Carton titre principal pour une comparaison de FastFrames Video Generation et Google Veo 3.1, avec des badges « 36 ms par image », « 480p, muet », « poids ouverts », « 24 $ par minute », « 4K native » et « SynthID et C2PA », et le logo OrcaRouter en bas à droite.
Guides & Insights

FastFrames Video Generation vs Google Veo 3.1 : le temps réel face au film finalisé

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Ces deux systèmes ne sont pas en concurrence pour le même travail, et le moyen le plus rapide de le constater est de demander ce que chacun refuse de faire. FastFrames Video Generation, qu’Apple a rendu public le 16 novembre 2026, l’article suivant paraissant le 17, ne vous donnera pas un fichier que vous pouvez remettre à un client : il plafonne à 480p, il est muet et il ne dispose d’aucun point de terminaison hébergé. Google Veo 3.1 ne vous fournira pas une image en moins d’une seconde : l’offre standard est facturée à la minute de rendu final, et sa latence se compte en dizaines de secondes. L’un est une infrastructure pour quelque chose d’interactif. L’autre est une maison de production. Les comparer uniquement sur la qualité reviendrait à comparer un appareil photo à une équipe de tournage.

Six dimensions, et qui a mesuré chacune d’elles

Commencez par ce qui est mesuré, et faites attention à qui l’a mesuré. Les chiffres de Veo 3.1 ci-dessous proviennent des classements vidéo d’Artificial Analysis tels qu’enregistrés en octobre 2026, avant l’existence de FastFrames. Les chiffres de FastFrames proviennent du tableau 1 de l’article d’Apple lui-même, sur les mêmes prompts et graines en 480p. Aucun organisme indépendant n’a testé FastFrames, et aucun classement ne l’a évalué. Lorsque vous voyez un chiffre Veo, il s’agit d’une mesure réalisée par un tiers ; lorsque vous voyez un chiffre FastFrames, il s’agit d’une affirmation du fournisseur.

• Latence — FastFrames-S à 36 ms par image sur un seul B200, environ 28 requêtes par seconde, contre Veo 3.1 à plusieurs dizaines de secondes par clip, vendu à la durée plutôt qu’à l’image.

• Résolution — FastFrames en 832×480, aucune autre option, contre Veo 3.1 en 720p, 1080p et 4K natif selon le niveau.

• Audio — {{1}}FastFrames{{/1}} n’en génère aucun, contrairement à Veo 3.1 qui produit nativement de la stéréo 48 kHz avec dialogue, musique et effets dans le même appel, generate_audio étant désactivé par défaut.

• Prix — FastFrames n'a pas de tarif car il n'a pas d'endpoint ; vous achetez des GPU plutôt que Veo 3.1 à 24,00 $ par minute de sortie, ou 9,00 $ avec l'offre Fast et 4,80 $ avec Lite.

• Accès — {{1}}FastFrames{{/1}} sous forme de poids téléchargeables sous la licence AMLR d'Apple, auto-hébergé sous Linux avec CUDA 12.8, face à {{2}}Veo 3.1{{/2}} via l'API de Google et des plateformes tierces, sans poids.

• Provenance — FastFrames n’en publie aucune, tandis que Veo 3.1 intègre des filigranes SynthID et des justificatifs de contenu C2PA dans chaque sortie.

A two-column scoreboard comparing FastFrames and Veo 3.1 across six dimensions: latency 36 ms per frame against seconds per clip, resolution 832x480 against up to native 4K, audio none against 48 kHz stereo, clip length 81 frames about 5 seconds against 4, 6 or 8 seconds plus extension, price GPU time only against $24.00 per minute, and access open weights against hosted API with no weights.

Ce que Veo 3.1 vous apporte réellement

Le discours de vente de Veo 3.1 n’est pas « le plus beau rendu ». C’est « fini ». Le modèle prend une invite textuelle, jusqu’à trois images de référence, une graine et une invite négative, puis renvoie un clip de 4, 6 ou 8 secondes avec stéréo 48 kHz synchronisée — dialogues, ambiance et effets générés avec l’image, mouvements des lèvres alignés sur la parole. L’extension de scène enchaîne ces clips. Les paliers ajoutent de la résolution jusqu’à la 4K native. Chaque fichier porte un filigrane SynthID et une attestation C2PA, ce qui fait la différence entre un actif qu’une équipe juridique validera et un autre qu’elle ne validera pas.

En termes de qualité, il est bon sans être leader. Dans le relevé d’octobre 2026 du classement image-vers-vidéo d’Artificial Analysis, Veo 3.1 occupait la douzième place avec un Elo de 1 082 et un intervalle de ±7 sur 7 040 échantillons. Le niveau Fast était dix-septième à 1 066 ±6 sur 14 688 échantillons, et le niveau Lite quinzième à 1 071 ±8 sur 5 122 échantillons — trois niveaux, une qualité statistiquement indiscernable, des prix séparés d’un facteur cinq. Sur le classement texte-vers-vidéo, il se classait dix-neuvième à 962 ±10 sur environ 3 000 échantillons. En croisant ces données, la conclusion pratique est que le choix du niveau de Veo 3.1 relève du budget, non de la qualité, et que son véritable avantage concurrentiel réside dans l’audio, la 4K et la provenance plutôt que dans l’Elo.

Ce que FastFrames prouve réellement

L’affirmation intéressante dans le communiqué d’Apple est plus étroite que « modèle vidéo plus rapide » et bien plus difficile à écarter. La diffusion vidéo autorégressive est lente pour des raisons qui ont peu à voir avec le transformer : l’autoencodeur variationnel qui reconvertit les latents en pixels domine le budget, tout comme la mise à jour du cache KV qui transporte le contexte vers le bloc suivant. Apple a remplacé le premier par un décodeur de pixels de 63,87 millions de paramètres — trois blocs ConvNeXt causaux plus une tête linéaire — et le second par un réseau d’affinage à tronc partagé et quatre blocs coûtant 2 millisecondes sur le petit modèle et 6 sur le grand. Le DiT est gelé dans l’étape finale.

• Décodage VAE — environ 147 ms par image, soit environ 1 ms.

• DiT, 1,3 Md — 41,6 ms devient 16,4 ms, ou 5,8 ms répartis sur huit GPU.

• DiT, 14B — 89,2 ms passe à 75,6 ms, soit 20,3 ms sur huit GPU.

• Causal Forcing++ au total, 1,3 B — 271,8 ms passe à 35,8 ms, soit une réduction de 7,6×.

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that both checkpoints generate 480p at under 50 milliseconds per frame, with tabs for demo, abstract, quality-latency plots, pipeline and comparisons.

Les deux checkpoints sont distillés à partir de Wan2.1 — FastFrames-S à partir de Wan2.1-T2V-1.3B, FastFrames-L à partir de Wan2.1-T2V-14B — à l’aide de la recette Causal Forcing++, et le décodeur de pixels a été entraîné pendant environ une semaine sur 32 B200 sur 150 000 rollouts, avec une passe adversariale sur huit B200 face à un discriminateur DINOv3 ViT-S/16 gelé. Les chiffres VBench des auteurs placent FastFrames-S à 84,23 et FastFrames-L à 84,44, contre 84,11 pour la référence dont il a été distillé et 84,42 pour Krea-Realtime, qui tourne à 1 675 ms par image.

Deux choses pour lesquelles FastFrames ne peut pas être utilisé, et une pour laquelle il le peut.

Il ne peut pas remplacer un clip livré.

La 480p est un plafond strict dans la configuration publiée. Apple annonce une latence en 720p — 127 ms par image sur le petit modèle, 116 ms sur le grand avec huit GPU — mais aucun poids ni réglage 720p n'est livré. Il n'existe aucune voie audio, si bien que tout plan de présentateur face caméra, toute démo produit avec voix off, ou tout contenu qu'un client regardera avec le son nécessite un pipeline audio distinct. Et à 12,8 secondes par clip pour le modèle 14B sur un seul GPU, le grand modèle est plus lent que la lecture, à moins de disposer d'un nœud complet.

Cela ne peut pas être appelé

Il n’existe pas d’endpoint Apple. FastFrames est une version de recherche : les poids sont sur Hugging Face sous licence AMLR, le code sur GitHub, et une application de démonstration LingBot-World v2 sous CC BY-NC-SA 4.0 — non commerciale. Pour l’utiliser, il faut Linux x86-64, un GPU NVIDIA, CUDA 12.8, uv sync et un répertoire de checkpoints. C’est un problème d’approvisionnement avant d’être un problème technique.

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', the two checkpoints, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

Cela peut donner à une boucle live l’impression d’être vraiment live.

À 36 ms par image, FastFrames-S sur un seul B200 génère de la vidéo 1,7 fois plus vite qu'elle n'est lue. C'est le seuil auquel un aperçu génératif répond à une entrée en une ou deux images, ce qui transforme les avatars en streaming, les modèles du monde contrôlables et le prototypage interactif en produits d'une autre nature plutôt qu'en produits plus lents. Les démonstrations d'Apple elles-mêmes rendent interactifs deux systèmes existants : la variante 1,3B de LingBot-World passe de 1 085 à 52 ms par image, soit une chute de 16×, et sa version 14B de 3 862 à 233. RealWonder 1,3B passe de 1 141 à 51. Aucun de ces systèmes ne remplace Veo non plus — ce sont des choses que Veo ne peut pas faire à aucun prix, car aucune API hébergée ne facture à l'image au cours d'une session.

Si vous devez livrer quelque chose ce trimestre

La règle de décision est simple. Si le livrable est un fichier — un spot publicitaire, une vidéo produit, une vidéo explicative avec voix —, Veo 3.1 est l’outil abouti et FastFrames ne peut pas entrer en ligne de compte, car il ne peut fournir ni son ni 1080p. Si le livrable est une expérience — une démo en direct, un personnage interactif, un outil où un humain pilote et voit le résultat immédiatement —, aucun modèle vidéo hébergé ne le fait aujourd’hui, FastFrames est la voie ouverte la plus crédible pour y parvenir, et le coût est un GPU et une revue de licence.

Il existe un troisième cas, et c’est le plus courant : une équipe qui veut savoir si le cas interactif vaut la peine d’être construit. Prototyper cela sur un modèle hébergé coûte moins cher que d’acheter du temps B200, et OrcaRouter est là où le versant hébergé tient à une seule clé — le même point de terminaison couvre Kling 3.0, Kling 3 Turbo et Kling Video O1 aux côtés de MiniMax H3, tous au tarif catalogue du fournisseur avec 0 % de marge, de sorte qu’un changement de tarif du fournisseur apparaît sur votre facture le jour même où il survient. FastFrames lui-même ne figure pas dans ce catalogue et nous ne le servons pas ; rien dans cette version ne change ce que nous hébergeons. Ce qu’une seule clé permet d’acheter, c’est la possibilité de mesurer la latence que vos utilisateurs tolèrent réellement avant d’engager du matériel pour la battre.

Où cela mène ensuite

L’écart entre les deux systèmes est un écart dans ce que le silicium fait pendant la génération, et il se comblera par les deux bouts. Les fournisseurs hébergés vendent déjà des niveaux plus rapides, et la technique du décodeur au niveau du pixel est en principe agnostique au modèle — elle est entraînée pour chaque modèle de base, mais rien en elle n’exige Wan2.1. La version de cette comparaison qui compte se situe dans dix-huit mois : un modèle hébergé 1080p avec audio qui renvoie un clip en moins d’une seconde, facturé à la seconde plutôt qu’à la minute. D’ici là, le résumé honnête est que FastFrames a remporté la course à la latence dans une catégorie où Veo n’est pas en lice.