Contexte et objectifs

Le film Odysseus: The Fall, réalisé par le cofondateur d Ash Koosha, se veut le «premier film entièrement généré par IA au niveau d’un blockbuster hollywoodien». Il dure 2,5 heures, est proposé à la location pour 9,99 $ et ne s’affiche que via un navigateur web. Le studio s’appuie sur son unique production précédente, Dreams of Violets, présentée au Festival de Tribeca plus tôt en 2026. L’ambition affichée est de remplacer la chaîne de production traditionnelle par une suite d’algorithmes capables de créer images, sons et dialogues sans intervention humaine.

Architecture et chaîne de production

Le pipeline déclaré combine plusieurs modèles de génération : des diffusion models pour les images fixes, des réseaux de transformation texte‑vers‑vidéo pour les séquences de quelques secondes, et des synthétiseurs vocaux basés sur des modèles de type TTS (text‑to‑speech). Chaque module possède des limites de longueur d’entrée : les modèles vidéo actuels ne supportent généralement pas plus de 5 à 10 secondes de continuité avant que la cohérence spatiale ne se détériore. Pour atteindre la durée totale, les créateurs ont donc découpé le scénario en dizaines de clips, les ont rendus séparément, puis les ont assemblés en post‑production automatisée. La voix d’Ash Koosha, utilisée à la fois pour le personnage principal et la bande‑son, provient d’un synthétiseur qui mappe le texte du script aux phonèmes, mais il ne gère pas correctement les noms propres, d’où les prononciations erronées de «Odysseus» et «Zeus».

Limites techniques et incohérences observées

Le visionnage révèle trois catégories de défauts directement liées aux contraintes du pipeline. Premièrement, la consistance spatiale est rompue : la hauteur du cyclope varie d’une prise à l’autre, les vagues se déplacent à contre‑vent, et les rames se tordent pendant que les marins rament. Ces artefacts proviennent du fait que chaque clip est généré indépendamment, sans mémoire globale du monde 3D. Deuxièmement, la cohérence temporelle des personnages est déficiente ; les acteurs numériques restent figés pendant plusieurs secondes, puis reprennent avec des mouvements brusques, signe d’une interpolation insuffisante entre les séquences vidéo. Troisièmement, le synchro audio‑visuel échoue : les lèvres ne correspondent pas toujours aux dialogues, et certains dialogues sont incompréhensibles, ce qui reflète les limites actuelles des modèles TTS lorsqu’ils sont contraints à un débit de parole élevé ou à des langues peu représentées dans les jeux de données d’entraînement. Enfin, les effets spéciaux – monstres, armes, décors – ressemblent à des rendus de stop‑motion des années 1930, preuve que les modèles de diffusion ne reproduisent pas encore la finesse des rendus photoréalistes attendus dans les blockbusters.

Implications pour le futur du cinéma IA

Ces constats montrent que, malgré une ambition marketing forte, les technologies de génération d’images et de sons ne sont pas prêtes à remplacer la chaîne de production traditionnelle pour des œuvres de longue durée. La nécessité de découper le scénario en micro‑segments, la perte de cohérence physique et la mauvaise synchronisation audio‑visuelle indiquent que les modèles actuels manquent de représentation continue du monde et d’une compréhension narrative profonde. À moins que les architectures futures n’intègrent des mécanismes de mémoire à long terme et des simulateurs physiques, les films IA resteront des expériences fragmentées, plus adaptées à des courts métrages ou à des séquences publicitaires qu’à des épopées de plusieurs heures.