pour une fenêtre de 200k

💡 Conseil budget : gardez au moins 20 % de la fenêtre de contexte libres pour vos instructions et la réponse de Claude. La remplir à ras bord avec des images produit souvent des réponses plus superficielles.

Cinq solutions qui fonctionnent

Développeur tapant dans un bureau sombre avec un terminal et des fichiers image numérotés à l’écran

1. Échantillonner les images à intervalle fixe

L’approche la plus simple consiste à extraire une image toutes les N secondes avec ffmpeg et à les envoyer dans l’ordre. Elle fonctionne bien pour les conférences, les tutoriels et les enregistrements d’écran dont le contenu change lentement.

ffmpeg -i input.mp4 -vf "fps=1/2,scale=1280:-1" frames/frame_%03d.jpg

Cette commande extrait une image toutes les deux secondes, à 1280 pixels de large. Nommez les fichiers avec des numéros séquentiels pour que l’ordre soit évident, et indiquez l’intervalle à Claude dans votre prompt : « Ces images sont espacées de 2 secondes, dans l’ordre. »

2. Choisir les images aux changements de plan

L’échantillonnage fixe gaspille du budget sur les plans statiques et manque les coupes rapides. La détection de scènes résout les deux problèmes en n’enregistrant une image que lorsque l’image change suffisamment.

ffmpeg -i input.mp4 -vf "select='gt(scene,0.3)',scale=1280:-1" -vsync vfr frames/scene_%03d.jpg

Abaissez le seuil (0,2) pour les changements subtils et relevez-le (0,4) pour les séquences bruitées. Cette méthode offre généralement une meilleure couverture par token qu’un intervalle fixe, surtout pour les vidéos montées avec de nombreuses coupes.

3. Associer les images à une transcription

Gros plan d’un micro à condensateur avec filtre anti-pop dans une pièce traitée acoustiquement

Les images seules ne rendent pas compte de tout ce qui est dit. Isolez l’audio, transcrivez-le et ajoutez des horodatages pour que Claude puisse faire correspondre les mots et les éléments visuels.

ffmpeg -i input.mp4 -vn -ac 1 -ar 16000 audio.mp3

Envoyez cet audio dans GPT 4o Transcribe, puis collez le texte au-dessus de vos images. Un prompt tel que « Voici la transcription avec horodatages, suivie d’images extraites toutes les 5 secondes. Résume la vidéo et signale tout moment où la parole et les images ne concordent pas » donne à Claude une vue complète. Cette combinaison est la méthode polyvalente la plus efficace, et elle coûte bien moins de tokens qu’un échantillonnage dense d’images.

4. Créer des planches de contact

Lorsque vous avez trop d’images pour une seule requête, assemblez-en plusieurs dans une grille unique. Douze images dans une grille de 4 par 3 comptent comme une seule image au regard du plafond. Le compromis porte sur le détail : chaque vignette est petite, donc cette méthode convient aux questions au niveau de la scène (« lequel de ces plans montre le produit ? ») plutôt qu’à la lecture de petits caractères. Gardez les vignettes d’au moins 320 pixels de large et indiquez à Claude l’ordre de la grille, de gauche à droite et de haut en bas.

5. Découper les longues vidéos

Pour toute vidéo de plus de quelques minutes, divisez-la en segments, faites traiter chacun par Claude, puis demandez-lui de fusionner les notes.

  1. Découpez la vidéo en segments de 2 à 5 minutes.
  2. Envoyez la transcription et les images de chaque segment avec le même prompt.
  3. Enregistrez chaque réponse sous la forme d’un résumé court et structuré.
  4. Dans une requête finale, collez les résumés et demandez une vue d’ensemble unique.

Monteur vidéo dans une salle sombre avec casque, examinant une timeline de plans

Ce schéma de type map-then-reduce garde chaque requête bien en dessous des limites et permet de retracer facilement les erreurs. Si un segment donne une mauvaise réponse, vous ne relancez que ce segment.

Utiliser Claude sur PicassoIA pour le travail vidéo

PicassoIA héberge plusieurs modèles Claude au même endroit, ce qui vous permet de lancer le flux images et transcription sans jongler entre plusieurs comptes. Les options comprennent Claude Sonnet 5, Claude Fable 5, Claude Opus 4.7, Claude Sonnet 4.6 et Claude 4 Sonnet. Les entrées proposées peuvent varier d’un modèle à l’autre, alors ouvrez la page de chaque modèle et vérifiez si l’entrée image est disponible avant de planifier une exécution basée sur des images.

Petite équipe réunie autour d’un ordinateur portable examinant les résultats dans un bureau lumineux

Mise en place étape par étape

  1. Préparez les fichiers. Extrayez les images avec ffmpeg et transcrivez l’audio avec l’un des modèles de reconnaissance vocale indiqués plus haut.
  2. Ouvrez un modèle Claude. Claude Sonnet 5 est une valeur sûre pour les tâches mêlant images et texte. Choisissez Claude Opus 4.7 lorsque vous avez besoin d’un raisonnement plus poussé sur de nombreuses images.
  3. Rédigez un prompt structuré. Indiquez l’intervalle entre les images, collez la transcription avec horodatages et précisez exactement le résultat attendu.
  4. Joignez les images. Gardez-les dans l’ordre et nommez-les clairement.
  5. Posez une question à la fois. D’abord les résumés, puis les questions de suivi sur des moments précis.

Conseils de prompt utiles

  • Indiquez à Claude la durée de la vidéo et l’espacement des images, car il ne peut déduire ni l’un ni l’autre.
  • Demandez-lui de citer les numéros d’images lorsqu’il décrit une scène, ce qui permet de repérer facilement les hallucinations.
  • Demandez un tableau avec horodatage, événement et niveau de confiance lorsque vous avez besoin d’une chronologie.
  • Ajoutez une ligne du type « si quelque chose n’est pas visible sur les images, dites-le » pour l’empêcher de combler les lacunes par des suppositions.

Quand un autre modèle convient mieux

Étudiant relisant l’enregistrement d’un cours sur un ordinateur portable à une table de bibliothèque

Certaines tâches exigent réellement une vidéo native : évaluer la qualité du mouvement, comprendre la langue des signes, suivre une action sportive rapide ou vérifier la synchronisation entre le son et l’image. Pour ces cas, la famille Gemini de Google est conçue pour accepter la vidéo directement via l’API de Google. Sur PicassoIA, vous pouvez essayer Gemini 3.1 Pro, Gemini 3.5 Flash et Gemini 3 Flash. Comme pour Claude, ouvrez la page de chaque modèle pour voir les entrées proposées.

TâcheMeilleure approche
Résumer une conférence ou un tutorielClaude avec transcription et images échantillonnées
Lire du code ou des diapositives depuis un enregistrement d’écranClaude avec des images PNG aux changements de plan
Évaluer le mouvement, le rythme ou les gestesUn modèle avec entrée vidéo native
Examiner un très long enregistrementDécouper, résumer, puis fusionner
Vérification rapide du contenu de nombreux clipsUn modèle rapide comme Gemini 3.5 Flash

Parmi les autres options de la même catégorie figurent GPT 5.4 et Qwen3.7-Plus, ce dernier étant présenté comme capable de lire les images en combinaison avec le texte. Ils valent la peine d’être testés sur le même jeu d’images pour comparer leur façon de gérer les petits détails et le texte.

💡 Comparaison équitable : envoyez les mêmes images, la même transcription et le même prompt à deux modèles. Les différences entre les réponses vous en apprendront plus que n’importe quelle fiche technique.

Améliorer d’abord la source

Une entrée de mauvaise qualité donne des réponses vagues. Si votre clip est flou, bruité ou de petite taille, faites un upscaling (augmentation de la résolution) avant d’extraire les images. Video Upscale rend la séquence plus nette, afin que le texte à l’écran et les visages restent lisibles après la réduction à 1280 pixels. Cela aide surtout pour les anciennes captures d’écran, les enregistrements faits au téléphone et les imports compressés.

Erreurs courantes

Œil d’un opérateur caméra derrière le viseur d’une caméra de cinéma sur un toit ensoleillé

La plupart des tentatives échouées remontent aux mêmes erreurs :

  • Envoyer trop d’images. Plus d’images ne signifie pas de meilleures réponses. Trente images bien choisies valent mieux qu’une centaine de quasi-doublons.
  • Oublier l’ordre. Si les images sont mélangées ou non numérotées, Claude devinera la séquence et inventera une histoire.
  • Sauter la transcription. La parole porte l’essentiel du sens dans les interviews, les réunions et les cours.
  • Utiliser des images surdimensionnées. Augmenter la résolution au-delà de ce que le modèle exploite ne fait que consommer des tokens et alourdir la requête.
  • Faire confiance aux affirmations sur le mouvement. Claude voit des instantanés. S’il affirme que « la caméra effectue un panoramique vers la gauche », c’est une déduction à partir de deux images, pas une observation.
  • Ignorer les différences entre plateformes. Le même modèle peut avoir des plafonds d’images différents sur l’API directe, les applications et les plateformes cloud partenaires.
  • Poser des questions vagues. « Que se passe-t-il dans cette vidéo ? » donne une réponse vague. « Listez chaque produit présenté et l’horodatage de sa première apparition » donne une réponse utile.

Une bonne habitude consiste à demander à Claude de désigner les numéros d’images exacts qui sous-tendent chaque affirmation. Si une déclaration ne peut être rattachée à une image ou à une ligne de transcription, méfiez-vous.

Lancez votre premier test d’images

Claude ne peut pas ouvrir un fichier vidéo, mais il peut raisonner sur presque tout ce qu’il contient si vous lui fournissez les bons éléments. Commencez petit : choisissez un clip de 60 secondes, extrayez 20 images, transcrivez l’audio et demandez un résumé horodaté. Comparez ensuite le résultat avec un second modèle pour voir lequel lit le mieux vos images.

PicassoIA réunit les modèles Claude, les modèles Gemini, les outils de reconnaissance vocale et l’upscaling vidéo au même endroit, pour que vous puissiez mener toute l’expérience sans changer d’onglet. Ouvrez Claude Sonnet 5 ou Claude Opus 4.7, essayez le prompt images et transcription de cet article, et parcourez le reste sur picassoia.com/en/all-models. Vous n’êtes qu’à quelques images de votre premier résumé vidéo utile.

Partager cet article

Choisissez votre langue

FreeCréez des images et vidéos IAGratuit, sans carte bancaireGénérations gratuites pour commencerSeedance 2.5 Lite inclusCommencez gratuitement