Présentation de Visuals

Suno a ajouté à son service musical une fonction nommée Visuals. Elle crée des images et des clips vidéo de quinze secondes qui s’ajustent automatiquement aux pistes audio. L’outil est accessible depuis le web, iOS et Android, sous un onglet dédié dans le mode Create. L’utilisateur choisit une portion du titre (maximum 15 s) et fournit une image de référence – soit un des personnages fournis par Suno, soit un fichier personnel, soit une image générée à la volée via une description textuelle.

Architecture et modèle H3 Move

Le cœur du générateur repose sur le modèle H3 Move, dérivé du modèle H3 de MiniMax. Ce modèle combine un réseau de diffusion pour la synthèse visuelle et un alignement audio‑visuel qui assure le lipsync. Suno indique que le modèle a été « optimisé pour notre communauté », ce qui implique un fine‑tuning sur des jeux de données musicaux et vidéo afin de réduire le décalage temporel entre parole et mouvement des lèvres. Aucun détail de la taille du modèle ou du nombre de paramètres n’est fourni, mais l’utilisation d’un modèle dérivé de MiniMax suggère une architecture de type transformer à plusieurs couches, typique des générateurs multimodaux récents.

Fonctionnalités de génération et filtres de protection

Visuals propose trois modes de référence d’image, la sélection d’aspect ratio (paysage ou portrait) et un réglage du point d’entrée ou de sortie de l’image dans le clip. Un interrupteur active le lipsync automatique, tandis qu’une timeline intégrée permet d’assembler plusieurs séquences de quinze secondes et d’ajouter du texte de paroles. Le système intègre également une suite de filtres textuels et visuels destinés à bloquer la création d’images représentant des artistes, des personnalités publiques ou des œuvres protégées. Ces filtres fonctionnent en analysant le prompt et le rendu final, mais la description ne précise pas la méthode (détection de mots‑clés, réseaux de classification, etc.).

Implications commerciales et limites

La génération d’images et de vidéos utilise des « Visuals credits », distincts des crédits utilisés pour la création musicale. Cette séparation crée un coût supplémentaire pour les utilisateurs, sans que le tarif exact ne soit indiqué. La durée maximale de quinze secondes limite l’usage à des teasers ou des extraits, ce qui contraint les créateurs souhaitant produire des clips plus longs. L’ajout de la fonction vidéo intervient après une série de poursuites liées au générateur musical de Suno, ce qui montre une diversification du produit mais suscite des critiques d’utilisateurs qui préfèrent des améliorations sur la génération audio. Enfin, l’absence de spécifications sur la résolution ou le format de sortie laisse incertain le degré de compatibilité avec les plateformes de diffusion classiques.