La scène de la vidéo IA open source vient de gagner un sérieux concurrent. Genmo a publié Mochi 1 à la fin de l’année 2024, avec des poids de modèle entièrement disponibles publiquement, et depuis, il s’intègre peu à peu dans des chaînes de production, des flux de travail créatifs et des projets de recherche dans le monde entier. Si vous suivez l’évolution du texte vers vidéo et que vous vous demandez si une option gratuite peut vraiment rivaliser avec les alternatives payantes, Mochi 1 est la première réponse concrète qui mérite d’être prise au sérieux.
Ce qu’est vraiment Mochi 1
Mochi 1 est un modèle de diffusion texte vers vidéo développé par Genmo, une entreprise de recherche en IA spécialisée dans la génération de vidéos multimodale. Publié sous licence Apache 2.0, c’est l’un des modèles vidéo open source les plus permissifs disponibles. Cela signifie que vous pouvez le télécharger, l’exécuter en local, le modifier, le soumettre à un fine-tuning et utiliser les résultats à des fins commerciales sans payer de redevances.
Le modèle génère des vidéos haute fidélité pouvant atteindre 5,4 secondes en 480p, avec une forte cohérence temporelle d’une image à l’autre. Il a été entraîné sur un très grand jeu de données vidéo et conçu spécifiquement pour produire un mouvement fluide et naturel, plutôt que les mouvements saccadés ou déformés qui affectaient les premières alternatives open source.
Le transformeur de diffusion asymétrique
Ce qui distingue Mochi 1 sur le plan technique, c’est son architecture. Plutôt que d’utiliser une structure de transformeur de diffusion classique, Genmo a conçu ce qu’il appelle un Transformeur de diffusion asymétrique (AsymmDiT). Cette approche traite les tokens vidéo et les tokens texte de façon fondamentalement différente :
- Les tokens vidéo concentrent l’essentiel du calcul et des couches d’attention
- Les tokens texte interagissent avec les tokens vidéo grâce à un mécanisme d’attention croisée léger
- Le résultat : une meilleure fidélité et une meilleure qualité de mouvement pour chaque unité de calcul dépensée
Cela a son importance, car la plupart des modèles de diffusion vidéo traitent les tokens texte et vidéo de manière symétrique, ce qui gaspille du budget de calcul côté texte. AsymmDiT concentre ce calcul là où il compte réellement.
Pourquoi l’open source change la donne
Les outils de génération vidéo fermés contrôlent ce que vous pouvez créer, à quelle résolution et pour quel usage. Mochi 1 supprime entièrement ces restrictions. Les chercheurs peuvent le soumettre à un fine-tuning sur des domaines spécifiques, comme l’imagerie médicale, la visualisation architecturale ou la mode. Les développeurs peuvent l’intégrer dans des applications sur mesure. Les créateurs sont propriétaires de chaque image qu’ils produisent.
La licence Apache 2.0 autorise également l’usage commercial, ce qui rend Mochi 1 viable pour les agences et les studios de production qui doivent garder des coûts de chaîne de contenu prévisibles.
Ce que Mochi réussit bien
Toutes les versions open source ne tiennent pas leurs promesses. Mochi 1 se démarque dans trois domaines précis que les utilisateurs mettent régulièrement en avant dans les comparatifs de la communauté.
Un mouvement qui tient la route
Le défaut le plus courant de la vidéo IA est l’instabilité temporelle : les visages se déforment d’une image à l’autre, les objets scintillent, les arrière-plans bougent de façon peu naturelle. Mochi 1 gère mieux ce problème que les modèles open source précédents. L’architecture AsymmDiT, associée à un entraînement sur un jeu de données soigneusement sélectionné riche en mouvements, produit des vidéos où les sujets se déplacent de façon cohérente et où les environnements restent stables pendant toute la séquence.
💡 Astuce pro : les prompts qui décrivent un mouvement continu (une personne qui marche, de l’eau qui coule, des feuilles qui tombent) donnent les meilleurs résultats de Mochi. Les descriptions de scènes statiques ne fournissent pas au modèle assez de structure de mouvement pour travailler.
L’expressivité dans le mouvement des personnages
L’un des points forts de Mochi est l’expression du visage et du corps. Lorsqu’un prompt décrit une personne qui réagit émotionnellement, Mochi tend à rendre cette réaction de manière convaincante, plutôt que de recourir à une expression figée avec un mouvement des lèvres. Cela le rend particulièrement utile pour les contenus narratifs, les courts métrages et les vidéos pour les réseaux sociaux qui exigent une véritable présence des personnages.
La fidélité au prompt
Mochi 1 suit des descriptions de prompt complexes plus fidèlement que de nombreuses alternatives au même prix (gratuit). Vous pouvez préciser le mouvement de caméra, le comportement du sujet et les détails de l’environnement dans un seul prompt, et vous attendre à ce que le modèle tente de tout réaliser. Les résultats ne sont pas toujours parfaits, mais la fidélité à votre intention est visible.
Mochi 1 face à d’autres modèles vidéo
Il est utile de replacer Mochi 1 dans le paysage actuel. Le texte vers vidéo compte des dizaines de modèles, gratuits comme payants. Voici comment Mochi se compare à ceux que rencontrent le plus souvent les créateurs :
| Modèle | Open source | Résolution | Qualité du mouvement | Licence |
|---|
| Mochi 1 | Oui | 480p | Excellente | Apache 2.0 |
| CogVideoX 5B | Oui | 480p | Bonne | Apache 2.0 |
| LTX Video | Oui | 768p | Bonne | Apache 2.0 |
| Hunyuan Video | Oui | 720p | Très bonne | Personnalisée |
| Sora | Non | 1080p | Excellente | Fermée |
| Kling | Non | 1080p | Très bonne | Fermée |
Le tableau raconte une histoire claire : Mochi 1 se place en tête de la catégorie open source pour la qualité du mouvement, même s’il cède du terrain en résolution face à des modèles plus récents comme Hunyuan. Pour les équipes qui privilégient un mouvement expressif à la résolution brute, Mochi reste le meilleur choix gratuit.
Quand les modèles payants ont du sens
Les options payantes comme Kling v2.6 ou Pixverse v5 produisent des clips plus longs (jusqu’à 10 secondes ou plus), des résolutions plus élevées et une génération plus rapide sur du matériel professionnel. Si vous produisez du contenu commercial à grande échelle et que la qualité n’est pas négociable, une offre payante devient justifiée. Mais pour le prototypage, l’expérimentation créative ou les productions indépendantes disposant de budgets plus modestes, Mochi 1 offre des résultats sérieux sans abonnement.
PicassoIA héberge directement Mochi 1, ce qui vous permet de l’utiliser dans le navigateur sans configurer d’environnement local, sans télécharger les poids du modèle ni gérer de matériel GPU. Voici la procédure, étape par étape :
Étape 1 : ouvrez la page du modèle
Rendez-vous sur Mochi 1 sur PicassoIA. L’interface affiche un champ de prompt épuré, avec les réglages des paramètres dans le panneau latéral. Aucun compte n’est nécessaire pour prévisualiser les résultats.
Étape 2 : rédigez votre prompt
Votre prompt est la variable la plus importante. Mochi 1 répond mieux aux prompts qui sont :
- Précis sur le mouvement : « une femme tourne lentement la tête vers la gauche » vaut mieux que « une femme »
- Descriptifs sur l’environnement : indiquez les conditions d’éclairage, les détails de l’arrière-plan et le contexte de la scène
- Concis mais complets : de 30 à 60 mots est généralement le juste milieu
Exemple de prompt qui fonctionne bien :
« Une jeune femme assise près d’une fenêtre striée de pluie, qui tourne lentement la tête pour regarder la caméra, une lumière chaude de lampe d’intérieur sur le visage, les lumières floues de la ville en arrière-plan, une atmosphère cinématographique douce »
Étape 3 : réglez vos paramètres
L’interface du modèle sur PicassoIA expose quelques paramètres importants :
| Paramètre | Rôle | Valeur recommandée |
|---|
| Steps | Étapes de débruitage de l’inférence | 64 pour la qualité, 30 pour la vitesse |
| CFG Scale | Degré de fidélité au prompt | 4,5 à 6,0 |
| Seed | Contrôle de la reproductibilité | Aléatoire pour la variété |
Étape 4 : générez et itérez
Cliquez sur générer et patientez. Mochi 1 n’est pas instantané, même sur du matériel cloud, mais la génération se termine généralement en moins de 2 minutes. Si le premier résultat ne correspond pas à votre vision, modifiez d’abord le prompt plutôt que les paramètres. Le modèle est plus sensible aux changements de formulation qu’aux ajustements numériques.
💡 Astuce : ajoutez des indications de mouvement au début du prompt. « Panoramique lent sur… » ou « Gros plan de mains qui… » définissent la caméra et le contexte du mouvement avant la description du sujet, et améliorent systématiquement les résultats.
Étape 5 : augmentez la résolution si nécessaire
Comme Mochi 1 produit des vidéos en 480p, vous voudrez peut-être passer le résultat dans un outil de super-résolution pour l’amener en 720p ou en 1080p avant publication. PicassoIA propose des modèles de super-résolution qui augmentent efficacement la résolution des images d’une vidéo, sans perte notable de qualité sur les détails fins.
Cas d’usage concrets de Mochi 1
Les capacités théoriques comptent moins que ce que les gens construisent réellement avec ce modèle. Voici les catégories dans lesquelles Mochi 1 donne régulièrement de bons résultats.
Réseaux sociaux et contenus courts
TikTok, Instagram Reels et YouTube Shorts ont créé une demande constante de vidéos courtes, visuellement attrayantes sans être forcément cinématographiques. Les clips de 5 secondes de Mochi 1 correspondent précisément à ce format. Une créatrice de mode peut générer des plans d’insertion montrant un mannequin dans un cadre extérieur naturel. Un blogueur culinaire peut mettre en mouvement une recette. Un compte de voyage peut produire des teasers de destinations sans équipe de tournage.
La sortie en 480p convient aux plateformes pensées d’abord pour le mobile, où les spectateurs regardent sur de petits écrans avec une diffusion compressée.
Storyboard et prévisualisation
Les réalisateurs de films et les producteurs publicitaires utilisent la vidéo IA pour les animatiques, ces tests de mouvement sommaires réalisés avant de lancer des tournages coûteux. Mochi 1 convient bien ici, car son mouvement de personnage est suffisamment convaincant pour transmettre l’énergie d’une scène à un client ou à un directeur de création, sans le fini d’une production définitive. Pour les cinéastes indépendants en particulier, pouvoir générer une prévisualisation sans budget constitue un avantage opérationnel considérable.
Recherche et fine-tuning de modèles
Comme les poids sont entièrement ouverts, Mochi 1 est devenu une base pour la recherche. Des équipes soumettent le modèle à un fine-tuning sur des domaines visuels spécifiques : visites architecturales, simulation médicale, dynamique des véhicules et captation du mouvement sportif. La licence Apache 2.0 signifie que ces versions affinées peuvent être déployées commercialement sans complications juridiques.
Intégrations pour les développeurs
Le modèle peut être appelé via une API sur des plateformes comme Replicate, ce qui permet d’intégrer facilement la génération de vidéos IA dans des applications web, des applications mobiles et des chaînes d’automatisation. Un développeur qui crée un outil de cartes de vœux vidéo personnalisées, par exemple, pourrait intégrer Mochi 1 comme moteur de génération sans construire une infrastructure d’inférence sur mesure à partir de zéro.
Autres modèles vidéo gratuits à connaître
Mochi 1 est l’option open source la plus performante pour la qualité du mouvement, mais ce n’est pas la seule. Selon vos besoins, ces alternatives peuvent mieux convenir à certains projets :
CogVideoX 5B
CogVideoX 5B, développé par Tsinghua University et Zhipu AI, est un autre modèle Apache 2.0 solide. Il gère particulièrement bien l’alignement texte-vidéo et produit des scènes cohérentes lorsque le prompt décrit des interactions précises entre objets. Il est légèrement en retrait par rapport à Mochi sur le mouvement expressif des personnages, mais c’est un second choix fiable pour les contenus narratifs.
Pyramid Flow
Pyramid Flow repose sur une approche de diffusion pyramidale qui permet une génération efficace sur plusieurs résolutions. Il est plus rapide que Mochi sur le même matériel et donne de bons résultats pour les contenus de paysage et d’environnement, où l’expressivité des personnages compte moins que la qualité de la scène.
Stable Diffusion Videos
Stable Diffusion Videos reste une option solide pour quiconque travaille déjà avec l’écosystème Stable Diffusion. Sa fidélité est inférieure à celle de Mochi, mais il s’intègre facilement aux flux de travail SD existants et aux chaînes ControlNet pour un contrôle structuré du mouvement.
Quand choisir Wan à la place
La série Wan 2.7 T2V produit des vidéos en 1080p et prend en charge des durées de clip plus longues. Si la résolution et la longueur des clips comptent davantage que l’accès open source, Wan 2.7 mérite d’être envisagé. Il est disponible sur PicassoIA et produit des résultats cinématographiques pour les contenus commerciaux qui exigent une qualité prête à publier dès la sortie.
Des schémas de prompts qui fonctionnent vraiment
Rédiger des prompts pour Mochi 1 est une compétence qui se développe avec la pratique, mais quelques schémas donnent systématiquement de bons résultats dès le départ.
La formule sujet-action-environnement-lumière :
Commencez par le sujet et ce qu’il fait, puis décrivez l’environnement, puis précisez l’éclairage. Cela donne au modèle une structure spatiale et temporelle claire.
Exemple : « Un homme en chemise de lin porte lentement une tasse de café à ses lèvres, assis à une table de bistro en bois sur une terrasse extérieure ensoleillée, lumière chaude de l’après-midi venant du haut à gauche, faible profondeur de champ »
À éviter :
- Ne décrivez pas plusieurs sujets aux actions concurrentes dans un même prompt
- Évitez les états abstraits ou émotionnels sans ancrage physique (« un sentiment de joie » ne donne rien d’utile ; « une personne qui rit en levant les yeux vers la pluie qui tombe » fonctionne)
- Ne demandez pas de textes superposés ni de typographie précise dans la vidéo
Prompts négatifs utiles :
Ajouter des indications négatives comme « flou », « visages déformés », « filigrane » et « faible qualité » améliore systématiquement le résultat, même lorsque le prompt de base est déjà bien écrit. C’est particulièrement vrai pour les gros plans de visages.
La course à la vidéo IA open source
Mochi 1 est arrivé à un moment où plusieurs équipes bien financées misaient toutes sur les modèles vidéo open source comme stratégie de construction de communauté. Stability AI, Tencent, Lightricks et Genmo ont tous publié des poids ouverts dans un intervalle court, à la fin de l’année 2024 et au début de 2025. Le résultat est un écosystème open source plus riche que quiconque l’avait prévu.
Genmo a été transparent sur sa feuille de route : des sorties en plus haute résolution, des durées de clip plus longues et des versions affinées entraînées sur des catégories de contenus spécifiques sont toutes en cours de développement. La communauté autour de Mochi sur Hugging Face a déjà produit des fine-tunings optimisés pour l’anime, le photoréalisme et la vidéo de portrait, ce qui montre à quelle vitesse un modèle ouvert peut être adapté.
Pour les créateurs, cela signifie que le plafond de qualité de la génération vidéo gratuite monte rapidement. Des modèles qui auraient nécessité des centaines de dollars par mois de calcul dans le cloud en 2023 sont aujourd’hui accessibles depuis un navigateur et un prompt texte.
Commencez à créer dès maintenant
Si vous attendez un outil de vidéo IA gratuit, permissif et qui donne réellement de bons résultats, Mochi 1 est celui-là. Le modèle est accessible sur PicassoIA dès maintenant, sans téléchargement ni abonnement.
Essayez Mochi 1 avec une courte scène de portrait ou un simple clip d’environnement. Une fois les bases maîtrisées, expérimentez des prompts plus longs et plus détaillés, et passez le résultat dans l’un des outils de super-résolution de PicassoIA pour pousser la qualité finale plus haut avant publication.
Au-delà de Mochi, PicassoIA héberge plus de 100 modèles de génération vidéo dans la collection texte vers vidéo, allant des options open source gratuites aux modèles commerciaux les plus puissants disponibles. Consacrez une session à comparer les résultats de Mochi 1, Wan 2.7 et Kling v2.6 côte à côte. La différence dans ce que chaque modèle gère bien vous en dira plus que n’importe quel tableau de benchmarks.
La communauté de la génération vidéo open source construit quelque chose de véritablement utile. Mochi 1 prouve qu’il n’est pas nécessaire de payer plus cher pour créer des contenus vidéo IA convaincants.
