Chapitre 3 · Fabriquer la vidéo
Le fichier des phrases et la voix IA, sans les pièges
Suis cette formation dans ton espace : ta progression est gardée, et la communauté répond à tes questions.
Suivre gratuitementPourquoi phrase par phrase
On ne génère pas la voix de toute la vidéo d'un coup. On la génère une phrase à la fois, en récupérant l'instant exact de chaque mot. C'est ce qui permet ensuite de caler les animations et les sous-titres sur la voix, mot par mot, sans rien régler à la main. Et si une phrase sonne faux, tu ne refais qu'elle.
Exemple concret : un photographe de mariage entend « shooting » mal prononcé dans la phrase 4. Il corrige seulement la phrase 4, pour quelques caractères, au lieu de tout regénérer.
Ce qui s'affiche et ce qui se prononce
Une voix IA lit ce qu'on lui donne. Or ce qu'on affiche n'est pas toujours ce qu'on doit entendre. D'où un fichier phrases.json avec, pour chaque phrase :
texte: ce qui s'affiche dans les sous-titres ;tts: ce qui est prononcé, seulement quand c'est différent (tts veut dire « text to speech », texte vers voix) ;fusion: les mots prononcés qui ne font qu'un mot affiché (« point env » pour « .env ») ;pose: la pose de la mascotte (le nom du fichier sans.png) ;titre,carte,etape: le grand texte de la scène, un texte secondaire, le numéro de pastille.
Une phrase ressemble à ça :
{ "etape": 3,
"texte": "Trois : ta clé va dans un fichier .env. Jamais dans la conversation.",
"tts": "Trois. Ta clé va dans un fichier point env. Jamais dans la conversation.",
"fusion": ["point env"],
"titre": "La clé dans **.env**",
"carte": "Jamais dans la conversation.",
"pose": "determine" }
Les 4 pièges de la voix (et leurs solutions)
- Les mots anglais et les sigles sont mal lus. Écris-les comme ils se prononcent dans le
tts(« prompte », « Méta », « I.A. »), en gardant la bonne orthographe dans letexte. La ponctuation change aussi l'intonation : un point fait une vraie pause, deux-points enchaînent plus vite. - Une voix trop aiguë ou trop « radio ». Un léger égaliseur (moins d'aigus, « s » adoucis) la rend plus agréable sans changer sa hauteur. Baisser la hauteur la rend vite artificielle.
- Un mot répété entre deux phrases. Pour que l'intonation se suive, le script envoie au service les phrases voisines. Effet de bord : la fin d'un fichier peut contenir le début de la phrase suivante. Tu l'entends comme un « Deux » dit deux fois. La parade : détecter le dernier silence de chaque fichier (le filtre
silencedetectde ffmpeg) et couper ce qui traîne après. - Les crédits. Chaque génération consomme des crédits. Valide le script avant, fais annoncer le nombre de caractères, et ne refais que la phrase qui pose problème.
Choisir la voix
Le service propose des voix par défaut et une bibliothèque de voix. Une voix de comédien francophone a souvent une intonation plus naturelle qu'une voix multilingue. Teste deux ou trois voix sur la phrase d'accroche seule : ça coûte peu, et tu juges sur le moment le plus important. Le modèle de voix (le moteur qui fabrique le son) évolue : vérifie la liste à jour dans la documentation officielle du service.
Les prompts à copier
D'abord le fichier :
Contexte : mon script est validé. Mes poses : [liste des fichiers de mascotte/].
Objectif : écris phrases.json pour ma vidéo.
Contraintes : un objet par phrase avec texte, pose, titre (2 à 5 mots, le mot fort entre
**), etape pour les 4 étapes. Ajoute tts et fusion seulement quand la prononciation
diffère de l'affichage. Vérifie que chaque pose existe.
Format attendu : le fichier complet, puis la liste des mots à risque (sigles,
anglicismes, marques) avec la prononciation proposée.
Validation : montre-le avant de l'écrire et attends mon "ok".
Puis la voix :
Contexte : phrases.json est validé. Voix choisie : [identifiant de la voix].
Objectif : générer la voix de chaque phrase avec l'instant de chaque mot.
Contraintes : annonce d'abord le total de caractères et attends mon "OK voix". Ne lis
jamais .env. Ensuite, vérifie la fin de chaque fichier : s'il reste un bout du mot
suivant après le dernier silence, coupe-le et ajuste les temps des mots.
Format attendu : un tableau phrase / durée / mots à écouter avec attention.
Validation : arrête-toi et laisse-moi écouter chaque fichier.
Les erreurs à éviter
- Regénérer toute la voix pour un seul mot.
- Écouter sur les haut-parleurs de l'ordinateur : écoute au casque, chaque transition.
- Corriger l'orthographe du
textepour forcer la prononciation : c'est lettsqu'on modifie, sinon le sous-titre affiche une faute.
À toi de jouer
Fais écrire ton phrases.json, teste deux voix sur la phrase 1, choisis, puis génère toute la voix. Écoute chaque fichier au casque et note chaque mot mal dit. Corrige son tts, refais seulement cette phrase. Tu as réussi quand tu peux enchaîner toutes les phrases sans entendre un mot doublé.