Runway Characters : les avatars vidéo en temps réel de Runway tournent désormais sur quatre GPU H100 au lieu de huit
Runway détaille comment il sert Characters, ses personnages vidéo conversationnels générés à partir d'une seule image : un modèle d'environ 57 milliards de paramètres qui doit produire de la vidéo à 24 images par seconde pour un seul utilisateur, désormais sur quatre H100 par session au lieu de huit.
Un avatar qui répond en vidéo, en direct, ne peut jamais prendre de retard. C’est la contrainte que décrit Runway dans un billet de recherche publié le 5 novembre, accompagné d’un article technique : comment servir Characters, ses personnages conversationnels créés à partir d’une seule image, avec un modèle vidéo d’environ 57 milliards de paramètres.
Une horloge qui ne s’arrête pas
La génération vidéo classique travaille au rythme du modèle : on écrit un prompt, on attend, on récupère un clip. Un personnage qui converse doit au contraire suivre le rythme de son interlocuteur. À 24 images par seconde, le modèle doit produire un bloc de quatre images en 704 x 1088 toutes les 166,7 ms, aussi longtemps que dure l’échange. Chaque image porte sa part du son : un bloc en retard fige le visage et coupe la voix en même temps.
Impossible, en plus, de mutualiser les calculs entre utilisateurs comme le font la plupart des services d’IA : chaque session est un flux privé, en tête-à-tête. Tous les gains devaient donc venir de l’intérieur de chaque étape de calcul.
Moitié moins de GPU par session
Au lancement, Characters mobilisait huit H100 par session. Sur quatre, le logiciel d’origine mettait 240,9 ms par étape, bien trop lent. Runway a trouvé que 29 % du temps GPU servait à retraiter un cache presque inchangé ; en faisant ce travail une seule fois, à l’écriture de chaque image, la gestion du cache passe de 69,7 ms à 6,2 ms par étape. Un noyau qui fusionne calcul et communication entre GPU, et un GPU dédié au décodage des images, complètent le tableau. Résultat : 159,3 ms par étape, soit 24,5 images par seconde sur quatre H100, et 147,4 ms avec le noyau fusionné. Le système tourne aussi sur trois B200.
Pour vérifier que la qualité ne se dégrade pas, Runway a comparé la synchronisation des lèvres sur 51 clips : les écarts restent du même ordre que les variations entre deux exécutions identiques. Le billet raconte aussi les pannes : des fuites de mémoire après une mise à jour logicielle, et un simple appel de surveillance qui allongeait une étape de 168,5 à 278 ms.
Le vrai goulet : la voix
Mesuré sur 51 tours de parole, le délai médian entre la fin de la phrase de l’utilisateur et la réponse du personnage est de 2,13 s. La chaîne vidéo de Runway n’en prend que 0,49 s ; l’agent vocal, 1,42 s. Entre humains, rappelle Runway, ce silence est d’environ 208 ms en moyenne.
Notre lecture
Ce papier dit beaucoup de l’économie des avatars en direct : chaque conversation immobilise plusieurs GPU haut de gamme pour une seule personne, sans mutualisation possible. Diviser ce besoin par deux est un gain direct sur le coût de chaque minute de conversation, même si Runway n’annonce aucun changement de prix. La conclusion la plus utile pour les créateurs et les marques est ailleurs : l’image suit désormais, et c’est la voix qui fait attendre. Toutes les mesures restent celles de Runway, sur ses propres clips de test.
Sources
- Runway Research — Real-Time Video at Batch Size One (5 novembre 2026) Source primaire
- arXiv — Runway Characters: Serving a 57B Video Diffusion Transformer for Real-Time Conversation Source primaire
Une source primaire émane directement de l'entreprise, du laboratoire ou de l'organisme concerné. Une source secondaire rapporte l'information sans en être l'auteur : nous la signalons comme telle. Une erreur ? Consultez notre politique de correction.
