Comment savoir si une vidéo est générée par l'IA : un guide de terrain 2026

Repérer les vidéos générées par l’IA en 2026 est bien plus difficile qu’il y a deux ans. Sora, Kling, Runway Gen-3 et Pika 2.0 ont chacun abordé les artefacts visuels les plus évidents qui ont rendu les premières vidéos d'IA faciles à rejeter. Le grain de la caméra est réaliste. Le mouvement est plus fluide. Les visages humains ne se brisent plus en géométrie abstraite lors de mouvements rapides. Mais les tell n'ont pas disparu : ils ont migré. Ce guide explique où chercher maintenant, comment utiliser les outils lorsque vos yeux ne suffisent pas et comment créer une habitude de vérification qui suit le rythme de la technologie.

Pourquoi 2026 est différent

Le paysage de la génération vidéo a considérablement changé en 2024 et 2025. Les outils de première génération tels que Runway et Stable Video Diffusion ont produit des vidéos qui vacillaient, déformaient les visages et généraient des mouvements physiquement impossibles. La nouvelle génération – Sora, Kling 2.0, Runway Gen-3, Pika 2.0 – produit des résultats qui passent avec succès une inspection occasionnelle. Cela est important car cela modifie la charge de la preuve : vous ne pouvez plus vous fier à un seul artefact discordant pour parvenir à un verdict. La vérification nécessite désormais un examen systématique sur plusieurs dimensions, et souvent un outil médico-légal pour la confirmation finale.

Cohérence temporelle : le témoignage le plus fiable

L'artefact le plus cohérent dans la vidéo IA est incohérence temporelle— incohérence d'image à image dans les détails qui doivent rester stables. Regardez une vidéo suspecte à une vitesse de 0,25x et recherchez : une texture de peau qui se lisse puis se précise entre les images ; des éléments d'arrière-plan qui changent légèrement de position d'une image à l'autre ; des mèches de cheveux qui changent de trajectoire d’une monture à l’autre ; et des plis de tissu qui sautent plutôt que de couler. Ces micro-incohérences se produisent parce que les modèles vidéo d’IA génèrent des images avec un certain degré d’indépendance et que les contraintes de continuité, bien qu’améliorées, ne sont pas parfaites. La vidéo réalisée par l'homme est physiquement cohérente car elle capture la même scène réelle d'une image à l'autre.

Artefacts physiques : cheveux, eau, tissu

La simulation physique est le domaine où les générateurs vidéo d’IA actuels rencontrent encore les plus grandes difficultés. Cheveux est particulièrement révélateur : les vrais cheveux se déplacent comme un système unifié sous l’effet de la gravité, du vent et de l’élan. Les cheveux générés par l’IA produisent souvent des mèches individuelles qui bougent indépendamment ou disparaissent entre les images. Eau dans la vidéo IA, il manque souvent la tension superficielle et le comportement lumineux de l’eau réelle – elle a tendance à paraître légèrement trop lisse ou à s’animer avec une qualité en boucle et répétitive. Tissu doit se draper et bouger selon la physique du tissu et du corps en dessous ; Le tissu de l'IA coule parfois dans des directions qui ne correspondent pas au mouvement du personnage ou à une source de vent apparente. Lorsqu'une vidéo contient l'un de ces éléments, ralentissez-la et regardez-la attentivement.

Incohérences de fond

La génération vidéo IA a tendance à considérer l’arrière-plan comme moins important que le sujet au premier plan. Cela produit des arrière-plans subtilement incohérents d’un plan à l’autre – pas assez faux pour être immédiatement évidents, mais suffisamment décalés pour être surveillés de près. Recherchez : des éléments architecturaux qui changent d'un plan à l'autre (une fenêtre dans une position légèrement différente, un coin de mur qui change d'angle) ; des scènes de foule où différentes personnes semblent porter des vêtements légèrement différents entre les coupes ; et du texte sur des panneaux ou des écrans qui modifient le contenu ou le formatage d'une image à l'autre. La vraie vidéo, même avec des coupures et des prises multiples, capture un environnement physique cohérent.

Grains de caméra et modèles de bruit

Un indicateur fiable mais moins intuitif est le modèle de bruit de la vidéo. Les vraies caméras produisent un motif caractéristique de grain ou de bruit de capteur qui est cohérent et aléatoire d'une manière qui reflète la physique du capteur. La vidéo générée par l'IA manque totalement de grain (produisant des images anormalement nettes) ou ajoute du grain lors d'une étape de post-traitement qui ne correspond pas au comportement réel du bruit de la caméra - il peut se répéter, apparaître selon des motifs non naturels ou ne pas correspondre aux conditions d'éclairage apparentes. Zoomez sur une image fixe d'une vidéo suspecte et examinez les surfaces lisses (ciel, murs, peau) à la recherche de texture sonore. Le bruit vidéo de l’IA est souvent subtilement faux.

Analyse rPPG : le test du rythme cardiaque

Photopléthysmographie à distance (rPPG) est une technique qui détecte le flux sanguin dans la peau du visage en analysant les subtils changements de couleur provoqués par le rythme cardiaque. De vrais visages humains en vidéo présentent ces changements même lorsqu’ils sont invisibles à l’œil nu. Ce n’est généralement pas le cas des visages générés par l’IA, car le modèle de génération ne simule pas les processus physiologiques. Les outils médico-légaux qui intègrent l’analyse rPPG peuvent signaler les visages synthétiques même lorsqu’ils semblent visuellement convaincants. Il s’agit de l’une des méthodes de détection les plus puissantes pour les vidéos IA de type tête parlante en gros plan, ce qui est courant dans les deepfakes et les présentateurs de nouvelles générés par l’IA.

Indices spécifiques aux outils en 2026

Chaque grand générateur vidéo d’IA laisse ses propres empreintes digitales. Sora a tendance à produire des vidéos de très haute qualité de production avec un éclairage cinématographique, mais génère parfois des environnements presque trop parfaits : des arrière-plans qui ressemblent à des rendus CG plutôt qu'à la réalité capturée, et un mouvement qui n'a pas les imperfections des caméras portables ou même montées sur trépied. Kling produit d'excellents détails du visage mais a parfois du mal avec les membres longs et les parties périphériques du corps – surveillez les mains et les pieds lorsqu'ils apparaissent près des bords du cadre. Runway Gen-3 gère bien les scènes dynamiques mais peut produire des transitions entre les états de mouvement (arrêt pour démarrer, changement de direction) qui semblent légèrement mécaniques. Pika est plus fort sur les clips courts mais montre des artefacts temporels sur les générations plus longues. Aucune de ces règles n’est absolue, mais ce sont des hypothèses de départ utiles.

Quand utiliser les outils médico-légaux

Vos yeux sont utiles pour le tri initial mais insuffisants pour prendre des décisions à enjeux élevés. Les outils d'analyse vidéo médico-légale examinent : les modèles de domaine fréquentiel dans des images individuelles (la même approche utilisée pour la détection d'images) ; des mesures de cohérence temporelle à travers les séquences de trames ; analyse de synchronisation audiovisuelle ; et des modèles de distribution du bruit qui diffèrent entre la capture réelle de la caméra et la génération de l'IA. Le pipeline d'analyse vidéo de SUS IT applique ces méthodes pour signaler le contenu suspect même lorsqu'il passe l'inspection visuelle. Pour toute vidéo dont les enjeux sont importants (journalisme, preuves juridiques, prise de décision financière), faites-la passer par un outil médico-légal plutôt que de vous fier uniquement au jugement visuel.

Une liste de contrôle pratique de vérification

Lorsque vous rencontrez une vidéo suspecte : (1) Ralentissez-la à 0,25x ou 0,1x et examinez image par image les passages les plus dynamiques. (2) Vérifiez la physique — cheveux, eau, tissu et parties du corps en périphérie. (3) Examinez l'arrière-plan pour la cohérence entre les plans. (4) Observez les motifs de bruit sur les surfaces lisses en zoomant. (5) Surveillez les bords entre visages, cheveux et arrière-plans pour déceler des artefacts de fusion. (6) Contrôlez la synchronisation labiale sur toute parole — un léger décalage reste fréquent. (7) Passez-la dans des outils médico-légaux avant tout jugement à fort enjeu. Un seul artefact ne suffit pas à prouver ; une série d’artefacts, oui. Si vous ne voyez aucun artefact mais que le contenu est extraordinaire ou la source non vérifiée, considérez la vidéo comme non vérifiée, quelle que soit votre impression.

Les limites de la vérification

Aucune méthode de vérification n’est parfaite. Une vidéo fortement compressée ou réencodée perd les informations haute fréquence dont dépendent les outils médico-légaux. Les futurs générateurs vidéo IA corrigeront bon nombre des signaux décrits ici. La bonne posture n’est pas « Je peux toujours détecter les vidéos IA » mais plutôt « J’applique un examen systématique avant de traiter les vidéos extraordinaires comme authentiques ». Dans un deepfake de haute qualité, l’incertitude est la conclusion honnête. La question est de savoir si vous communiquez cette incertitude ou si vous prétendez avoir une certitude que vous n'avez pas.