Synthesia s’allie à Shutterstock pour rendre ses avatars IA plus expressifs

Les avatars vidéo ne se contentent plus de lire un texte face à la caméra. Pour être convaincants dans une formation interne, une présentation commerciale ou un message de prévention, ils doivent aussi sembler réagir, adopter une posture cohérente et faire passer une intention. C’est sur ce terrain que Synthesia, spécialiste britannique de la vidéo générée par intelligence artificielle, veut progresser en s’associant à Shutterstock, fournisseur de contenus visuels sous licence.

Au 11 avril 2025, l’accord prévoit que Synthesia rémunère Shutterstock, pour un montant qui n’a pas été communiqué, afin d’accéder à une vaste bibliothèque de séquences vidéo professionnelles. Ces images serviront à entraîner le dernier modèle d’IA de la jeune pousse, dont la valorisation a atteint environ 2,1 milliards de dollars après une levée de fonds de 180 millions de dollars. L’enjeu ne consiste pas à reproduire à l’identique les personnes filmées dans ces clips, mais à apprendre plus finement les codes des interactions humaines, notamment dans le monde du travail.

Un accord pour entraîner les avatars, pas pour copier les figurants

Shutterstock commercialise des photos, des illustrations, de la musique et des séquences vidéo, souvent appelées stock footage. Ses catalogues sont utilisés par des entreprises, des médias et des créateurs qui veulent intégrer des visuels à leurs productions dans un cadre de licence. Pour Synthesia, ces séquences représentent surtout une matière première utile pour observer des situations variées : une personne qui présente une idée, écoute un collègue, fait un geste explicatif ou adapte son expression à son discours.

Dans une vidéo produite avec Synthesia, l’utilisateur part généralement d’un script et sélectionne un présentateur virtuel. Le système génère ensuite une personne numérique qui prononce le texte. La qualité perçue dépend bien sûr de la synchronisation entre les mots et les lèvres, mais également d’éléments moins visibles au premier regard : le rythme des mouvements, la direction du regard, la posture, la manière de marquer une pause ou l’adéquation entre une expression et une phrase.

Cette dernière précision est centrale. L’entraînement d’un modèle consiste à dégager des régularités à partir de très nombreux exemples. Dans ce cas, Synthesia cherche à modéliser les gestes et comportements observés dans des situations professionnelles. Cela ne signifie pas qu’une personne visible dans une vidéo Shutterstock deviendra automatiquement un avatar disponible dans l’outil.

Pourquoi le langage corporel est devenu un enjeu majeur

Les premières générations de présentateurs virtuels étaient surtout conçues pour transmettre clairement un texte. Elles convenaient à des vidéos simples, mais leurs mouvements pouvaient sembler limités ou répétitifs. Or, dans une communication d’entreprise, la forme joue directement sur la compréhension et la confiance : une démonstration de cybersécurité n’appelle pas le même ton qu’un message d’accueil pour de nouveaux salariés ou qu’un module de formation réglementaire.

Avec les vidéos de Shutterstock, Synthesia espère mieux représenter les nuances de la communication humaine. L’entreprise vise des avatars capables de produire des réactions plus plausibles à travers trois dimensions :

• les expressions faciales, qui donnent une coloration au propos ;
• les tonalités vocales, qui modifient la façon dont un message est perçu ;
• le langage corporel, qui comprend la posture, les gestes et les interactions courantes.

L’intérêt des clips professionnels est qu’ils montrent précisément des scènes que les entreprises cherchent à recréer dans leurs propres contenus : prises de parole, échanges entre collègues, explications, formations ou présentations. Synthesia veut ainsi réduire l’écart entre une vidéo avec un intervenant filmé et une séquence générée à partir d’un texte, sans devoir réunir une équipe de tournage à chaque mise à jour.

Des acteurs rémunérés et licenciés pendant trois ans

L’amélioration technique des avatars pose immédiatement une question concrète : qui fournit le visage et la voix du présentateur numérique, et selon quelles règles ? Synthesia indique exploiter les ressemblances d’acteurs dans le cadre de licences de trois ans. Chaque acteur est rémunéré pour la création de son avatar, sur une base correspondant à un maximum de six heures de travail.

Ce modèle distingue les acteurs recrutés spécifiquement pour devenir des avatars des personnes susceptibles d’apparaître dans les vidéos utilisées pour l’entraînement. Dans le premier cas, il existe une relation contractuelle portant sur l’utilisation de leur ressemblance. Dans le second, le rôle des clips Shutterstock est d’aider le modèle à mieux comprendre des comportements généraux, et non de créer un double numérique des personnes filmées.

La société a également prévu d’offrir des actions aux acteurs associés aux avatars les plus populaires. Cette initiative traduit une volonté de reconnaître que les artistes ne sont pas de simples fournisseurs de données : leur image, leur prestation et leur travail participent directement à la valeur du produit final. Elle ne règle toutefois pas à elle seule toutes les interrogations liées aux contenus servant à entraîner les systèmes d’IA.

Quels usages pour les vidéos générées par Synthesia ?

Synthesia se concentre sur les communications professionnelles. Ses avatars sont déjà utilisés par des organisations telles que Lloyds Bank et British Gas, mais aussi par le NHS, la Commission européenne et l’Organisation des Nations unies. Les cas d’usage cités vont de la communication interne à la formation, y compris sur des sujets comme la cybersécurité.

L’intérêt pour ces organisations est d’abord opérationnel. Une procédure change, une campagne doit être diffusée dans plusieurs langues ou un module de formation doit être mis à jour ? La production d’une nouvelle version peut être plus rapide qu’un tournage traditionnel. Cette approche ne remplace pas nécessairement la vidéo filmée, particulièrement lorsqu’une intervention personnelle, une émotion singulière ou une mise en scène complexe sont recherchées. Elle répond en revanche à des besoins récurrents et très structurés, où le script doit être diffusé de façon homogène.

Synthesia pose aussi une limite à ses propres usages : l’entreprise exclut l’utilisation de ses avatars à des fins politiques ou journalistiques. Ce choix vise à circonscrire le produit au cadre professionnel et commercial, dans un contexte où les images synthétiques soulèvent des risques de confusion avec des prises de parole authentiques. Une vidéo convaincante n’est pas neutre : plus un avatar paraît humain, plus il importe que son statut soit compris par le public qui la regarde.

Le partenariat ravive le débat sur le droit d’auteur au Royaume-Uni

L’accord entre Synthesia et Shutterstock arrive dans une période de tension entre les entreprises d’intelligence artificielle et les secteurs créatifs. Les modèles d’IA ont besoin de grandes quantités de textes, d’images, de sons ou de vidéos pour apprendre des régularités. Mais ces œuvres et enregistrements peuvent être protégés par le droit d’auteur, par des contrats ou par des droits liés à l’image et à l’interprétation.

Le partenariat illustre une voie fondée sur la licence : Synthesia paie Shutterstock pour accéder à des contenus destinés à l’entraînement. Cette approche apporte un cadre commercial identifiable entre deux entreprises. Elle ne fait pas disparaître le débat général sur la façon dont les données d’entraînement doivent être obtenues, documentées et rémunérées, mais elle montre l’importance prise par les bibliothèques de contenus licenciés dans l’économie de l’IA générative.

Au Royaume-Uni, le gouvernement envisage alors d’assouplir les règles de droit d’auteur pour faciliter l’utilisation de contenus protégés par des entreprises technologiques. Cette perspective suscite une forte opposition chez de nombreux professionnels de la création, qui redoutent de perdre la maîtrise de leurs œuvres et de ne pas être correctement rémunérés. Beeban Kidron, critique des propositions gouvernementales, voit dans ce partenariat le signe des insuffisances de l’approche législative actuelle.

Le point de friction est simple à formuler, même s’il est difficile à résoudre : les entreprises d’IA cherchent des données riches et diversifiées pour améliorer leurs produits, tandis que les créateurs demandent un consentement clair, de la transparence et une juste contrepartie. Les solutions contractuelles, comme celle conclue avec Shutterstock, peuvent répondre à une partie du problème. Elles n’épuisent pas les questions concernant les œuvres présentes ailleurs sur internet, les archives, les plateformes ou les catalogues dont les droits sont complexes à identifier.

Ce qu’il faut surveiller après cet accord

Pour Synthesia, la qualité des nouveaux avatars sera le premier test. La promesse porte sur des présentateurs plus expressifs, avec des réactions et des gestes plus naturels dans des contextes professionnels. Les utilisateurs devront juger si ces progrès rendent les vidéos réellement plus claires et plus engageantes, plutôt que simplement plus sophistiquées sur le plan visuel.

Le deuxième enjeu concerne la transparence. À mesure que les avatars gagnent en naturel, entreprises et institutions devront veiller à ce que les destinataires comprennent lorsqu’ils regardent une vidéo générée par IA. Cette précaution est particulièrement importante dans les domaines où la confiance est centrale, comme la banque, la santé, les services publics ou la formation à la sécurité.

Enfin, le partenariat sera observé comme un exemple de relation entre une entreprise d’IA et un détenteur de catalogue. Il met en avant une logique de licences et de rémunération, au moment où les règles britanniques sur le droit d’auteur sont vivement discutées. L’avenir de la création numérique dépendra autant de la capacité des modèles à mieux représenter les humains que des conditions dans lesquelles les humains, artistes, interprètes et créateurs, acceptent de contribuer à leur développement.