Une image qui naît d'un écran de neige

Le mécanisme n'a rien à voir avec celui du texte, et il est plus étonnant qu'on ne l'imagine.

On part du bruit

Le point de départ est un rectangle de pixels aléatoires, exactement l'écran de neige d'une vieille télévision mal réglée. Aucune forme, aucune couleur voulue.

Le modèle enlève ensuite un peu de ce bruit, encore et encore, en se demandant à chaque passe : « si cette image devait représenter un phare dans la tempête, à quoi ressemblerait-elle avec un peu moins de bruit ? » Après quelques dizaines de passes, l'image apparaît.

On appelle ça la diffusion. Elle n'assemble pas des morceaux de photos existantes : elle sculpte du bruit jusqu'à ce qu'il ressemble à votre description.

Le départDu bruit, rien d’autre. Aucune image ne s’y cache.

Après quelques passesDes masses de couleur. Rien n’est encore identifiable.

Plus loinLa scène se devine, mais tout reste mou et granuleux.

À l’arrivéeL’image demandée. Elle n’était nulle part au départ.

Trois conséquences directes

Deux essais identiques donnent deux images différentes. Le bruit de départ change à chaque fois. Ce n'est pas un défaut, c'est le principe.

Le texte dans l'image a longtemps été raté. Des lettres ne sont pas des formes comme les autres : il faut les bonnes, dans le bon ordre, et la diffusion cherche la vraisemblance globale, pas l'exactitude d'une suite de symboles. C'est en train de changer, et la fin de cette leçon explique pourquoi.

Les mains posent problème. Cinq doigts, articulés, souvent partiellement cachés, dans des positions très variées. C'est l'un des sujets les plus difficiles qui soient, et c'est pour ça qu'on les regarde en premier pour repérer une image fabriquée.

Ce que les tout derniers modèles changent

Ce qui précède décrit la diffusion, et la plupart des générateurs fonctionnent encore ainsi. Mais les meilleurs modèles de 2026 ne sont plus seulement des débruiteurs : ce sont des modèles multimodaux qui produisent l'image dans le même flux que le langage, morceau par morceau. Le système qui sait épeler un mot est celui-là même qui le dessine.

Conséquence très concrète : le texte sort désormais juste sur ces modèles-là, enseignes et étiquettes comprises. Les mains aussi se sont beaucoup arrangées. Ce n'est pas la diffusion qui a été corrigée, c'est le pilote qui a changé.

Retenez les deux, parce que les deux coexistent : un générateur gratuit intégré à un site fera encore des lettres approximatives, un modèle de pointe n'en fera plus. Et si vous vous serviez de ce défaut pour repérer une image fabriquée, il faut arrêter : la leçon « Reconnaître une image ou une voix fabriquée » dit par quoi le remplacer.

Ce que ça change pour vous

Inutile de répéter la même demande en espérant le même résultat en mieux. Relancez pour obtenir des variantes, puis choisissez.