ByteDance Seedance 2.5 double la durée des vidéos, mais le contrôle est le véritable enjeu

ByteDance a lancé Seedance 2.5 avec une génération native de 30 secondes, doublant sa précédente limite tout en demandant aux créateurs de confier à un seul modèle une part plus importante du processus de production.

Les clips plus longs rendent l’annonce facile à résumer. Pourtant, la durée seule n’est pas le changement le plus important. ByteDance a également étendu les entrées de référence, introduit un montage basé sur des horodatages et renforcé les contrôles sur le mouvement, la position de la caméra et les séquences sur fond vert.

Ensemble, ces changements font évoluer le modèle d’un générateur de clips vers un espace de travail de production. Cela met la pression sur Google Veo, Runway, Kling et d’autres systèmes qui rivalisent sur la contrôlabilité plutôt que sur la qualité de démonstrations isolées.

ByteDance a annoncé cette sortie le 31 juillet 2026. Le modèle est en cours de déploiement via Jimeng AI et Doubao Professional, tandis qu’une sortie API via Volcano Ark est attendue ultérieurement.

La question centrale n’est plus de savoir si un modèle d’IA peut produire un plan impressionnant. Il s’agit de déterminer s’il peut préserver une décision créative d’un plan à l’autre, à travers les montages, les ressources de référence et les prolongements répétés.

Seedance 2.5 passe de clips de 15 secondes à des récits de 30 secondes

Le doublement de la durée compte parce que ByteDance veut que le modèle organise une séquence, et non qu’il se contente de prolonger un seul plan généré.

Selon la publication officielle de Seedance 2.5, une génération peut désormais produire un clip audiovisuel de 30 secondes. Le précédent modèle prenait en charge des clips de quatre à 15 secondes.

ByteDance affirme que la nouvelle version peut agencer plusieurs plans logiquement reliés dans cette fenêtre. Une séquence peut installer un décor, faire progresser une action, introduire un rebondissement et aboutir à une conclusion.

Cette affirmation distingue la longueur narrative de la simple durée temporelle. Une caméra braquée sur un sujet pendant 30 secondes produit techniquement une longue vidéo. Il ne s’agit pas nécessairement d’une scène cohérente.

Une démonstration de l’entreprise suit une chanteuse depuis sa loge, à travers un couloir des coulisses, puis jusqu’à une scène de concert. Les personnages interagissent pendant que la caméra change de position et que l’audio accompagne l’action.

La scène teste plusieurs difficultés à la fois. La chanteuse doit conserver son apparence, le lieu doit changer de manière logique et le son doit rester synchronisé tout au long du parcours.

ByteDance indique également que les utilisateurs peuvent prolonger un résultat généré sur plusieurs itérations. Chaque prolongement peut ajouter 30 secondes supplémentaires tout en préservant les sujets, les environnements, le rythme, le style visuel et le son.

En principe, les prolongements répétés permettent aux créateurs de produire plusieurs minutes de contenu connecté. En pratique, chaque segment supplémentaire crée une nouvelle occasion de dérive de l’identité, de la géométrie ou de la logique narrative.

C’est pourquoi le chiffre de la durée doit être considéré comme une promesse initiale, non comme une mesure complète de la qualité. Un modèle qui préserve l’intention pendant 30 secondes résout un problème plus difficile qu’un modèle produisant deux clips de 15 secondes sans rapport entre eux.

La comparaison avec la génération précédente rend l’ampleur du changement plus claire. L’article publié sur Seedance 2.0 décrivait une sortie audiovisuelle native en 480p et 720p, pouvant durer jusqu’à 15 secondes.

Ce modèle acceptait jusqu’à neuf images, trois vidéos et trois extraits audio comme références. Il proposait déjà la génération multimodale, le montage et la continuation dans une même architecture.

La version 2.5 prolonge donc une conception existante au lieu de la remplacer. ByteDance a conservé l’architecture audiovisuelle unifiée et augmenté la quantité de temps et de contexte qu’elle doit coordonner.

L’objectif pratique est de réduire les passages de relais entre la génération, l’assemblage, la correction audio et les ajustements de continuité. Une réussite réduirait le nombre d’outils déconnectés nécessaires pour un court récit.

Cependant, ByteDance n’a pas publié de taux de réussite indépendants pour les prolongements répétés. L’entreprise n’a pas non plus montré à quelle fréquence un utilisateur doit régénérer une scène avant d’obtenir un résultat acceptable.

La sortie démontre des productions plus longues avec des prompts sélectionnés. Elle n’établit pas avec quelle fiabilité des utilisateurs ordinaires reproduiront cette qualité sur des sujets et des styles de production variés.

Cet écart façonnera toute évaluation sérieuse du modèle. Trente secondes n’ont de valeur que lorsqu’un créateur peut prévoir ce qui se produira durant ces secondes.

Pourquoi les références multimodales comptent davantage que la durée prolongée

Le budget de références plus important transforme le prompt en quelque chose de plus proche de l’assemblage d’un brief créatif, chaque ressource définissant une partie du résultat attendu.

Une seule requête peut inclure jusqu’à 30 images, 10 vidéos et 10 extraits audio. Il s’agit d’une forte augmentation par rapport aux limites de référence documentées pour la génération précédente.

Ces entrées peuvent transmettre différentes consignes sans nécessiter une longue description textuelle. Une image peut définir un personnage, une autre peut établir un lieu et une vidéo peut fournir un mouvement ou un rythme de caméra.

Les références audio peuvent guider les voix, la musique ou les caractéristiques sonores. Le modèle doit ensuite combiner ces signaux tout en suivant le prompt écrit et en évitant les conflits entre les éléments.

Cette approche reflète une limite fondamentale du contrôle par texte seul. Un prompt peut décrire un costume, mais il saisit rarement chaque couleur, texture, couture et proportion visibles dans une image de référence.

Le même problème devient plus complexe avec le mouvement. Des formulations comme « se déplacer naturellement » ou « utiliser une caméra dynamique » laissent de nombreuses décisions non résolues.

Une vidéo de référence communique directement le rythme et la trajectoire. Elle fournit au modèle un exemple de l’apparence du mouvement demandé au fil du temps.

ByteDance affirme que le système peut utiliser des ressources de référence pour la composition, les personnages, les accessoires, les lieux, le style, les voix, le mouvement et le comportement de la caméra. Il peut également maintenir plusieurs sujets référencés dans une même scène.

Un exemple officiel construit un concert à partir de références pour le lieu, la chanteuse, le pianiste, les instruments individuels, l’orchestre, le chœur et le public. Le prompt coordonne ces éléments au cours d’une prestation de 30 secondes.

Cet exemple illustre à la fois l’opportunité et la difficulté. Une capacité de référence accrue peut améliorer la spécificité, mais elle augmente aussi le nombre de relations que le modèle doit préserver.

Un modèle doit comprendre quels détails vont ensemble et lesquels doivent rester distincts. Le visage d’un personnage ne devrait pas hériter de la géométrie d’une référence d’éclairage ni de la voix d’un autre personnage.

La sortie ne fournit aucune analyse publique des échecs liés à des entrées contradictoires. La manière dont le système priorise une instruction écrite lorsqu’une ressource de référence suggère autre chose reste incertaine.

Cette incertitude compte dans le travail professionnel. Les équipes créatives travaillent souvent avec des sources imparfaites, des ébauches incohérentes et des ressources approuvées à différentes étapes.

Seedance doit résoudre ces conflits de façon prévisible s’il veut fonctionner dans un flux de travail reproductible. Produire un compromis attrayant ne suffit pas lorsqu’un détail de marque précis exige une conformité exacte.

ByteDance a également étendu la prise en charge des références de « modèle blanc ». Un modèle blanc est une scène 3D non texturée utilisée pour définir la disposition spatiale, la position des sujets, les trajectoires de mouvement et le placement de la caméra.

Les créateurs peuvent utiliser cette scène simplifiée comme guide structurel. Le générateur applique ensuite les personnages, les matériaux, l’éclairage, les couleurs et l’atmosphère issus d’autres références.

Ce flux de travail fait le lien entre la vidéo générative et la prévisualisation traditionnelle. Un réalisateur peut préciser le placement des acteurs avec une géométrie rudimentaire au lieu d’espérer qu’un langage descriptif produise la mise en scène souhaitée.

ByteDance affirme que le modèle peut également déduire l’éclairage à partir des informations spatiales du modèle blanc. Cela comprend la direction de la lumière, la température de couleur, l’intensité et le placement des ombres.

Si elle est fiable, cette fonctionnalité offre aux créateurs un niveau de contrôle que les prompts textuels peinent à fournir. Elle rapproche aussi beaucoup plus le paquet d’entrées d’une spécification de production.

L’évolution concurrentielle est significative. Les modèles vidéo ont passé des années à rivaliser sur le spectacle visuel, le respect des prompts et la qualité des mouvements courts.

La capacité de référence change la compétition. Le système gagnant doit comprendre une collection organisée de décisions créatives et les préserver dans la scène produite.

Cela ressemble moins à une réponse à un prompt qu’à l’exécution d’un plan de production concis.

Le montage précis est le mécanisme qui sous-tend le pari de ByteDance sur les flux de travail

Les contrôles par horodatage et les modifications ciblées sont les fonctionnalités susceptibles de transformer la génération, d’une succession de tentatives, en révision dirigée.

Les systèmes de génération contraignent souvent les utilisateurs à abandonner un résultat presque acceptable. Une erreur mineure à un moment donné peut nécessiter une nouvelle tentative complète, susceptible d’introduire d’autres problèmes ailleurs.

Seedance 2.5 ajoute un contrôle basé sur les horodatages pendant la génération. Un prompt peut préciser à quel moment une action se produit, à quel moment la caméra change et comment la scène progresse sur des intervalles définis.

Le même concept de temporalité s’applique après la génération. ByteDance indique qu’un utilisateur peut sélectionner un segment et en modifier le personnage, l’action, le son, le point de vue ou l’événement narratif.

Le système est conçu pour conserver la continuité avant et après l’intervalle révisé. Il s’agit d’une exigence élevée, car une modification peut changer des conditions qui affectent les images ultérieures.

Si un personnage ramasse un objet à huit secondes, cet objet devrait rester dans sa main par la suite. Un changement visuel local entraîne donc des conséquences temporelles.

Le montage précis doit tenir compte de ces conséquences sans réécrire les parties non liées de la scène. C’est le mécanisme central de l’affirmation de l’entreprise en matière de production.

ByteDance met également en avant le montage de la caméra. Une démonstration conserve les sujets et les actions tout en remplaçant le comportement initial de la caméra par une séquence chronométrée de suivi rapproché, mouvement latéral, cadrage en plongée et recul.

Une autre capacité cible les séquences sur fond vert. Les utilisateurs peuvent conserver un sujet filmé tout en remplaçant les arrière-plans, les vêtements, les obstacles et les personnages secondaires.

Le modèle ajusterait les effets physiques pour correspondre à la scène de remplacement. Le mouvement des cheveux, l’orientation des vêtements, le rythme de marche, l’éclairage et les ombres devraient réagir au nouvel environnement.

Cela va au-delà de la simple suppression d’arrière-plan. Le résultat visé exige que le sujet et l’environnement généré se comportent comme les éléments d’une même scène physique.

Le montage à partir de références peut également conserver une performance existante tout en modifiant sa présentation. Cela offre aux créateurs un moyen de combiner un mouvement enregistré avec une conception de production générée.

La valeur est particulièrement claire pour la publicité. Une marque pourrait réutiliser une performance approuvée dans plusieurs environnements tout en modifiant les détails du décor pour différentes campagnes.

La prévisualisation de films offre un autre usage. Les équipes pourraient tester les trajectoires de caméra, le placement des personnages, l’éclairage et les transitions de scène avant d’engager des ressources dans un tournage physique.

Le contenu éducatif présente un scénario plus simple. Un enseignant pourrait transformer un contexte historique ou un processus scientifique en séquence visuelle chronométrée, puis ne réviser qu’un segment inexact.

ByteDance indique que le modèle est déjà exploré pour l’éducation, la simulation industrielle, la robotique et les données de conduite autonome. Il s’agit d’applications décrites par l’entreprise, plutôt que de déploiements validés de manière indépendante.

Les données d’entraînement synthétiques imposent leurs propres exigences de précision. Une séquence industrielle physiquement incorrecte peut enseigner une mauvaise procédure, tandis qu’un événement de conduite irréaliste peut fausser l’évaluation d’un modèle.

Pour ces usages, la contrôlabilité compte davantage que l’apparence cinématographique. Une scène générée doit satisfaire des conditions connues, et non simplement paraître plausible aux yeux d’un spectateur occasionnel.

C’est aussi à ce stade que la gestion des assets devient un enjeu de production. Les équipes doivent conserver les prompts, références, validations, éléments de provenance et décisions de révision associés à chaque résultat généré.

Une base de connaissances interrogeable peut aider à préserver ce contexte, même si elle ne peut pas vérifier la vidéo générée elle-même.

Le système de montage modifie donc le critère d’évaluation. Les évaluateurs doivent mesurer si les corrections restent localisées, si les instructions de timing sont respectées et si les images suivantes demeurent cohérentes.

Un premier résultat soigné reste utile. C’est la possibilité d’effectuer une seconde passe contrôlable qui rend le système adapté à un travail récurrent.

Seedance face à Veo : la compétition se joue de plus en plus sur le contrôle de production

ByteDance pousse ses concurrents à exposer une plus grande part du processus créatif, et non seulement à générer un meilleur échantillon visuel à partir d’un prompt.

Google Veo, Runway, Kling et d’autres systèmes vidéo rivalisent déjà sur le réalisme, l’audio, les mouvements de caméra et le respect des instructions. Leurs capacités et conditions d’accès continuent d’évoluer rapidement.

La manœuvre stratégique de ByteDance consiste à réunir génération longue, vastes ensembles de références, prolongement et montage au sein d’une même famille de modèles. Cela réduit la distinction entre création et correction.

Cela ne signifie pas que les outils concurrents ne disposent pas de fonctions de montage. Cela signifie que l’unité de concurrence se déplace du clip généré vers le parcours complet, des matériaux source au résultat validé.

Pour un créateur, un générateur théoriquement moins performant peut s’avérer plus utile s’il offre des contrôles reproductibles. Un modèle visuellement plus fort peut faire perdre du temps si chaque révision modifie des détails sans rapport.

La pression s’exerce sur tout système centré sur des générations courtes et isolées. Une sortie native de trente secondes offre davantage de place pour les dialogues, la mise en scène, les transitions de caméra et la progression narrative au sein d’une même requête.

Elle crée aussi davantage de possibilités d’échec. Les scènes plus longues amplifient les problèmes d’identité, de permanence des objets, d’interaction physique, de parole, de rythme et de continuité spatiale.

ByteDance reconnaît ouvertement certaines limites. Sa publication indique que les mouvements physiques complexes et les interactions impliquant un très grand nombre de sujets nécessitent encore des améliorations.

Cet aveu est important, car l’élargissement des références encourage précisément ce type de scènes complexes. Davantage d’assets incitent les créateurs à demander plus de personnages, de lieux et d’actions coordonnées.

Les recherches sur la génération précédente appellent également à la prudence. Le benchmark CLVG a évalué l’apprentissage contextuel dans la génération vidéo à travers des tâches physiques, logiques et interactives.

Ses auteurs ont indiqué que les principaux systèmes, dont Seedance 2.0, obtenaient de mauvais résultats pour la génération logiquement fondée et interactive. Le taux de réussite est tombé sous les 25 % pour une catégorie et a approché zéro pour une autre.

Le benchmark n’évalue pas la nouvelle version ; ses résultats ne peuvent donc pas établir les performances de Seedance 2.5. Il identifie toutefois la catégorie de problèmes que doivent résoudre les scènes longues et riches en références.

Les chercheurs ont constaté qu’un modèle vision-langage externe améliorait certains résultats en interprétant le contexte et en reformulant les instructions. Cela suggère que l’orchestration peut compenser certaines faiblesses du générateur.

ByteDance poursuit peut-être une orientation produit comparable en fournissant au modèle un contexte plus riche et un timing plus explicite. Cependant, l’entreprise n’a pas publié suffisamment de détails techniques pour confirmer cette inférence.

La comparaison avec Veo ou Runway devrait donc éviter de désigner un vainqueur unique. Les démonstrations publiques utilisent des prompts, interfaces, résolutions, filtres de sécurité et pratiques de sélection différents.

Un test équitable utiliserait le même ensemble de références et la même spécification narrative dans les différents systèmes. Les évaluateurs devraient comptabiliser les tentatives, la réussite des modifications locales, les ruptures de continuité et les images inutilisables.

La qualité de sortie resterait une dimension. La fiabilité par scène validée constituerait la mesure de production la plus significative.

La disponibilité d’API sera également déterminante. Les entreprises de logiciels créatifs ont besoin de limites documentées, d’une latence prévisible, de versions de modèles stables et de l’autorisation d’utiliser les résultats à des fins commerciales.

La sortie de juillet oriente d’abord les utilisateurs vers les propres applications de ByteDance en Chine. L’entreprise indique que l’accès à l’API Volcano Ark suivra, mais l’annonce ne fournit pas de date ferme.

Ce déploiement progressif limite les comparaisons immédiates pour de nombreux développeurs internationaux. Il donne aussi à ByteDance le temps d’observer les comportements des utilisateurs avant l’arrivée d’une demande d’infrastructure à grande échelle.

Il en résulte une affirmation concurrentielle qui reste en partie non vérifiée. ByteDance a réuni une surface de contrôle exceptionnellement large, tandis que la fiabilité en production nécessite encore des preuves indépendantes.

Une IA vidéo plus longue élargit aussi le problème du droit d’auteur et du consentement

Une meilleure gestion des références peut renforcer le contrôle créatif tout en rendant la provenance, l’autorisation et les protections de l’identité plus déterminantes.

Le système accepte des images, vidéos, extraits audio, références de personnages, voix et performances filmées. Chaque entrée peut être associée à des droits que la personne qui la soumet ne possède pas.

Un modèle peut techniquement reproduire un visage ou une voix sans établir l’autorisation. La disponibilité de références précises ne résout pas le statut juridique de ces matériaux.

Cette question entourait déjà la version précédente. Des organisations hollywoodiennes ont accusé l’ancien modèle de ByteDance de permettre des utilisations non autorisées de personnages et d’interprètes protégés.

La Motion Picture Association a déclaré que Seedance 2.0 utilisait à grande échelle des œuvres protégées par le droit d’auteur sans autorisation. SAG-AFTRA a soulevé des inquiétudes concernant les voix et les ressemblances.

ByteDance a répondu qu’elle respectait les droits de propriété intellectuelle et renforçait ses garde-fous. Cet échange a été documenté dans un litige sur le droit d’auteur lié à l’IA rapporté par l’Associated Press.

Les documents officiels actuels indiquent que les démonstrations de référence de personnages utilisent des sujets générés ou correctement licenciés. Ils précisent également que les références de portraits de personnes réelles exigent une vérification d’identité ou une autorisation juridique préalable.

Ces conditions sont utiles, mais la publication n’explique pas pleinement leur application. On ne sait toujours pas clairement comment la vérification fonctionne dans chaque interface, région, client API et intégration en aval.

Une génération plus longue augmente les enjeux, car elle peut produire des scènes plus complètes mettant en vedette un personnage protégé ou une personne reconnaissable. Les contrôles de montage peuvent ensuite adapter ces scènes à une campagne ou à un récit précis.

Les références audio ajoutent une autre couche. L’identité vocale, les droits musicaux, les enregistrements et le consentement des interprètes peuvent impliquer différents détenteurs de droits et différentes autorisations.

Le montage sur fond vert soulève des questions connexes. Un interprète peut autoriser un décor ou une histoire, mais pas chaque contexte généré dans lequel son mouvement enregistré peut apparaître.

L’adoption professionnelle dépend donc de bien plus que de la qualité de sortie. Les acheteurs ont besoin de registres de provenance, de contrôles d’accès, de pistes d’audit, de politiques de conservation et d’un processus praticable pour supprimer les contenus non autorisés.

Les filtres de sécurité doivent aussi résister au montage ciblé. Bloquer une requête initiale ne suffit pas si un utilisateur peut introduire du contenu restreint via une référence ultérieure ou une révision localisée.

Aucune de ces préoccupations ne prouve que le modèle ne peut pas être utilisé de manière responsable. Elles montrent pourquoi le contrôle créatif et la gouvernance doivent progresser ensemble.

Il existe aussi un problème plus général de vérité. Une vidéo photoréaliste avec un son synchronisé devient plus facile à confondre avec un enregistrement lorsque les erreurs visuelles évidentes diminuent.

Les scènes plus longues peuvent ajouter un contexte narratif qui rend les événements fabriqués plus convaincants. Une séquence continue peut sembler plus probante qu’un clip court et ambigu.

Le filigrane et les identifiants de contenu peuvent aider, mais leur utilité dépend de leur mise en œuvre et de leur préservation. Les plateformes peuvent supprimer les métadonnées, et les spectateurs ordinaires vérifient rarement la provenance avant de partager.

ByteDance n’a pas utilisé cette sortie pour fournir une spécification publique complète en matière de sécurité. Tant qu’elle ne le fera pas, les clients devront distinguer les affirmations sur les capacités du produit des garanties de gouvernance.

Pour les évaluateurs en entreprise, la provenance devrait être testée parallèlement à la continuité. Les équipes devraient vérifier qui peut importer des identités, comment le consentement est enregistré et si les assets générés restent traçables après exportation.

Un modèle performant ne peut pas simplement suivre davantage de références. Il doit aider les utilisateurs légitimes à prouver qu’ils avaient le droit d’utiliser ces références.

Trois signaux montreront si le pari des 30 secondes tient la route

Le prochain test consistera à déterminer si ByteDance peut transformer des démonstrations sélectionnées en une fiabilité mesurable à travers les API, les prompts ordinaires et les révisions contrôlées.

Le premier signal sera la sortie de l’API Volcano Ark. Une API documentée révélera les limites réelles en matière de durée, de taille des références, d’opérations de montage, de formats de sortie et d’accès régional.

Les développeurs devraient surveiller si l’ensemble complet des fonctionnalités est disponible dès le lancement. Une API restreinte, proposant moins d’assets de référence ou un montage limité, affaiblirait l’argument du workflow.

L’API révélera également comment ByteDance représente le temps et les révisions. Des paramètres structurés soutiendraient l’automatisation plus efficacement que le placement de chaque instruction dans un prompt non structuré.

Des identifiants de modèles stables et des politiques de versionnage compteront également. Les équipes de production ne peuvent pas reproduire du contenu validé si le comportement change silencieusement entre deux requêtes.

Le deuxième signal sera constitué de tests indépendants sur le prolongement répété et le montage ciblé. Les évaluateurs devraient partir d’une scène fixe de 30 secondes et la prolonger plusieurs fois sans modifier ses sujets centraux.

Ils devraient consigner les dérives d’identité, les changements d’arrière-plan, les discontinuités audio, les erreurs physiques et les contradictions narratives. Le nombre de tentatives nécessaires devrait être indiqué à côté du meilleur résultat.

Les tests de montage devraient modifier un intervalle défini tout en maintenant tout le reste constant. La réussite signifie que la correction demandée apparaît sans changements non liés avant ou après celle-ci.

Ce type d’évaluation clarifierait ce que signifie opérationnellement un montage « précis ». Il distinguerait également les démonstrations soigneusement sélectionnées des résultats reproductibles par les utilisateurs.

Le troisième signal sera la combinaison des réponses des concurrents et de l’application des droits. Google, Runway, Kling et d’autres sont poussés à étendre les workflows de références et le contrôle des formats longs.

Une réponse rapide confirmerait que la frontière concurrentielle s’est déplacée vers une production intégrée. Un montage et une orchestration des assets renforcés chez les concurrents réduiraient la différenciation initiale de ByteDance.

Dans le même temps, ByteDance doit montrer que les garde-fous relatifs à l’identité et au droit d’auteur fonctionnent de façon cohérente dans les applications grand public comme dans les API. De nouveaux litiges affaibliraient la confiance des entreprises, quelle que soit la qualité visuelle.

Ces signaux devraient apparaître avant de déclarer un vainqueur clair du marché. La durée native est facile à comparer, mais le succès en production implique fiabilité, contrôle, gouvernance et effort total de révision.

Pour les créateurs, l’étape immédiate consiste à tester un projet représentatif plutôt qu’un prompt abstrait axé sur l’esthétique. Utilisez plusieurs sujets nommés, un parcours de caméra planifié, des actions synchronisées et une révision délibérée.

Demandez-vous ensuite si le système a préservé les décisions plutôt que de simplement produire des alternatives attrayantes. Conservez ensemble les prompts, les assets source, les autorisations, les tentatives échouées et la sortie validée.

Seedance a fait passer la compétition de la vidéo IA au-delà du clip court. Les prochains mois montreront si son modèle de 30 secondes se comporte comme un partenaire de production ou comme un générateur de démonstrations plus longues.