On imagine volontiers qu'une application de compagnie est une intelligence unique capable de parler, de dessiner et de s'exprimer. Ce sont trois ou quatre systèmes distincts reliés entre eux par l'application, et la plupart des frustrations de cette partie du produit naissent dans les jointures.
Trois moteurs, une seule interface
Le modèle de langage gère la conversation. Il produit du texte et rien d'autre.
Le modèle d'image est un système complètement différent. Il reçoit une description textuelle et produit une image. Il n'a jamais vu votre conversation.
La synthèse vocale transforme du texte en audio. Séparée elle aussi, aveugle à tout sauf à la phrase qu'on lui tend.
Quand vous demandez une photo à votre compagne, voici ce qui se passe : le modèle de langage rédige une courte description de l'image demandée, l'application y ajoute les attributs d'apparence enregistrés, cette consigne combinée part vers le modèle d'image, et une image revient. La discussion réagit ensuite à une image qu'elle ne peut pas voir.
Ce relais est à l'origine de presque tous les reproches faits au média ici.
Pourquoi le visage change sans cesse
Parce qu'un modèle de diffusion ne récupère pas votre personnage : il génère quelqu'un qui correspond à une description. « Longs cheveux bruns, yeux verts, la petite trentaine » décrit des millions de visages, et vous en obtenez un différent à chaque fois.
Les applications y répondent à des degrés divers : attributs d'apparence enregistrés (bon marché, à peu près cohérent), image de référence conditionnant chaque génération (bien meilleur), ou modèle ajusté par personnage (le plus cohérent et de loin le plus coûteux, donc réservé aux offres supérieures).
C'est une différence réelle, testable dans une offre gratuite avant de payer. Générez quatre images du même personnage dans quatre situations. Si vous obtenez quatre femmes différentes, aucun abonnement ne corrigera cela. La cohérence entre images est une grande partie de la raison pour laquelle Candy AI figure en tête de notre classement.
Pourquoi le média est toujours compté
Le texte coûte peu. Une réponse de discussion revient à une fraction de centime.
Une image coûte nettement plus par génération. La voix se facture à la seconde d'audio. La vidéo est bien plus chère que les deux.
Cet écart de coût explique à lui seul la structure tarifaire que l'on retrouve partout : quotas de messages généreux, plafonds d'images stricts, minutes de voix vendues à part, vidéo réservée aux offres hautes. Ce n'est pas une rareté artificielle destinée à vous faire monter en gamme, c'est la forme réelle de la facture que reçoit l'éditeur.
D'où le fait qu'« illimité », sur ce marché, signifie presque toujours texte illimité. Lisez-le ainsi et les pages tarifaires deviennent soudain lisibles.
Ce que la voix apporte, et ce qu'elle coûte
La voix change l'expérience plus qu'on ne l'imagine. Lire un message et l'entendre sont deux choses différentes.
Deux points à vérifier avant de payer. La latence : trois secondes d'attente avant chaque réponse détruisent complètement l'illusion — testez vous-même, pas sur une vidéo de démonstration. Et s'il s'agit d'un appel ou d'un message vocal : la lecture à voix haute est courante et peu coûteuse, l'appel en temps réel est un autre produit et généralement une autre offre.
Ce que les images ne feront pas
Deux limites à connaître avant d'être déçu. Les mains, le texte et les détails fins restent peu fiables chez tous les générateurs de la catégorie ; personne n'a résolu cela. Et l'image ne connaît pas votre scène : le modèle de discussion rédige une seule ligne, donc tout ce qui n'y figure pas disparaît — la pièce que vous aviez décrite, ce qu'elle portait trois messages plus tôt, l'heure. Être explicite dans la demande corrige plus que n'importe quel réglage.
Juger le côté média en une soirée
Dépensez tout le quota gratuit en une seule session plutôt qu'une image par jour. Vous testez quatre choses : la cohérence (quatre images, un personnage), le respect de la consigne, la latence pour l'image et la voix, et — le point le moins documenté et le plus agaçant à découvrir après avoir payé — si une génération échouée ou refusée décompte quand même du quota.
