Générer des vidéos par IA dans n8n : Sora 2, Veo 3 et le pipeline complet

Depuis 2025, la génération vidéo par IA est passée du prototype impressionnant à l'API qu'on peut effectivement brancher dans un pipeline de production. La base théorique de ce saut remonte aux travaux de Ho, Salimans, Gritsenko, Chan, Norouzi et Fleet, « Video Diffusion Models », présentés à NeurIPS 2022 (voir sur Google Scholar) : les auteurs y montrent qu'un modèle de diffusion standard, adapté pour traiter des séquences de frames plutôt qu'une image isolée, suffit à générer des vidéos cohérentes. Trois ans plus tard, Sora 2 chez OpenAI et Veo 3 chez Google exposent cette technologie derrière une API HTTP classique. Voici comment construire un pipeline n8n complet : script généré par IA, génération vidéo, assemblage, publication.

Sora 2 et Veo 3 : deux API, un seul node

Sora 2 (OpenAI). L'API Videos d'OpenAI accepte un prompt texte et retourne un job asynchrone : vous soumettez la demande, puis vous interrogez régulièrement le statut jusqu'à obtenir l'URL du fichier vidéo. Sans node natif, un simple HTTP Request avec votre credential OpenAI fait l'appel de soumission.

Veo 3 (Google, via Gemini API ou Vertex AI). Même logique côté Google : soumission d'un prompt (avec éventuellement une image de référence pour le premier plan), puis polling d'une opération longue jusqu'à disponibilité du résultat. Le node HTTP Request suffit également, avec les credentials Google Gemini déjà configurés pour vos workflows texte.

Le pattern asynchrone est identique dans les deux cas : soumission, puis attente. Un node Wait de quelques dizaines de secondes entre chaque relève évite de marteler l'API en boucle serrée, et les retries avec backoff absorbent les erreurs transitoires — un rendu vidéo prend de 30 secondes à plusieurs minutes selon la durée et la résolution demandées.

Faire écrire le script par un LLM avant de générer

Un prompt vidéo mal construit produit des plans incohérents ou hors sujet — c'est encore plus vrai que pour l'image, car il faut décrire une action qui se déroule dans le temps. Le pattern robuste ajoute, comme pour l'image, un étage de rédaction : une LLM Chain transforme le sujet brut (accroche produit, idée de contenu) en script détaillé plan par plan — description visuelle, mouvement de caméra, durée, ambiance sonore. Verrouillez la sortie avec un Structured Output Parser (champs scene, prompt_visuel, duree_secondes, ratio) : c'est exactement l'architecture LLM Chain + Structured Output Parser déjà utilisée dans le Pack Inbox IA pour la classification d'emails, rebranchée vers un usage créatif.

Ancrer la vidéo sur une image de référence

Les deux API acceptent en complément du prompt texte une image de référence (image-to-video) : le modèle anime ce visuel plutôt que de partir d'un plan totalement halluciné. C'est le cas d'usage le plus fiable en e-commerce — une photo produit générée avec le pipeline d'images IA sert de premier plan, l'API vidéo se contente d'y ajouter un mouvement de caméra ou une mise en situation. Le gain est double : la cohérence visuelle du produit (couleur, forme, logo) est garantie par l'image source plutôt que confiée à la génération vidéo, et le prompt à écrire se réduit à décrire le mouvement, ce qui réduit le taux de rendus à rejeter.

Assembler plusieurs scènes

Les modèles actuels génèrent des clips courts (typiquement 4 à 12 secondes) : une vidéo narrative plus longue s'obtient en générant chaque scène séparément puis en les enchaînant. Une boucle Loop Over Items parcourt le tableau de scènes produit par le Structured Output Parser, soumet chaque prompt à l'API vidéo, et collecte les fichiers résultants au fur et à mesure. Le montage final (concaténation, transitions, sous-titres, bande son) sort du périmètre d'un simple appel HTTP : un service de rendu comme Shotstack ou Creatomate s'appelle avec le même pattern HTTP Request + polling, en lui passant la liste des clips générés. Les vidéos transitent en données binaires volumineuses d'un node à l'autre : notre guide sur la gestion des fichiers volumineux et du binary data explique comment éviter de saturer la mémoire de l'instance sur ce type de charge.

Stocker, valider, puis publier

Stockez systématiquement le fichier brut avant tout post-traitement — le rendu coûte cher, le régénérer par erreur double la facture. Un bucket S3 ou Google Drive fait l'affaire, avec les métadonnées (prompt, modèle, coût, scènes) dans une Data Table. Avant publication, une étape de validation humaine via Slack reste recommandée tant que vos prompts ne sont pas rodés : contrairement à un texte, une vidéo ratée saute aux yeux immédiatement.

Côté diffusion, la vidéo générée rejoint vos pipelines existants : upload avec métadonnées générées par IA sur YouTube, publication sur TikTok ou Instagram, ou relais sur LinkedIn pour du contenu B2B.

Coûts et garde-fous

La facturation se fait à la seconde de rendu, pas au clip : Sora 2 standard tourne autour de 0,10 $/s en 720p, la version Pro entre 0,30 $ et 0,70 $/s selon la résolution — un clip de 10 secondes coûte donc de 1 à 7 $ selon la qualité visée. Un tarif batch (soumission différée, résultat sous 24h) réduit la note de moitié pour les usages non urgents, typiquement une production programmée la nuit. Ce coût par génération rend indispensable le suivi des coûts IA déjà recommandé pour le texte et l'image : un plafond de génération par exécution, et un journal qui trace chaque rendu avec son coût réel.

Deuxième garde-fou, spécifique à ce marché encore jeune : les API vidéo bougent vite. OpenAI a par exemple annoncé le retrait de l'API Sora 2 initiale pour fin septembre 2026, au profit des versions suivantes — un cycle de vie bien plus court que celui des API texte. Isolez l'appel de génération dans un sub-workflow dédié, avec la même logique de fallback multi-fournisseurs que pour les LLM texte : un seul endroit à modifier si un fournisseur change de version ou de tarification.

Enfin, gardez les prompts loin des marques tierces, des personnes réelles identifiables et des voix ou styles connus — les conditions d'usage commercial varient d'un fournisseur à l'autre et se resserrent à mesure que la technologie mûrit.

Verdict

Un pipeline vidéo IA dans n8n s'articule en cinq étages : LLM qui découpe le sujet en scènes structurées, appel HTTP Request en mode soumission-et-relève vers Sora 2 ou Veo 3, boucle d'assemblage pour les vidéos multi-scènes, stockage avec validation humaine, publication multi-plateforme. Le montage est plus lourd que pour l'image ou le texte, mais repose sur les mêmes briques n8n déjà maîtrisées ailleurs dans vos workflows — de quoi industrialiser un format de contenu qui, il y a encore un an, exigeait un monteur vidéo à chaque itération.