Voix de lancement
Manuel d'utilisation sous
launch-film. Commencez parskills/launch-film/SKILL.md: il contient le cœur, le modèle accroche-corps et les leçons. Là où cette page diffère,launch-filmprévaut.
Dans un film de lancement moderne, la voix guide et l'image l'illustre mot par mot : quand la voix dit « marqué », quelque chose est marqué. Cela ne fonctionne que lorsque chaque mot a un horodatage.
Fournisseurs
- Par défaut : Higgsfield sur votre propre compte.
text2speech_v2(moteurselevenlabs,minimax,seed_speech, et autres selon la voix) pour un casting parmi environ 100 voix prédéfinies, environ 0,3 crédit par ligne. Seed Audio pour un narrateur que vous dirigez avec une invite et des références audio.scripts/hf_voice.pyencapsule la CLI. - Voix scratch gratuite :
scripts/scratch_voice.pycrée des prises temporaires avec la commandesayde macOS (ouespeak-ngsur Linux). Construisez et chronométrez tout le film dessus, étiquetez chaque révision « voix scratch », puis remplacez les vraies prises. - Clone local gratuit :
scripts/clone_local.py(Chatterbox, MIT) clone votre narrateur approuvé à partir de 8 à 10 secondes de ses lignes. Un substitut, pas un maître. Ne clonez qu'une voix dont vous avez les droits. - Écoutez les voix dans un film complet, jamais en clips isolés. Conservez une liste des voix rejetées pour ne plus jamais les proposer.
Casting
python3 skills/launch-voice/scripts/hf_voice.py cast "<la première ligne du film>" film/vo/auditionprononce la ligne avec chaque voix prédéfinie (environ 34 crédits pour environ 110 voix), vérifie chaque prise avec whisper, et mesure le rythme et le mouvement de la hauteur.ranking.mdliste d'abord les prises exactes, les plus proches de 2,5 mots par seconde et d'environ 2 demi-tons de mouvement (conversationnel, pas annoncé).--only Nom,Nomrefait le casting pour quelques-unes.- Prenez les 6 meilleures environ, réparties entre genres, dans le script complet (
hf_voice.py lines), puis ajustez-les (ci-dessous). Une voix qui nécessite plus de 12 % d'accélération pour s'ajuster est trop lente pour le script : abandonnez-la ou coupez des mots. - Construisez un film complet par voix survivante et laissez le propriétaire choisir. ElevenLabs varie le moins en rythme et en hauteur lors des tests, c'est donc le moteur par défaut.
Longueur et rythme
- Visez 2,2 à 2,7 mots parlés par seconde. Un film de lancement de référence fonctionnait à 2,4 (151 mots en 63 s).
- Un film de 20 s contient environ 45 mots ; 30 s environ 70 ; 60 s environ 140. Coupez des mots avant d'accélérer la voix.
- Une ligne par cadre du storyboard, 6 à 20 mots, formulée de sorte que le nom ou verbe clé tombe sur un temps fort.
Procédure pour le modèle de film
- Le script se trouve dans
film/film.jsonlines. Enregistrez 1 fichier par ligne dansfilm/vo/body/ligne-<id>.wav: vraies prises avechf_voice.py lines(écrivez les lignes comme{"lines": [{"line": "02", "text": "..."}]}), ou prises scratch avecpython3 skills/launch-voice/scripts/scratch_voice.py film/film.json(ajoutez--hook film/hooks/<nom>pour doubler aussi une ligne d'accroche). - Exécutez
python3 skills/launch-voice/scripts/prep_lines.py film/film.json(--align forcepour insister sur l'alignement forcé ; avecuvinstallé, il télécharge torch au premier lancement, environ 2 Go). Il écritfilm/vo/body/lines.jsonavec la durée de chaque ligne et les temps des mots : alignement forcé quand torch est disponible, sinon whisper.cpp, sinon une estimation uniforme signalée commeestimate. film/build.pyplace les lignes sur la timeline du film et chaque repère visuel suit son mot. Une nouvelle prise nécessite 1 exécution de prep plus une reconstruction.
Procédure pour un film libre
vo/script-lines.json({"lines": [{"line": "01", "text": "..."}]}), puis un fichier par ligne :hf_voice.py lines vo/script-lines.json vo/takes/<voix> --voice <Nom>. Le texte, la voix, le moteur et les identifiants de tâche atterrissent danslines.json.- Ajustement :
python3 skills/launch-voice/scripts/fit_lines.py vo/placement.plan.json vo/takes/<voix> vo/versions/<voix>. Le plan donne à chaque ligne son début le plus tôt, son espace de respiration et, là où un cadre doit se terminer,end_by. Les pauses de plus de 0,25 s à l'intérieur d'une ligne sont réduites à 0,22 s ; une série de lignes qui déborde encore est accélérée comme un seul bloc, plafonnée à 12 %. Puis stitching :python3 skills/launch-voice/scripts/stitch.py vo/versions/<voix>/placement.json vo/versions/<voix> vo/versions/<voix>/vo.wav. - Temps des mots par ligne. Pour tout ce sur quoi un visuel doit tomber, utilisez l'alignement forcé :
uv run -q --with torch --with torchaudio --with soundfile python skills/launch-voice/scripts/force_align.py ligne.wav "les mots exacts". Pour une lecture rapide,align_lines.pyexécute whisper.cpp ligne par ligne. Les ancres se résolvent dans l'ordre de parole (chacune est la première correspondance après la précédente), donc toute voix rechronomètre le film. Un seul passage whisper sur tout le film dérive près des fins de ligne ; les passages par ligne non. - Transmettez les temps des mots à
launch-motion(ancrez chaque construction à son mot) et àlaunch-sound(les événements suivent les mots).
Narrateur vintage
Pour une ouverture d'archive ou documentaire : python3 skills/launch-voice/scripts/vintage.py ENTREE.wav SORTIE.wav --crackle crackle.wav limite la bande passante à 150 Hz - 5,8 kHz, ajoute de la saturation de bande, un wow lent et un lit réel de craquements de vinyle (générez-en 1 avec Seed Audio). Seed Audio peut aussi prononcer une ligne directement avec une voix de narrateur vintage (« un narrateur de documentaire des années 1960, chaleureux et grave, sur un vieux disque vinyle... exactement ces mots : ... ») ; il lit lentement et peut reformuler (« il faut » est devenu « il est nécessaire »), donc vérifiez avec whisper.
Règles de synchronisation
- Un mot clé tombe avec son visuel à moins de 2 images. Commencez les constructions sur la première image du mot ; si vous laissez un visuel précéder son mot, gardez-le sous 4 images et faites-le partout.
- Laissez la voix respirer aux changements de scène : 0,25 à 0,5 s entre les lignes.
- La dernière ligne se termine au moins 1 s avant le logo ; le logo obtient son propre quasi-silence (drop-out de
launch-mix).
Lorsque le fournisseur de voix est indisponible
Construisez avec la voix scratch, étiquetez chaque révision comme scratch, et gardez l'image ancrée sur les mots alignés, de sorte que le remplacement par la vraie voix nécessite 1 exécution de prep plus un rendu. Ne changez jamais de fournisseur de voix ou de compte sans l'accord du propriétaire.
Corrections
- Une ligne est trop longue de moins de 5 % :
ffmpeg -af atempo=1.04. Plus que ça : réécrivez la ligne. - Un mot est mal prononcé : réécrivez-le phonétiquement dans le champ
sayde la ligne (pourhf_voice.py), jamais dans le script. - Whisper comprend mal une terminaison douce : utilisez l'alignement forcé ou raccourcissez le préfixe d'ancrage ; ne ré-enregistrez pas.
- Chiffres : épeler dans le texte que vous alignez (« vingt-quatre », pas « 24 »).
- Le modèle de base whisper comprend mal les noms de produits. Vérifiez les mots de fin avec le petit modèle ou un plus grand (
WHISPER_MODEL).