render-editorial-motion-podcast
Assembler une publicité de type clip podcast éditorial animé à partir d'une configuration : une piste audio réelle de podcast clippée porte l'ensemble de la narration et chaque beat visuel est calé sur la phrase qu'il décrit, dans UN seul pack d'illustrations éditoriales à palette strictement limitée et plate (« une illustration de magazine qui bouge » — le style et la palette sont au choix de l'appelant). Le mouvement n'est pas une vidéo générative mais un ken-burns ffmpeg déterministe sur des keyframes statiques, donnant l'impression d'une page imprimée en mouvement. Cette capacité est cet assemblage gratuit et déterministe — le mouvement ffmpeg, le hard-concat, le muxage audio, l'incrustation des sous-titres et la carte de fin PIL.
scripts/config.example.json est l'exemple travaillé (Klarify « Rat Park », ~40,8s 1080×1920 9:16, 6 beats — son look Niemann bicolore, sa palette crème/charcoal/sauge et sa métaphore du Rat Park sont des choix de cette démo, jamais des valeurs par défaut) ; scripts/PIPELINE.md mappe chaque bloc de configuration à son étape source et scripts/README.md documente l'assemblage gratuit.
Choix
Les décisions créatives appartiennent à l'appelant (la recette du format vidéo les demande à l'utilisateur) ; cet assemblage ne les choisit jamais. La valeur de la démo n'est qu'un exemple :
- Style d'illustration — démo : silhouettes plates bicolores en gras, demi-teintes (lignée Niemann / Steinberg).
- Palette — démo : crème #F4EBD9 + charcoal #1A1A1A + un accent sauge #86987A.
- Métaphore centrale — démo : l'étude Rat Park.
- Ton / voix — démo : chaleureux et réfléchi, l'hôte réel du podcast (aucune voix générée).
Exécution
C'est l'étape d'assemblage gratuite et déterministe — elle ne dépense rien pour la couche de mouvement. Les entrées payantes sont séparées : le MP3 réel du podcast est clippé de la source (ffmpeg gratuit) avec ses timings de mots Whisper, et une keyframe d'illustration éditoriale par beat (images de référence chaînées pour que la géométrie des cages/personnages soit stable) provient de create-image-fal (Nano Banana). Étant donné l'audio clippé + words.json + les keyframes par beat + le vrai logo wordmark PNG de la marque, render-editorial-motion-podcast rend chaque keyframe en segment ken-burns, les concatène durement sur le beat, muxe l'audio réel, incruste les sous-titres en milieu de phrase et composite la carte de fin PIL → le master. Les recoupes réutilisent l'audio et les keyframes existants et coûtent 0 $.
Contrat (l'assemblage gratuit)
- Une narration parlée porte l'ensemble du spot — pas de SONG générée. Muxer le MP3 de narration fourni (
-map 0:v:0 -map 1:a:0) — une ligne réelle de podcast clippée (préférée) OU une VO générée approuvée (create-vo-elevenlabs). Jamais de piste chantée/générée. (Clip vs génération est la décision d'entrée ÉTAPE-0 de la recette — si aucun épisode source n'est fourni, DEMANDER à l'utilisateur.) - PAS de i2v génératif — uniquement du ken-burns ffmpeg déterministe. Animer chaque keyframe statique avec
zoompan(push-in / pull-back, 1,0→~1,06×, 24ips) ; Seedance/Kling sont entraînés sur du photoréaliste et inventent des états intermédiaires naturalistes qui effondrent le look plat à palette limitée. Jamais de-loop 1aveczoompan d=N(cela gonfle la durée) ; fournir une seule image et verrouiller avec-t+trim. - Coupures franches sur le beat — pas de fondus enchaînés. Les fondus enchaînés font fantômer deux cages dérivantes l'une à travers l'autre ; concaténer durement les segments de chaque beat et diviser les beats longs en micro-coupures (cible de 8 à 10 moments visuels distincts). Le visuel de chaque beat COMMENCE à ~0,5 s de sa ligne parlée.
- Sous-titres à partir des timestamps de mots Whisper, ACTIVÉS uniquement en milieu de phrase. Incruster des sous-titres
frosted-subtlependant que le locuteur parle ; laisser les beats silencieux/réfléchis et la carte de fin sans sous-titres. TROIS règles obligatoires (chacune nous a mordus en prod — les intégrer) :- NON-CHEVAUCHEMENT — serrer chaque ligne pour qu'elle se TERMINE avant le début de la suivante (
end = min(last_word_end + ~0,15, next_start - 0,03)). Deux boîtes ne doivent jamais s'empiler au même endroit ; une queue de fin débordant dans la fenêtre suivante est le bug nº1 des sous-titres. - ZONE DE SÉCURITÉ — les sous-titres se situent dans le tiers inférieur, donc le sujet de la keyframe doit rester dans les ~75 % supérieurs (voir le
look_pack.caption_safe_areade la recette). Si le sujet d'une keyframe finie empiète sur la bande de sous-titres, décaler déterministiquement le sujet vers le HAUT dans l'espace vide du haut (PIL : coller à ~0,24 H sur un canevas prérempli avec la couleur exacte du papier provenant d'un coin propre) — ne jamais laisser la boîte reposer sur le sujet. - MOTEUR D'INCRUSTATION — préférer libass (filtre
ass/subtitles), mais vérifierffmpeg -filtersd'abord : de nombreuses compilations (Homebrew) manquent de libass/drawtext. Si absent, utiliser la solution de repli par overlay déterministe — rendre chaque ligne en PNG transparent (boîte arrondie givrée + texte blanc, PIL) et composer via le filtreoverlayffmpeg avec des fenêtresenable='between(t,st,en)'temporisées. Même aspect, pas de libass.
- NON-CHEVAUCHEMENT — serrer chaque ligne pour qu'elle se TERMINE avant le début de la suivante (
- Carte de fin via PIL à partir du vrai wordmark PNG — jamais de texte de marque généré par IA. Le bloc est composé déterministiquement (fond dégradé étiré + crop du mascotte avec plume + wordmark + slogan avec une police système) ; un modèle de diffusion déforme un wordmark (« the rapists »). La vidéo fait une pause silencieuse d'environ 1,5 s après l'audio sur la carte de fin (fondu entrée/sortie les 0,3 s).
- Composite ffmpeg, déterministe, GRATUIT. Ken-burns sur chaque keyframe, hard-concat, muxer l'audio réel, incruster les sous-titres, tenir sur la carte de fin → un master 1080×1920 h264+aac. Aucun appel payant.