WeVisCut : Tencent publie en accès libre un agent de montage vidéo de 9 milliards de paramètres
Des chercheurs de WeChat (Tencent) et de l'université de Xidian ont publié WeVisCut, un agent de 9 milliards de paramètres qui transforme un texte ou un script de narration en vidéo montée de plusieurs minutes, avec le code et l'éditeur sous licence Apache 2.0 et les poids sur Hugging Face. Sur leur propre banc d'essai, il fait jeu égal avec Claude Opus 5 en générant environ 33 fois moins de jetons.
Tencent ouvre un agent de montage vidéo complet. Des chercheurs de WeChat Vision et de l’université de Xidian ont publié WeVisCut, un modèle de 9 milliards de paramètres qui transforme un article ou un script de narration en vidéo montée de plusieurs minutes. Le code, l’éditeur et la chaîne de fabrication des données sont publiés sous licence Apache 2.0, et les poids sont sur Hugging Face. Leur licence reste à clarifier : le fichier de licence du dépôt GitHub les inclut dans l’Apache 2.0, mais la fiche Hugging Face renvoie à des conditions propres aux poids et aux composants tiers.
Un seul petit modèle à la place d’une équipe d’agents
La plupart des « monteurs » à base d’IA enchaînent plusieurs agents pilotés par de grands modèles généralistes. WeVisCut fait l’inverse : un seul modèle joue tour à tour le chef d’orchestre, le rédacteur et le critique. À chaque étape, il lit l’état du projet et appelle un outil parmi douze : découper le texte en chapitres, planifier les plans, générer la voix off, chercher des images, remplir des modèles d’animation, choisir la musique, rendre un plan, juger le résultat, se corriger, puis assembler. Il faut en moyenne une douzaine d’appels par vidéo.
Le résultat s’ouvre dans un éditeur, le Studio, avec huit pistes synchronisées (chapitres, plans, narration, sous-titres, images, modèles, musique, rendu). On peut y retoucher un plan à la main ou par conversation (« remplace l’image à 0:15 ») et ne recalculer que ce qui a changé.
Un entraînement à partir de vidéos terminées
La difficulté, expliquent les auteurs dans leur article de recherche, est qu’une vidéo finie ne garde aucune trace des décisions de montage. L’équipe a donc « désassemblé » 3 750 vidéos commentées publiées sur Bilibili (sciences, technologie, finance, histoire…) pour retrouver l’intention de chaque plan, puis rejoué ce montage avec ses propres outils, erreurs et corrections comprises. Il en sort 134 771 exemples d’entraînement, utilisés pour affiner Qwen3.5-9B en trois phases, dont deux d’apprentissage par renforcement.
Jeu égal avec Claude Opus 5, pour 33 fois moins de jetons
Selon les tableaux de résultats de l’article, sur un banc d’essai de 100 tâches conçu par l’équipe, WeVisCut obtient un score global de 90,5, contre 89,9 pour Claude Opus 5 utilisé avec les mêmes outils. Il génère surtout 2 377 jetons par minute de vidéo réussie, contre 78 763 pour Opus 5, soit environ 33 fois moins. Face à deux autres systèmes de recherche, Crayotter et VideoAgent, il est aussi devant sur les cinq métriques et sur l’avis de trois annotateurs humains. Le modèle demande environ 24 Go de mémoire GPU NVIDIA.
Notre lecture
WeVisCut vise un format précis, la vidéo explicative avec voix off et images d’illustration, celui qui inonde YouTube et Bilibili. Sur ce terrain, il montre qu’un petit modèle spécialisé peut rivaliser avec un modèle de pointe pour une fraction du coût, et qu’il tient sur une seule carte graphique. Deux limites : les scores viennent d’un banc d’essai et de métriques écrits par les auteurs, et la qualité finale dépend des images trouvées sur le Web, avec les questions de droits que cela pose pour un usage commercial. Pour les créateurs, l’intérêt immédiat est l’éditeur qui reste modifiable après le montage automatique, plutôt qu’une vidéo figée.
Sources
- arXiv — WeVisCut: The Whole Editing Room in One Agent, From Narration to Long-Form Video (2610.38352) Source primaire
- GitHub — Tencent/WeVisCut Source primaire
- Hugging Face — tencent/WeVisCut Source primaire
- GitHub — Tencent/WeVisCut, fichier LICENSE 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.
