Les récentes avancées en diffusion vidéo démontrent une génération haute-fidélité remarquable, mais transformer des clips en moteurs de narration longue cohérents reste difficile. La plupart des pipelines agentiques existants souffrent de dérive sémantique et de défaillances en cascade en raison d'invites indépendantes et artisanales, nécessitant souvent une intervention manuelle exhaustive. Les méthodes existantes font également face à la dérive des caractéristiques et à l'effondrement du contenu.

Aujourd'hui, nous présentons notre recherche sur un co-réalisateur vidéo IA, un cadre unifié multi-agents qui planifie explicitement la continuité visuelle dans les récits multi-plans. Construit comme une couche d'orchestration au-dessus de Gemini et Veo, ce cadre hérite nativement de mécanismes de sécurité comme le filigrane Synth ID. Nous avons développé des cadres — Co-Director (à paraître à COLM 2026), CANVAS (à paraître à EMNLP 2026), A²RD et VQQA — qui traduisent la spécification créative humaine de haut niveau en exécution.

Ces cadres agissent comme des partenaires créatifs réactifs qui abstraient les charges de maintien de la continuité visuelle. À travers des évaluations complètes, notre cadre démontre des gains substantiels en cohérence narrative multi-plans et en persistance des personnages, générant avec succès des vidéos de plusieurs minutes tout en atténuant la dérive visuelle et la propagation d'erreurs dans le pipeline.

Pour assurer la cohérence sémantique, nous présentons le co-réalisateur vidéo IA, un cadre hiérarchique multi-agents formalisant la narration vidéo comme un problème d'optimisation globale. Cette direction de haut en bas garantit que l'ensemble du pipeline fonctionne sous une vision unifiée, alimentant des invites structurées aux modèles Gemini et Veo.

Entités clés : Entreprises : Google