Stable Video Diffusion

Présentation

Stable Video Diffusion est une famille de modèles génératifs vidéo développés par Stability AI pour produire de courtes séquences animées à partir d’une image fixe.

Le modèle reprend les principes des modèles de diffusion utilisés pour la génération d’images et les adapte à la dimension temporelle afin de maintenir une certaine cohérence entre plusieurs images successives.

Les premières variantes publiées sont SVD, capable de générer 14 images, et SVD-XT, étendue à 25 images. Stable Video Diffusion 1.1 améliore ensuite la variante 25 images avec des réglages destinés à produire des mouvements plus cohérents.

Contrairement à un générateur vidéo grand public fonctionnant uniquement depuis une interface Web, Stable Video Diffusion est aujourd’hui principalement proposé comme modèle à auto-héberger. Les poids sont disponibles via Hugging Face et le code de référence via les dépôts de Stability AI.

L’API Stable Video autrefois proposée par Stability AI a été arrêtée en juillet 2025. En 2026, l’utilisation officielle passe donc essentiellement par le déploiement du modèle sur sa propre infrastructure.

Fonctionnalités

Génération image-to-video

Le fonctionnement principal de Stable Video Diffusion consiste à prendre une image fixe comme image de référence puis à générer plusieurs images successives donnant l’impression d’un mouvement.

Le modèle tente de préserver le sujet, la composition et l’apparence générale de l’image initiale tout en introduisant des mouvements de caméra, de sujet ou d’environnement.

Cette approche convient notamment pour donner vie à une illustration, une photographie, un concept visuel ou un rendu 3D.

Stable Video Diffusion n’est cependant pas un outil de montage : il produit de courtes séquences qui doivent généralement être assemblées, recadrées ou retravaillées dans un logiciel vidéo.

SVD, SVD-XT et SVD 1.1

La famille officielle comprend plusieurs variantes.

SVD génère 14 images à partir d’une image de référence.

SVD-XT reprend la même architecture générale mais a été ajusté pour produire 25 images.

SVD 1.1 est une évolution de la variante 25 images. Elle a été entraînée à partir de SVD-XT avec des paramètres de mouvement plus précisément calibrés afin d’améliorer la cohérence des résultats sans exiger autant de réglages manuels.

SVD 1.1 constitue ainsi le modèle de référence lorsque l’on souhaite travailler avec la branche classique Stable Video Diffusion en 2026.

Résolution et durée

SVD 1.1 a été entraîné pour générer 25 images en 1024 × 576 pixels à partir d’une image de même résolution.

Le modèle a été affiné avec un conditionnement autour de 6 images par seconde.

Selon la cadence utilisée lors de l’export, les séquences finales restent donc très courtes, généralement de quelques secondes.

Les variantes précédentes permettent également de travailler avec différents réglages de cadence et de mouvement.

Stable Video Diffusion est davantage adapté à la génération d’un plan court ou d’une boucle visuelle qu’à la création directe d’une longue séquence narrative.

Contrôle du mouvement

Le pipeline expose différents paramètres permettant d’influencer la quantité de mouvement produite.

Le motion bucket joue notamment sur l’intensité générale du mouvement présent dans la vidéo.

D’autres paramètres permettent d’agir sur la cadence ou le niveau de bruit ajouté à l’image de référence.

Ces réglages peuvent modifier fortement le comportement du résultat : une valeur trop faible peut produire une animation presque statique, tandis qu’un mouvement trop important peut détériorer la cohérence du sujet.

SVD 1.1 a justement été ajusté autour de paramètres considérés comme plus stables pour réduire la nécessité de les régler systématiquement.

Exécution locale et auto-hébergement

Les modèles peuvent être exécutés sur une machine locale ou sur sa propre infrastructure serveur.

Stability AI fournit les poids et un code de référence permettant de déployer le modèle sans envoyer obligatoirement les images vers un service tiers.

Cette approche convient aux développeurs qui souhaitent intégrer la génération vidéo dans un pipeline interne ou garder davantage de contrôle sur leurs données.

Elle implique en contrepartie de gérer soi-même l’environnement Python, les dépendances, le stockage des poids et les ressources GPU nécessaires.

Les modèles occupent plusieurs gigaoctets et la génération vidéo reste sensiblement plus exigeante que la génération d’une image unique.

Diffusers et écosystème Python

Stable Video Diffusion peut être utilisé avec la bibliothèque Diffusers de Hugging Face.

Le pipeline charge le modèle, reçoit une image de départ puis génère une série d’images pouvant ensuite être exportées sous forme de vidéo.

Cette intégration facilite son utilisation dans des scripts Python, notebooks, applications locales ou pipelines de production automatisés.

Diffusers propose également différentes techniques d’optimisation de mémoire utiles lorsque la quantité de VRAM disponible est limitée.

Le modèle peut ainsi être intégré à un environnement plus large comprenant génération d’images, traitement vidéo, upscaling ou interpolation.

Personnalisation du pipeline

L’auto-hébergement donne davantage de liberté qu’un service fermé.

Les développeurs peuvent intervenir sur les paramètres d’inférence, la préparation de l’image, la cadence ou les étapes de post-traitement.

Il est également possible de combiner Stable Video Diffusion avec des outils externes pour interpoler davantage d’images, augmenter la résolution ou stabiliser certaines séquences.

Cette flexibilité constitue l’un des principaux intérêts du modèle aujourd’hui : SVD sert davantage de brique technique que d’application créative clé en main.

Pas de contrôle textuel natif dans SVD 1.1

La fiche actuelle de Stability AI présente Stable Video Diffusion dans sa gamme vidéo avec une mention de génération Text-to-Video.

Le modèle open-weight SVD 1.1 lui-même reste toutefois un modèle image-to-video.

Sa documentation officielle précise qu’il ne peut pas être directement contrôlé par un prompt textuel pour guider le contenu ou le mouvement.

L’image initiale reste donc le principal conditionnement du modèle.

Pour obtenir une scène précise, un workflow courant consiste à générer ou préparer d’abord l’image désirée avec un autre outil, puis à l’animer avec SVD.

Licence Community

Stable Video Diffusion fait partie des Core Models couverts par la Stability AI Community License.

La licence autorise gratuitement la recherche et les usages non commerciaux.

Elle autorise également les usages commerciaux pour les personnes ou organisations dont le chiffre d’affaires annuel reste inférieur à 1 million de dollars US, sous réserve de respecter les conditions et l’Acceptable Use Policy de Stability AI.

Au-delà de ce seuil, une licence Enterprise est nécessaire pour les usages commerciaux.

Cette licence est donc plus restrictive qu’une licence open source classique comme MIT ou Apache, même si les poids et le code nécessaires à l’exécution du modèle sont accessibles.

Cas d’usage

Animer une illustration

Une illustration ou un concept art peut être utilisé comme image de départ afin de produire un léger mouvement de caméra, de personnage ou d’environnement.

La séquence obtenue peut ensuite servir de plan court dans un montage ou de base à un travail plus avancé.

Donner du mouvement à une photographie

Une photographie peut être transformée en courte animation pour créer un mouvement subtil.

Le résultat dépend fortement de la complexité de la scène et le modèle peut modifier certains détails lorsqu’il tente d’imaginer les images suivantes.

Prévisualiser une idée de plan

Un artiste ou réalisateur peut utiliser SVD pour tester rapidement la manière dont une image conceptuelle pourrait évoluer dans le temps.

Cette approche permet d’explorer une intention de mouvement avant de produire une animation ou une scène plus coûteuse.

Construire un pipeline vidéo local

Un développeur peut installer Stable Video Diffusion sur une machine ou un serveur puis l’associer à d’autres outils.

Une image générée par un modèle Stable Diffusion peut par exemple être animée avec SVD, interpolée pour augmenter la fluidité puis agrandie avec un outil d’upscaling.

Expérimenter autour de la vidéo générative

La disponibilité des poids permet d’utiliser SVD dans des recherches sur les modèles vidéo, la cohérence temporelle, les mouvements génératifs et les interfaces créatives.

Il peut ainsi servir de base à des projets expérimentaux sans dépendre d’une API vidéo propriétaire.

Conclusion

Stable Video Diffusion occupe aujourd’hui une position particulière parmi les outils de génération vidéo par IA.

Il ne s’agit plus d’un service API directement proposé par Stability AI, mais d’une famille de modèles à télécharger et à auto-héberger.

Son fonctionnement image-to-video permet de transformer rapidement une image fixe en courte séquence animée, avec SVD 1.1 comme évolution principale de la branche 25 images.

La possibilité d’exécuter le modèle localement, d’accéder aux poids et de l’intégrer avec Python ou Diffusers en fait surtout un outil intéressant pour les développeurs, artistes techniques et créateurs souhaitant construire leurs propres workflows.

Ses limites sont toutefois importantes face aux générations vidéo plus récentes : clips très courts, contrôle limité, difficultés avec les visages et le texte, mouvements parfois faibles et absence de véritable prompting textuel dans SVD 1.1.

Stable Video Diffusion reste donc moins adapté à quelqu’un qui recherche simplement une application Web prête à produire des vidéos longues à partir d’un prompt.

Pour animer une image, expérimenter avec la génération vidéo locale ou intégrer une brique image-to-video dans un pipeline personnalisé, il conserve néanmoins un intérêt réel.

Points d’attention

• L’API Stable Video de Stability AI a été arrêtée le 24 juillet 2025. Stable Video Diffusion doit désormais principalement être auto-hébergé.

• SVD 1.1 est un modèle image-to-video. Malgré certaines formulations actuelles sur le site Stability AI, la model card officielle précise qu’il ne dispose pas de contrôle textuel natif.

• Les vidéos générées sont très courtes. La documentation officielle de SVD 1.1 indique des séquences de 25 images et précise que les clips restent généralement inférieurs ou égaux à environ quatre secondes.

• La résolution native de SVD 1.1 est 1024 × 576. Le modèle a été affiné autour d’une cadence de 6 FPS, même si certains paramètres peuvent être modifiés.

• Le photoréalisme n’est pas garanti. Le modèle peut produire des déformations, incohérences temporelles ou pertes de détails.

• Le mouvement peut rester faible. Certaines générations produisent essentiellement des panoramiques lents ou très peu d’animation.

• Les visages et les personnes peuvent être mal reproduits. La documentation officielle signale explicitement cette limitation.

• Le modèle ne génère pas correctement du texte lisible. Les inscriptions présentes dans l’image peuvent se déformer au fil des images.

• L’exécution locale demande un GPU suffisamment puissant et plusieurs gigaoctets de stockage. Les modèles vidéo sont plus gourmands que les modèles classiques de génération d’images.

• Les poids ne sont pas publiés sous une licence MIT ou Apache. Stable Video Diffusion utilise la Stability AI Community License avec des conditions spécifiques.

• L’usage commercial est gratuit sous conditions pour les organisations générant moins de 1 million de dollars US de chiffre d’affaires annuel. Au-delà de ce seuil, une licence Enterprise est nécessaire.

• L’Acceptable Use Policy de Stability AI s’applique également aux modèles auto-hébergés. L’accès aux poids ne supprime donc pas les restrictions d’usage prévues par la licence.