Benchmark de Veo 3 : tests de réalisme, scores de qualité, exemples et alternatives

Un examen pratique de la façon dont Veo 3 de Google se comporte face aux tests décisifs pour le réalisme : visages, mains, physique de l'eau, foules et audio natif. Vous obtenez une grille de notation pondérée, les scores publiés par les critiques, des scènes de test et quatre modèles vidéo utilisables dès aujourd'hui.

Benchmark de Veo 3 : tests de réalisme, scores de qualité, exemples et alternatives
Cristian Da Conceicao

Toutes les quelques semaines, un nouveau modèle vidéo d’IA affirme être « impossible à distinguer d’une vraie prise de vue », et toutes les quelques semaines, quelqu’un publie un clip avec des mains à six doigts ou de l’eau qui coule vers le haut. Si vous hésitez à intégrer Veo 3 de Google à votre flux de travail, les démos mises en avant ne vous aideront pas. Un benchmark reproductible le fera. Cet article présente un test de réalisme que vous pouvez mener vous-même, montre les scènes qui révèlent le plus vite les points faibles, résume les scores de qualité publiés par les critiques et vous indique quatre alternatives utilisables dès aujourd’hui.

Une remarque avant de commencer : Veo 3 n’est pas disponible sur PicassoIA. Veo 3.1, son successeur, l’est, ainsi que plusieurs concurrents. Ils sont présentés dans la section consacrée aux alternatives, avec des liens directs.

Pourquoi Veo 3 reste au centre des benchmarks

Veo 3 est sorti en mai 2025 et a changé les attentes envers la vidéo par IA, car il générait l’audio synchronisé en même temps que l’image : dialogues, pas, bruits ambiants, le tout en une seule passe. Avant cela, la plupart des modèles texte vers vidéo produisaient des clips muets et vous laissaient le soin de la bande son.

Veo 3.1 a suivi le 15 octobre 2025, environ cinq mois plus tard. Une analyse tierce décrit les deux versions comme partageant la même architecture sous-jacente, les progrès se manifestant dans la qualité audio, la synchronisation labiale et la prise en charge de la vidéo verticale plutôt que dans une refonte complète. Cette affirmation provient d’une source secondaire : considérez-la donc comme un avis éclairé, et non comme une caractéristique confirmée.

Pourquoi cela compte-t-il pour un benchmark ? Parce que Veo 3 reste le point de référence auquel de nombreux créateurs se comparent. Quand un nouveau modèle apparaît, la première question est généralement : « est-il meilleur que Veo 3 ? » Pour y répondre honnêtement, il vous faut un test qui ne dépend pas de clips triés sur le volet.

Cinéaste examinant une image figée d’une vidéo sur un moniteur de référence

💡 Une note de transparence : les photographies de cet article sont des images de référence illustratives de chaque scène de test, montrant à quoi ressemble un résultat réussi. Ce ne sont pas des sorties de Veo 3, et l’article ne publie aucun score Veo 3 inventé. Les chiffres cités plus loin proviennent d’avis publics et sont décrits avec nos propres mots.

La grille de notation

Le réalisme n’est pas une notion unique. Un clip peut avoir une peau impeccable et échouer parce que la vapeur du café tourne en boucle. Un bon benchmark découpe le réalisme en plusieurs parties et les pondère.

Six catégories, une note chacune

Notez chaque catégorie de 1 à 10, puis appliquez les pondérations ci-dessous.

CatégorieCe que vous vérifiezPondération
Visages et peauPores, asymétrie, fréquence des clignements, micro-expressions20 %
Mains et corpsNombre de doigts, prise, flexion des articulations, démarche20 %
PhysiqueEau, tissus, fumée, gravité, collisions20 %
Caméra et lumièreComportement de l’objectif, profondeur de champ, ombres cohérentes15 %
Stabilité temporelleObjets qui conservent leur forme et leur identité d’une image à l’autre15 %
Accord avec l’audioSon cohérent avec l’action, synchronisation labiale, pas de décalage10 %

Les visages, les mains et la physique ont les pondérations les plus lourdes, car les spectateurs repèrent ces défauts instantanément. L’audio a la pondération la plus faible uniquement parce que beaucoup de projets le remplacent en post-production.

La règle des 5 secondes

Regardez chaque clip une fois à vitesse normale, puis une seconde fois sans le son. La plupart des défauts se cachent au second visionnage. Si vous remarquez quelque chose d’étrange dans les cinq premières secondes, le public le remarquera aussi. Retirez alors au moins deux points dans cette catégorie.

Gardez le prompt constant

Utilisez le même texte de prompt pour chaque modèle comparé. Changez de modèle, pas de formulation. Générez au moins trois prises par prompt, car un seul clip réussi par chance ne dit presque rien de la régularité. Notez la prise médiane, et non la meilleure.

Vue de dessus d’une fiche de notation imprimée à côté d’un ordinateur portable et d’une carte de contrôle des couleurs

Des tests de réalisme qui révèlent les points faibles

Ces six scènes ont été choisies parce que chacune sollicite un mode de défaillance différent des modèles vidéo. Lancez-les dans l’ordre.

Test 1 : peau et visages

Idée de prompt : un pêcheur âgé raccommode un filet sur un ponton en bois au lever du soleil, gros plan, lumière latérale douce. Observez les pores, l’humidité des yeux et la façon dont les rides bougent naturellement quand il plisse les yeux. Une peau trop lissée est le signe typique d’un modèle qui génère « un visage » au lieu d’un visage sous la lumière.

Un résultat réussi présente une texture visible, un éclairage légèrement inégal sur la joue et des yeux qui suivent le travail de ses mains. Un échec donne une peau cireuse, avec des yeux qui fixent un point au-delà de la caméra.

Image de référence du visage d’un pêcheur âgé sur un moniteur de référence

Test 2 : mains et doigts

Idée de prompt : gros plan d’une main qui enserre une tasse de café en céramique, vapeur qui monte, manche en laine. Les mains sont le plus ancien test de résistance des médias génératifs, car leur géométrie est complexe et les données d’entraînement regorgent de vues partielles.

Comptez les doigts sur l’image 1, l’image 60 et la dernière image. Vérifiez que les doigts se déforment à la prise et que la tasse ne traverse pas la paume. Les défaillances des mains apparaissent généralement au milieu du mouvement, pas sur la première image : ne jugez donc jamais à partir d’une miniature.

Image macro d’une main tenant une tasse en céramique fumante

Test 3 : eau et physique

Idée de prompt : plan en contre-plongée, eau versée d’un pichet en acier dans un verre posé sur une table en chêne, gouttelettes qui éclaboussent, lumière de fenêtre venant de la droite.

L’eau est impitoyable. Elle exige la réfraction, une tension superficielle crédible, des éclaboussures qui suivent des trajectoires en arc, et un verre qui se remplit à la bonne vitesse. Beaucoup de modèles produisent un verre qui se remplit alors que le jet est encore en l’air. Si le niveau du liquide ne monte pas en proportion de ce qui a été versé, sanctionnez sévèrement la physique.

Un benchmark de Tsinghua appelé WorldReasonBench est arrivé à une conclusion similaire à plus grande échelle : les modèles vidéo peuvent paraître éblouissants tout en étant incapables de raisonner sur le fonctionnement du monde physique. Veo 3.1 faisait partie des modèles évalués. En bref, le poli visuel et la justesse physique sont deux compétences distinctes.

Image en contre-plongée d’eau qui éclabousse d’un pichet sur une table en chêne

Test 4 : paysages et mouvements de caméra

Idée de prompt : plan aérien en drone suivant une camionnette blanche le long d’une route de falaise côtière à l’heure dorée.

Ici, vérifiez la parallaxe, la brume atmosphérique, le mouvement des vagues et si le véhicule conserve la même forme et la même couleur lorsque la caméra se déplace. Les paysages sont le terrain où la plupart des modèles vidéo obtiennent leurs meilleurs scores, car ces scènes sont indulgentes. Un score élevé ici ne devrait pas peser lourd dans votre verdict global.

Image aérienne d’une route côtière le long de falaises, à l’heure dorée

Test 5 : foules et mouvement d’arrière-plan

Idée de prompt : une jeune femme marchant dans un marché de nuit en plein air, caméra à l’épaule, ampoules chaudes au-dessus.

C’est dans les personnages en arrière-plan que la dérive d’identité apparaît. Observez les figurants : les visages se déforment-ils au passage ? Les vendeurs gardent-ils les mêmes mains et les mêmes tabliers ? La veste du personnage principal conserve-t-elle ses coutures ? Le flou de mouvement sur les passants doit ressembler à un vrai obturateur, pas à un filtre de traînée.

Plan moyen d’une femme marchant dans un marché de nuit animé

Test 6 : audio natif

Idée de prompt : une personne verse de l’eau dans un verre dans une cuisine silencieuse ; on entend le filet, puis le raclement d’une chaise.

C’est la fonctionnalité phare de Veo 3, elle mérite donc son propre contrôle. Fermez les yeux et écoutez. Le filet doit commencer au moment où le jet touche le verre. Le raclement de la chaise doit correspondre au mouvement visible. L’ambiance de la pièce doit rester stable tout au long du clip. Si vous travaillez avec des répliques parlées, vérifiez la synchronisation labiale sur les consonnes occlusives comme « b » et « p », où les lèvres se referment nettement.

Ingénieur du son dans une cabine vérifiant l’audio d’une vidéo figée

Scores de qualité issus d’avis publics

Des chiffres officiels et comparables pour Veo 3 sont difficiles à trouver. Une recherche de résultats MovieGen Bench pour ce modèle n’a donné aucun rapport primaire. Une source secondaire affirme que des essais indépendants MovieGenBench et VBench placent Veo 3.1 parmi les meilleurs pour le respect du prompt, la qualité visuelle et la synchronisation audio, mais ses chiffres sous-jacents n’ont pas pu être retrouvés : cette affirmation reste donc non vérifiée.

Ce qui existe, ce sont les notes individuelles de critiques. Voici ce qu’un examen détaillé de la famille Veo a relevé :

ModèleGlobalFidélité visuelleStyle et réalisme cinématographique
Veo 3.17,2 / 107,1 / 107,0 / 10
Veo 3.1 Fast6,9 / 107,1 / 10non précisé ici

Le même critique a relevé que Veo 3.1 peut encore produire des scènes avec le fameux « look IA ». Un 7 sur 10 est honorable, mais ce n’est pas « impossible à distinguer de la réalité », ce qui constitue un retour à la réalité bienvenu face au discours marketing.

Ce que les scores révèlent vraiment

Deux enseignements ressortent :

  • Les variantes rapides conservent l’essentiel de la fidélité visuelle. Le modèle Fast égale la version standard sur ce sous-score. Si vous itérez sur des idées, l’option moins chère et plus rapide perd peu.
  • Les notes des critiques sont subjectives. Un autre critique, avec d’autres prompts, obtiendra un résultat différent. Votre propre grille, appliquée à vos propres cas d’usage, vaut plus que n’importe quel chiffre publié.

Coût contre qualité

Veo 3.1 coûterait environ 15 % de plus que Veo 3 pour une sortie vidéo seule, selon les informations disponibles. Pour une petite campagne, c’est de la petite monnaie. Pour un lot de centaines de clips, la somme grimpe, ce qui est une raison de plus de passer la grille avant de vous engager sur un modèle.

Deux cinéastes comparant des images quasi identiques sur deux écrans

Les alternatives à Veo 3 utilisables aujourd’hui

Veo 3 n’est pas encore disponible sur PicassoIA. Pour des résultats similaires dès aujourd’hui, voici quatre modèles vidéo disponibles, et chacun peut être évalué avec la même grille de six tests présentée plus haut.

ModèleIdéal pourRemarques
Veo 3.1Successeur le plus proche de Veo 3Texte vers vidéo en 1080p avec audio natif
Veo 3.1 FastItération rapidePlus rapide et plus léger, pratique pour tester des prompts
Kling v3 VideoMouvement cinématographiqueMouvements de caméra et enchaînement de scènes convaincants
Sora 2Audio synchronisé signé OpenAITexte vers vidéo avec son assorti

Veo 3.1 pour l’équivalent le plus proche

Si vous avez aimé Veo 3 et voulez retrouver la même famille de résultats, Veo 3.1 est le premier arrêt évident. Il conserve l’approche vidéo avec audio, et les progrès annoncés portent sur la qualité sonore, la synchronisation labiale et les formats verticaux. C’est aussi le modèle auquel renvoient les scores publics ci-dessus.

Veo 3.1 Fast pour les tests

Passez vos premiers brouillons par Veo 3.1 Fast. Comme les critiques ont trouvé sa fidélité visuelle proche du modèle standard, c’est un moyen judicieux de vérifier la composition, le rythme et la formulation du prompt avant de consacrer du temps aux rendus finaux.

Kling v3 pour le travail de caméra

Kling v3 Video mérite sa place dans toute comparaison lorsque vos scènes reposent sur des caméras en mouvement : plans de suivi, orbites et passages façon drone, comme dans le test 4. Commencez par les scènes de paysage et de foule, puis jugez sa capacité à conserver une identité stable.

Sora 2 pour l’audio et la narration

Sora 2 génère aussi un audio synchronisé : c’est donc le rival direct le plus équitable pour le test 6. Un comparatif publié entre Sora 2 et Veo 3.1 a utilisé sept prompts centrés sur l’audio, ce qui montre à quel point le son est devenu central dans ces comparaisons.

Créateur devant un bureau de studio à domicile avec une timeline vidéo sur un grand écran

Obtenir des résultats similaires sur PicassoIA

Ce guide pas à pas utilise Veo 3.1, l’option la plus proche de Veo 3 sur la plateforme.

Étape 1 : ouvrez la page du modèle

Rendez-vous sur la page de Veo 3.1 et choisissez le mode texte vers vidéo. Si vous voulez tester une idée rapidement, ouvrez Veo 3.1 Fast dans un second onglet.

Étape 2 : rédigez un prompt structuré

Suivez cet ordre, qui reprend la façon dont un réalisateur présente un plan :

  1. Sujet et pose de départ : qui ou quoi se trouve dans le cadre.
  2. Action dans le temps : ce qui se passe, dans l’ordre.
  3. Caméra : rendu de l’objectif, mouvement, angle.
  4. Lumière et atmosphère : moment de la journée, direction de la source.
  5. Son : ce que l’on doit entendre, écrit en phrases simples.

Exemple : Un pêcheur âgé est assis sur un ponton en bois au lever du soleil et raccommode un filet. Il marque une pause, plisse les yeux vers l’horizon, puis reprend. Lent travelling avant, rendu d’un 85 mm, soleil bas et doux venant de la gauche. On entend les mouettes, l’eau qui clapote contre les pilotis et le froissement d’une corde.

Étape 3 : réglez la résolution et la durée

Choisissez la résolution la plus élevée proposée par la page pour les rendus finaux, et une durée plus courte pour les expérimentations. Les clips courts échouent moins souvent, car il y a moins de temps pour la dérive.

Étape 4 : générez trois prises

Ne jugez jamais à partir d’un seul résultat. Générez trois prises de chaque prompt de test, puis notez la prise médiane selon la grille.

Étape 5 : comparez avec un rival

Envoyez le prompt exactement identique à Kling v3 Video ou à Sora 2. Gardez la formulation identique pour que le modèle soit la seule variable.

💡 Conseil de prompt : décrivez l’éclairage par sa direction et sa qualité, par exemple « lumière douce de fenêtre venant de la droite », plutôt que par des formules vagues comme « éclairage cinématographique ». Les modèles répondent bien mieux aux descriptions physiques qu’aux étiquettes de genre.

Erreurs courantes à éviter

  • Empiler trop d’actions. Une seule action principale par tranche de cinq à huit secondes donne un mouvement plus propre.
  • Ne décrire que des émotions. « Elle se sent nostalgique » ne donne rien au modèle à rendre. Décrivez le regard, la pause, le geste de la main.
  • Négliger la ligne sonore. Si vous ne précisez pas l’audio, le modèle improvise, et le résultat peut détonner avec l’action.
  • Juger un clip sur sa miniature. Regardez toujours la durée complète, deux fois.

Lancez votre propre benchmark en 30 minutes

Vous n’avez pas besoin d’un laboratoire. Voici un plan compact qui tient en une demi-heure.

TempsTâche
0 à 5 minRédigez les six prompts et conservez-les dans un fichier texte
5 à 20 minGénérez trois prises de chacun sur deux modèles
20 à 27 minRegardez chaque clip deux fois, une fois en silence
27 à 30 minRemplissez la grille et calculez les scores pondérés

Pour calculer un score pondéré, multipliez chaque note de catégorie par sa pondération, puis additionnez les résultats. Un modèle qui obtient 8 pour les visages, 6 pour les mains, 7 pour la physique, 8 pour la caméra, 7 pour la stabilité et 9 pour l’audio atteint environ 7,3 au global. Au-dessus de 8, c’est excellent. En dessous de 6, vous passerez plus de temps à corriger les clips qu’à les utiliser.

Comment lire le résultat

Ne courez pas uniquement après le total le plus élevé. Un modèle avec un global de 7 mais un 4 pour les mains peut être inutilisable pour une démo produit, alors que ce même modèle pourrait être parfait pour des plans de paysage d’ambiance. Faites correspondre le point faible à votre projet. Si vos vidéos montrent des personnes manipulant des objets, donnez deux fois plus de poids aux mains. Si vous réalisez des contenus de voyage, réduisez-le.

Quand refaire le test

Les modèles sont mis à jour souvent, et une version qui a échoué à un test le trimestre dernier pourrait le réussir aujourd’hui. Conservez votre fichier de prompts et relancez-le à chaque nouvelle version. Au fil du temps, vous disposerez d’un tableau de bord personnel, bien plus utile que n’importe quel comparatif publié sur les réseaux sociaux.

À vous de jouer : constituez votre bobine de test

Un benchmark n’est utile que lorsqu’on le fait tourner. Choisissez les six prompts de cet article, ouvrez Veo 3.1 sur PicassoIA et générez vos premières prises dès aujourd’hui. Envoyez ensuite les mêmes prompts à Kling v3 Video, Sora 2 et Veo 3.1 Fast, puis comparez les scores côte à côte.

Vous verrez vite quel modèle correspond à votre style, à votre budget et à votre tolérance aux mains bizarres. Lorsque vous voudrez essayer davantage d’options, parcourez tout ce qui est proposé sur picassoia.com/en/all-models et commencez à constituer votre propre bobine de test.

Partager cet article

Choisissez votre langue

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