WeMM-Video de Tencent analyse la bande-son en même temps que les images
Les quatre modèles WeMM-Video sont téléchargeables. Je détaille le poids des fichiers et propose une vérification sur un reportage où une voix parle hors champ.

Sommaire 5
- WeMM-Video analyse les images et la bande-son d’origine pour répondre par écrit.
- Les seuls poids BF16 occupent environ 6,57 Go en version 2B et 72,36 Go en version 35B-A3B.
Dans un reportage, la personne filmée peut écouter une intervention venue de la salle. À qui attribuer les mots ? WeMM-Video, la nouvelle famille de Tencent, accepte la piste sonore d’origine avec les images et répond par écrit. J’ai vérifié la mise en ligne des poids des quatre modèles le 20 novembre.
Ce que contient le téléchargement
Les trois premières tailles, 2B, 4B et 9B, correspondent à des modèles denses. La plus grande, 35B-A3B, repose sur un mélange d’experts. En additionnant les seuls fichiers de poids BF16, j’obtiens environ 6,57 Go pour la plus petite et 72,36 Go pour la plus grande. Il faut aussi prévoir les fichiers de configuration et la mémoire nécessaire à l’exécution.
Une voix hors champ dans un reportage
Pour une vérification en français, je garderais un plan sans sous-titres où la personne à l’image se tait pendant qu’une autre intervient. Ma consigne serait de relever la phrase audible, puis d’indiquer ce qui permet d’en identifier la source. Rejouer ensuite la séquence muette aide à repérer une attribution inventée. Tencent documente le chinois et l’anglais. La qualité sur un enregistrement en français reste à mesurer.
Pour une équipe qui publie la vidéo, une réponse écrite et une transcription destinée au public sont deux livrables différents. La rubrique multimédia du RGAA donne des critères distincts pour la transcription, les sous-titres et leur pertinence.
Les archives de NASA Goddard montrent le premier pas d’Armstrong. Tencent utilise un extrait de cette séquence d’Apollo 11 pour illustrer le rôle de la bande-son.
Préparer les fichiers
Les poids relèvent de la licence Apache 2.0, sous réserve des conditions propres aux composants tiers signalés. La fiche officielle ne donne aucun tarif français à la minute de vidéo.
Le calcul de la durée du téléchargement et celui de la capacité du disque permettent de choisir quelle version conserver. Pour comparer les usages, consultez le comparateur de modèles d’IA.
Sources
- Tencent WeChat Vision - WeMM-Video
- Tencent - Hugging Face
- WeMM-Video - arXiv
- Tencent - Apollo 11
- Tencent - Apache 2.0
- RGAA - critères et tests relatifs au multimédia
Comment vérifier la réponse produite avec un modèle ? J’ai suivi la vérification en Lean de la preuve proposée pour Riemann.
Questions fréquentes
Quand les poids ont-ils été déposés ?
Le dépôt de code est public depuis le 17 novembre et les auteurs ont soumis leur article le 19. Le 20 novembre, les dépôts des poids BF16 complets vont de 2 h 41 min 08 s (2B) à 6 h 08 min 27 s (9B), heure de Paris.
Peut-on lui demander de produire une vidéo ?
WeMM-Video renvoie du texte. On peut par exemple lui demander quelle action est visible dans un plan ou quels mots sont audibles sur la piste d’origine.
