Comment créer un studio vidéo IA avec Claude Code

J'ai transformé Claude Code en un véritable studio de cinéma, et je vais vous donner le système complet : les compétences, les prompts, les boucles, et le pipeline en six étapes qui les relie.

Chaque étape s'appuie sur une partie différente de l'infrastructure : les compétences pour les modèles, les sous-agents pour le volume, bash pour le montage, et des boucles conçues pour tout ce qui se répète.

Aujourd'hui, je vous apprends à produire des courts-métrages comme celui-ci, en utilisant Higgsfield Supercomputer, Claude Code et Seedance 2.0 :

Voici ce que contient cet article :

• Le moteur : tous les modèles sur une seule plateforme, et les deux façons d'y accéder.
• Étape 1 : extraire un contrat de style du cinéma réel.
• Étape 2 : des images en volume, personnages et lieux verrouillés.
• Étape 3 : l'agent écrit chaque prompt de plan.
• Étape 4 : le mouvement, et la grammaire qui tue les plans figés.
• Étape 5 : la flotte de sous-agents qui exécute les générations en parallèle.
• Étape 6 : la musique, le montage à partir d'un fichier texte, un master 4K.

Si vous voulez le kit de production complet derrière cet article, les tableaux de prompts, la bible de style et les briefs d'agents prêts à l'emploi, c'est ce que propose la communauté Real Time AI Ops sur weeklyaiops.com.

Pourquoi la boucle est le produit

Un plan professionnel était autrefois un pari, car chaque tentative coûtait de l'argent et des jours, donc personne n'expérimentait et tout se ressemblait.

La vidéo IA a effondré cette boucle : décrire un plan, le générer en minutes, le regarder, changer trois mots, le régénérer.

Le coût de l'essai a tellement chuté que tout essayer est devenu la stratégie.

Mais une boucle effondrée ne paie que si quelque chose la fait tourner pour vous, car cinquante cycles par plan sur vingt plans, c'est mille décisions, et un humain qui clique mille fois sur un bouton de génération est un opérateur très fatigué, et le travail produit toujours du médiocre.

Donc le système divise le travail en deux :

• Vous possédez le goût : quelles images sont justes, quels plans survivent, ce que le film veut être.
• L'agent possède le débit : écrire les prompts, soumettre les générations, interroger les jobs, relancer les échecs, assembler les montages.

Le nom de cette compétence sur la timeline en ce moment est l'ingénierie de boucle, et nous l'utilisons pour cette configuration.

Une boucle d'agent est un travail que l'agent répète jusqu'à ce qu'une condition soit remplie, et cette production est constituée de boucles imbriquées sur trois niveaux :

• La boucle de plan : générer, regarder, changer une variable, régénérer, jusqu'à ce que le plan mérite sa place.
• La boucle de flotte : parcourir la liste des plans, soumettre dès qu'un créneau se libère, collecter les gagnants.
• La boucle de session : enregistrer chaque génération, pour que la prochaine production parte de tout ce que celle-ci a appris.

Vous concevez les boucles une fois et l'agent les exécute toute la nuit, ce qui fait la différence entre utiliser un modèle et diriger un studio.

Chaque « film réalisé par un agent » que vous verrez, y compris celui-ci, se divise exactement de cette façon : l'agent planifie, écrit les prompts et réessaie, un humain choisit et dirige.

Personne n'a montré un film regardable réalisé par un agent du début à la fin sans intervention humaine, et le système ci-dessous ne prétend pas en être un.

Une génération bon marché n'a pas rendu la bonne vidéo facile... elle a déplacé tout le travail vers le goût.

Tout ce qui suit est construit autour de cette phrase.

Le moteur : une plateforme, deux portes

Cette production touche aux modèles d'image, aux modèles vidéo, à la génération musicale et à l'upscaling, le passage qui élève les séquences finalisées en 4K, ce qui signifie normalement cinq abonnements, cinq onglets, cinq files d'attente de rendu, et cinq endroits où perdre un fichier.

Higgsfield place pratiquement tous les modèles sur une seule surface, derrière un seul login et un seul pool de crédits, et toute la plateforme est conçue pour un usage agentique, exactement ce dont ce système a besoin, car un agent ne peut pas gérer cinq connexions séparées.

Il y a deux portes pour y accéder :

• Supercomputer est la porte facile : un agent qui tourne sur la plateforme elle-même, planifie votre production, choisit le meilleur modèle pour chaque tâche tout seul, et assemble vos scènes. Vous décrivez ce que vous voulez et il gère le routage, et il fonctionne avec des compétences de la même manière que Claude Code, donc si vous ne vivez pas dans un terminal, commencez ici.
• La CLI est la porte de contrôle : elle rend chaque modèle accessible depuis Claude Code ou n'importe quel harnais que vous utilisez déjà, ce qui signifie que votre propre agent tient tout le pipeline : ce qui est généré, quand, avec quel modèle, dans quel ordre.

Et si vous débutez dans la vidéo IA et que vous n'avez aucune idée du nombre d'itérations que nécessite un bon plan, Supercomputer ne coûte rien à utiliser : la planification, les tests et les retouches ne consomment aucun crédit, vous ne payez que lorsque vous rendez la vidéo finale, donc le plan gratuit couvre toute l'exploration.

La configuration de la CLI se fait en trois commandes :

• npm install -g @higgsfield/cli
• higgsfield auth login
• npx skills add higgsfield-ai/skills

Le pack de compétences apprend à Claude Code quand utiliser quel modèle, comment garder la cohérence des personnages, et comment soumettre et interroger les jobs, donc à partir de ce moment, votre terminal est le studio.

Une seule commande soumet n'importe quel modèle et attend le résultat :

• higgsfield generate create seedance_2_0 --prompt "slow dolly in as the sail tears loose" --start-image ./frame.png --duration 5 --resolution 1080p --wait

Échangez le nom du modèle et cette même forme couvre toute la production : gpt_image_2 pour les images, nano_banana_2 pour les modifications de personnages, sonilo_music avec --duration pour la musique, l'upscaler pour le master 4K.

Les flags qui portent le pipeline :

• --start-image définit la première image pour l'image-vers-vidéo, et un chemin de fichier local s'uploadera lui-même.
• --end-image verrouille la dernière image, ce qui permet de connecter les plans en chaîne.
• --wait bloque jusqu'à ce que le clip soit terminé et affiche l'url du résultat, et --json rend la sortie lisible pour un agent.
• higgsfield model list --json montre tous les modèles que vous pouvez appeler, et higgsfield model get seedance_2_0 --json montre les paramètres exacts acceptés par un modèle.

Et pour exécuter le tout depuis Claude Code, il suffit d'un fichier texte, pas d'une intégration :

• Écrivez les règles de routage dans votre fichier CLAUDE.md : quel modèle par type de travail, l'échelle de résolution, la limite de concurrence.
• L'agent lit les règles une fois et chaque sous-agent qu'il crée les hérite.
• Les générations sont soumises via bash, vérifiées avec higgsfield generate get, et enregistrées dans un fichier par exécution.

Tout ce qui suit passe par cette porte.

Étape 1 : extraire le goût du cinéma, ne pas l'inventer

Le moyen le plus rapide d'apporter du goût à la vidéo IA est d'arrêter de décrire des ambiances à partir de l'imagination et de commencer à les extraire de plans qui ont déjà fonctionné sur des millions de personnes.

Vos sources, mettez-les en favoris :

• frameset.app pour les photos de films et de vidéos, consultables par objectif, éclairage, mouvement.
• shotdeck.com et fancaps.net pour des images fixes image par image de presque tous les films.
• savee.com et cosmos.so pour l'imagerie et les moodboards.
• eyecannndy.com pour les transitions et les techniques de caméra.

Choisissez cinq à dix plans qui portent exactement le sentiment que vous voulez.

Ensuite, exécutez la manœuvre d'extraction : donnez chaque plan à un modèle de vision comme Gemini 3.1 Pro et demandez-lui de nommer les paramètres du plan avec un niveau de détail extrême... sensation de l'objectif, direction et source de la lumière, palette, grain, contraste, blocage, atmosphère, marqueurs d'époque.

Le résultat devient ce que j'appelle un contrat de style : un paragraphe verrouillé de langage visuel qui sera collé dans chaque prompt d'image et de vidéo du projet, mot pour mot, afin que chaque génération tende vers le même film.

Parce que vous n'espérez plus qu'un modèle comprenne « cinématographique ».

Vous lui donnez les ingrédients mesurés d'un plan qui a déjà ému les gens.

« Cinématographique » seul est le mot le plus gaspillé de la vidéo IA. Les modèles ont vu dix millions d'images étiquetées avec ce mot, donc il ne veut rien dire... Ce sont les paires de renforcement qui fonctionnent : « éclairage chaud motivé, grain 35 mm, faible profondeur de champ, noirs relevés ».

Ce seul paragraphe décide de l'apparence de tout ce qui vient après.

Étape 2 : les images avant le mouvement, toujours

Ne générez jamais de vidéo à partir de l'imagination.

Générez des images fixes jusqu'à ce que l'image soit bonne, puis animez la gagnante. Car une image coûte une fraction d'un clip et prend des secondes au lieu de minutes, donc toute votre exploration se fait à la couche la moins chère.

Le passage des images ressemble à ceci :

• Exécutez le même brief de plan via plusieurs modèles de diffusion côte à côte, avec votre contrat de style attaché. Sur une seule surface, c'est trivial : même prompt, cinq modèles, comparez.
• Essayez BEAUCOUP d'images par beat, différentes compositions, différents moments dans la scène, différentes météos.
• Affinez les gagnantes : Nano Banana pour les modifications chirurgicales et les passes de cohérence, Soul Cinema pour les looks photographiques des personnages, GPT-Images-2 pour une direction artistique dense.
• Verrouillez ce qui doit rester identique : une feuille de référence par personnage (face, trois-quarts, profil, recadrés séparément, car les grilles confondent les modèles vidéo qui lisent les panneaux comme des personnes différentes), une feuille séparée par tenue ou changement d'état, des feuilles multi-angles par lieu.

Ce passage est aussi l'endroit où Supercomputer montre son intérêt si vous préférez ne pas le piloter vous-même : il teste le même brief sur plusieurs modèles tout seul, regarde les résultats, et itère sans que vous ayez à superviser quoi que ce soit.

Trois règles d'image qui décident plus que n'importe quel choix d'outil :

• Les objets portent mieux l'émotion que les visages, car les visages dérivent entre les générations alors que les objets restent stables. Donc quand un beat d'histoire peut reposer sur une voile déchirée ou une rame brisée plutôt que sur une expression, confiez-le à l'objet.
• Une chose impossible dans un endroit normal est la composition qui arrête le défilement.
• Donnez un coût au personnage : une silhouette qui marche, c'est du métrage ; une silhouette qui boite vers quelque chose, c'est une histoire.

Cependant, les images ne représentent que la moitié du travail, car une belle image qui ne bouge pas reste du médiocre...

Étape 3 : l'agent écrit les scripts de plans

Chaque plan a besoin d'un prompt, et l'écriture de prompts en volume est exactement le travail que vous déléguez.

J'utilise Fable 5 Medium comme scénariste : il prend le tableau des beats et le contrat de style et écrit le prompt de chaque plan dans un seul modèle verrouillé... contexte de la scène, références, blocage, caméra, éclairage, audio, verrous de style, toujours dans le même ordre.

Verrouillé, car la cohérence entre les plans vient d'images de référence répétées et d'un langage répété, jamais des seeds ou de la chance.

Les règles de prompt que les scripts suivent, chacune mérite d'être volée individuellement :

• Un verbe par plan : « il se tourne » génère, « il se tourne, avance, tend la main et parle » s'effondre.
• Cinq petites actions fonctionnent mieux qu'un adjectif : « regard vide, clignement lent, sirote son café, lève les yeux » donne l'impression d'une personne, « il a l'air confus » donne l'impression d'une photo de stock.
• Le mouvement du sujet et le mouvement de la caméra doivent toujours faire l'objet de phrases séparées, car une seule proposition qui porte les deux est la façon d'obtenir le tremblement insensé que tout le monde attribue au modèle.
• Les prompts générés uniquement à partir de texte font entre 120 et 280 mots ; les prompts qui animent une image de référence restent en dessous de 80 mots, car au-delà, le texte commence à entrer en conflit avec l'image et votre personnage dérive.
• Les contraintes restent positives : « image stable, netteté parfaite » fonctionne, « pas de flou, pas de tremblement » est ignoré.

Étape 4 : le mouvement, et la grammaire qui tue les plans figés

Maintenant, les clips.

Chaque keyframe, l'image fixe verrouillée que vous avez construite à l'étape 2, passe par Seedance 2.0 en image-vers-vidéo, ce qui transforme cette image fixe en un clip animé, sous forme de plan isolé de 3 à 5 secondes. Une minute de film, c'est 12 à 16 de ces plans assemblés, ce qui est de toute façon le fonctionnement de tout vrai film... un monteur coupe des plans, pas des prises.

L'isolation des plans est aussi l'astuce de la cohérence : la dérive d'identité apparaît après 30 secondes de scène continue, et les beats isolés n'atteignent jamais cette durée.

Mes deux premières passes de mouvement ont échoué de la même manière : des personnages figés tandis que la caméra dérivait devant eux, des clips qui bougeaient techniquement mais ne faisaient rien de visible.

La solution est une grammaire, en trois parties, pour chaque prompt d'image-vers-vidéo :

• Un mouvement de caméra nommé.
• Un événement dans la scène : quelque chose se PRODUIT pendant les cinq secondes.
• Un « pas de personnages figés » explicite.

Même keyframe, deux prompts : « dolly lent, cinématographique » donne une image fixe qui dérive ; « dolly lent alors que la voile se déchire et que l'équipage se précipite pour la rattraper » donne un film.

Deux techniques de mouvement qui valent toute la section :

• Plans en chaîne : la dernière image du plan N devient l'image de référence du plan N+1, ainsi la continuité se poursuit sans qu'aucune feuille de personnage ne soit rechargée.
• Timecodez le climax à l'intérieur d'une seule génération : [0-4s] large et statique, [4-8s] push-in alors que la tension monte, [8-12s] gros plan au sommet, [12-15s] la révélation. Vous dirigez ainsi les coupes à l'intérieur d'un seul clip.

Un bon clip n'est qu'un échantillon, cependant ; un film en nécessite soixante, et c'est un problème de volume.

Étape 5 : la flotte

C'est l'étape où Claude Code mérite le nom de studio.

Une session orchestratrice possède la liste des plans.

Elle crée des sous-agents par famille de plans... créatures, eau, intérieurs, action... et chaque sous-agent écrit ses propres prompts à partir du contrat de style, soumet ses générations via la CLI, interroge ses jobs, et rapporte ses gagnants.

Comme chaque modèle est accessible depuis le même terminal, la flotte couvre toute la liste des plans en parallèle, sur plusieurs modèles, pendant que vous faites autre chose.

La flotte vit ou meurt sur une règle peu glamour... respectez la concurrence.

Les modèles vidéo limitent le nombre de jobs pouvant s'exécuter simultanément, donc l'agent vérifie les jobs actifs et ne soumet que lorsqu'un créneau se libère.

Un agent qui limite sa cadence termine dans la nuit ; une boucle naïve meurt sur les limites de taux au bout d'une heure, ce qui est correct, car la limite est ce qui rend l'exécution de nuit prévisible.

La discipline d'itération pour la flotte : 3 à 4 candidats par plan, puis changez UNE variable par passe... la caméra, l'éclairage ou la vitesse, jamais une réécriture complète, car un échec sur lequel vous avez changé cinq choses ne vous apprend rien.

Et l'agent enregistre chaque génération : prompt, modèle, résultat, gardé ou éliminé.

Votre production devient une base de données, et la production numéro deux part de tout ce que la numéro un a appris.

Étape 6 : le montage comme code

L'assemblage est plus simple que vous ne le pensez.

• La musique d'abord : briefez la partition sur l'arc émotionnel du montage en mouvements, pas en ambiances (montée, pic, calme, résolution), générée en une seule passe, puis ajustez le montage sur la partition.
• Le montage lui-même est un fichier texte : une ligne par clip avec sa durée et un indicateur audio, et ffmpeg, l'outil vidéo en ligne de commande gratuit que Claude Code sait déjà piloter, lit le fichier et rend le film.

Chaque ligne de ce fichier est un nom de plan, les secondes à conserver, et un indicateur audio... 17-scylla-deck se trouve dans le fichier de mon dernier montage, avec son audio marqué comme muet, car son cri généré entrait en conflit avec les cordes, et l'ambiance marine deux lignes plus tard reste active car elle vend la scène.

L'audio par clip est mis en sourdine exactement là où il entre en conflit avec la partition, et conservé partout où il ajoute du réalisme.

Ce qui signifie que tout le montage est reproductible et modifiable en quelques secondes, sans logiciel de timeline, sans monteur.

• Upscalez une fois, à la fin, sur le montage finalisé, jamais sur des clips individuels.
• Générez en 720p pendant l'exploration, 1080p pour les gardés, 4K uniquement pour le master final, et arrêtez-vous à la résolution la plus basse qui répond à la question que vous posez.

Si piloter ffmpeg et un upscaler depuis un terminal représente plus de pipeline que vous ne le souhaitez, cette étape est aussi du domaine de Supercomputer : donnez-lui les clips gagnants et il assemble le montage et rend le master 4K lui-même.

Et la dernière passe de montage est une pure honnêteté : tout clip où vous vérifieriez votre téléphone est supprimé, quel qu'en soit le coût.

À quoi sert réellement ce système

Le film est la démo... le système est l'actif.

Les mêmes six étapes produisent des publicités de produits, du contenu généré par les utilisateurs (UGC) en volume, des films de marque, des vidéos de lancement, car rien dans le pipeline ne sait qu'il fait un film.

Et un système en place l'emporte en vitesse : quand un moment frappe votre niche, la fenêtre se mesure en heures, et un opérateur avec un contrat de style, des personnages verrouillés et une flotte de génération publie pendant que les autres ouvrent encore des onglets.

L'ensemble de la construction, résumé :

1. Extrayez un contrat de style du cinéma réel avec un modèle de vision.
2. Générez des images en volume sur plusieurs modèles de diffusion, affinez, verrouillez les personnages et les lieux dans des feuilles.
3. Fable 5 Medium écrit chaque prompt de plan à partir d'un seul modèle verrouillé.
4. Seedance 2.0 anime les keyframes sous forme de plans isolés de 3 à 5 secondes : mouvement de caméra + événement + pas de personnages figés.
5. Les sous-agents exécutent les générations en parallèle via la CLI Higgsfield, avec limitation de cadence et journalisation.
6. Musique, montage à partir d'un fichier texte avec ffmpeg, upscale du master une fois.

Sautez l'étape 1 et toutes les autres étapes produisent de magnifiques images de rien de particulier.

Le premier film issu de ce système a pris une session d'une nuit... le vôtre commence le soir où vous installez la CLI...

Ou essayez gratuitement Higgsfield Supercomputer (Higgsfield AI sponsorise cet article, mais ce truc est vraiment impressionnant) – il est capable de travailler de manière autonome, de la planification des plans à la production finale, en passant par l'écriture des prompts et la sélection des modèles.

Tous ceux qui lisent ceci peuvent louer les mêmes modèles, donc le film n'est jamais aussi bon que ce que vous nourrissez le système.

Goût en entrée, film en sortie.