Court métrage scientifique cinématographique · Norme de production unifiée v1

Source : Sapiens : un autoportrait de l'univers (4K / 4'58" / 14 scènes) et Vers le bas : DESCENTE (2K / 1'30" / 90 secondes, profil vertical). Les spécifications, le flux de travail, le style et les erreurs rencontrées pour les deux films se trouvent ici. Pour un nouveau film, lisez d'abord les sections 0 et 1, puis la section relative au sujet traité.

0. Règles absolues (toute violation entraîne une reprise)

D'abord le son, ensuite l'image. Générer la narration phrase par phrase → mesurer la durée → en déduire le nombre d'images par scène. Ne jamais organiser les images avant d'avoir la piste audio.
La narration et les données doivent être cohérentes : les chiffres, unités et ordres de grandeur apparaissant dans le film doivent être vérifiés un par un dans une table de faits ; si la narration dit 98, l'écran ne doit pas afficher 90. Une erreur d'unité (par exemple, pression atm ↔ t/m²) est dix fois plus grave qu'une erreur de couleur.
Un plan, une information : chaque scène ne doit contenir qu'un seul sujet principal et au maximum 3 valeurs chiffrées ; les informations supplémentaires sont confiées à la narration.
Le texte doit toujours être lisible : tout texte doit avoir un fond ou un assombrissement ; les noms de couche ≥ 30px, les valeurs ≥ 13px ; l'opacité des petits caractères ≥ 0,6.
Pas de coupe franche : les transitions entre les scènes se font par fondu enchaîné / respiration sur fond noir / mouvement continu ; un seul langage de transition doit être utilisé dans un même film.
Rendu muet : dans Remotion, désactiver <Audio> avec {false && ...} ; l'audio est intégré en externe par ffmpeg (un long fichier WAV peut bloquer le rendu lors du prétraitement audio).
Avant le rendu, npx tsc --noEmit doit être propre ; sinon, le rendu produira de mauvaises images et il faudra recommencer.
Trois vérifications avant la livraison : vérification de la durée totale, vérification de la première et de la dernière image, vérification image par image des transitions clés (3 à 6 images par transition).

1. Pipeline standard (dans l'ordre, ne pas sauter d'étape)

script.json ──► Génération VO ──► Post-traitement VO ──► Tableau des durées ──► Timeline
                                   │
                                   └──► Musique (numpy) ──► Mixage ──► master.m4a
Images (Remotion) ──► Rendu muet ──► ffmpeg mux ──► Livraison

1.1 Scénario

Un fichier par vidéo : script.json, champs id / act / text / caption.
Narration en chinois ≈ 4,2 caractères/seconde ; une vidéo de 60 secondes ≈ 200–230 caractères, 90 secondes ≈ 300–340 caractères.
Écrire les nombres en toutes lettres en chinois (par exemple, « trois mille six cent quatre-vingt-huit ») pour éviter les erreurs de lecture du TTS ; utiliser ensuite des chiffres arabes à l'écran.

1.2 Narration (Qwen3-TTS VoiceDesign, voix masculine documentaire)

INSTRUCT = ("A deep, calm, authoritative male documentary narrator. Slow, deliberate, cinematic. "
            "Low register, warm, intimate, restrained emotion, close-mic. Consistent, even pacing. Mandarin Chinese.")
generate_audio(text=..., model=model, lang_code="zh", instruct=INSTRUCT,
               temperature=0.65, top_p=0.9, repetition_penalty=1.05,
               output_path="vo_raw", file_prefix=id)

Modèle mlx-community/Qwen3-TTS-12Hz-1.7B-VoiceDesign-bf16, avec mx.random.seed(11) fixe.
Vérifier la durée immédiatement après chaque génération avec ffprobe : si une piste dure plus de 30 secondes ou présente des répétitions, le TTS s'est dégradé ; la supprimer et la regénérer (changer la seed ou augmenter repetition_penalty à 1.12).
Vérification secondaire par ASR : passer par mlx_whisper pour vérifier les chiffres et les caractères rares (par exemple, hydrogène → qīng, silicium → guī, fer → tǐ).

1.3 Post-traitement audio (chaîne unifiée, pas de variation par piste)

highpass=f=70,
asetrate=24000*0.912341, aresample=48000, atempo=1.096081, atempo=1.055,
equalizer=f=190:t=q:w=1.0:g=1.4, equalizer=f=3300:t=q:w=1.4:g=-1.8, equalizer=f=7200:t=q:w=1.8:g=-1.0,
acompressor=threshold=0.14:ratio=2.2:attack=10:release=200,
loudnorm=I=-20:TP=-3:LRA=7

Ensuite, couper le silence au début et à la fin en fonction de l'enveloppe d'énergie de 20 ms, réduire les pauses de plus de 0,34 s à 0,34 s, et appliquer des fondus d'entrée/sortie de 12 ms/50 ms aux deux extrémités.

1.4 Timeline

images = round(secondes * 24) ; décalage de la narration = début de la scène + lead (généralement 18–24 images).
Chaque scène : lead + vo + tail, tail de 16 à 90 images (prévoir suffisamment pour la fin).
Générer timeline.ts (généré automatiquement, ne pas modifier manuellement), champs { id, from, dur, voAt, voDur }.

1.5 Musique (synthèse par code, numpy)

Avoir une structure, ne pas remplir en continu : écrire des « événements » en fonction du code temporel, sans utiliser une seule piste du début à la fin.
Harmonie : changer toutes les 12 à 18 secondes, avec un fondu enchaîné à la jonction ; les basses ne doivent être que des notes soutenues au-dessus de 55 Hz.
Éviter les grondements graves : le public les décrira comme « boum boum » ou « trop fort ». Couper les basses à 85–100 Hz, utiliser des ondes sinusoïdales pures pour les notes longues, sans ajouter d'harmoniques d'octave.
Priorité au calme : le niveau de la musique doit être d'environ −20 à −27 dB par rapport à la narration ; réduire encore de 40 à 70 % lorsque la narration apparaît (ducking side-chain).
Loudness final du mix : documentaire −18 à −24 LUFS (pas −14, qui est pour la musique pop diffusée en streaming).
Ajouter des « effets sonores » (bruit d'immersion, sonar, grincement métallique) uniquement si le client le demande explicitement ; cela a déjà été refusé une fois, donc par défaut, ne pas en inclure.

1.6 Images (Remotion)

Voir section 2.

1.7 Rendu et intégration

npx tsc --noEmit
npx remotion render Film4K out/silent.mp4 --codec=h264 --crf=18 --concurrency=7
ffmpeg -i out/silent.mp4 -i public/audio/master.m4a \
  -map 0:v -map 1:a -c:v copy -c:a aac -b:a 320k -shortest -movflags +faststart out/final.mp4

4K = mise en page 1920×1080 + transform: scale(2) ; 2K = scale(2560/1920). Une seule mise en page.
Reprise locale : ne rendre que l'intervalle d'images modifié → ffmpeg trim/concat en trois segments → -c:v copy pour ne changer que la piste audio ; si l'image doit être changée, réencoder et concaténer les trois segments (environ 5 à 10 minutes).

2. Système visuel

2.1 Fond

Format 1920×1080, 24 ips ; AbsoluteFill avec un fond quasi noir (#01050A / #010407), jamais de noir pur #000.
Structure en trois couches : dégradé de fond → lumière volumétrique/particules → couche d'information (texte, échelle de profondeur, valeurs).
Fin unifiée : Vignette + Grain statique (0,04, doit être animate={false} ; un grain dynamique fera scintiller les lignes fines).

2.2 Polices

Titres/poèmes : Songti SC (serif), espacement des caractères 0,4–0,6 em, grande taille (90–250 px).
Données/valeurs : SF Mono, 8–14 px, espacement des caractères 0,16–0,36 em.
Légendes : PingFang SC, 14–19 px, opacité 0,55–0,7.

2.3 Palette de couleurs (les « couleurs du monde » de chaque film)

Type de film	Haut éclairé	Milieu	Bas	Couleur d'accentuation
Univers / Temps	Fond `#050506`	Crème `#F3E7D0`	—	Ambre `#E8B06A`
Océan / Profondeur	Surface `#1E7C93`	`#07232E`	`#01050A`	Cyan `#4FE0C0`

Règle : une seule couleur d'accentuation par film ; exceptions pour les lumières bioluminescentes ou les sources hydrothermales avec au maximum deux couleurs, chacune liée à une grandeur physique spécifique.

2.4 Moteur de particules (Canvas 2D)

Aléatoire déterministe (hash) ; le même résultat pour la même image ; types de nuages : ball / filament / disk / globe-surface / sphere-shell / figure / city / helix / neuron / glyph / single / text / timeline.
Deux passages de dessin : d'abord un grand rayon avec une faible opacité pour créer une lueur, puis un petit rayon avec une opacité élevée pour le noyau ; globalCompositeOperation = 'lighter'.
Les bords du nuage de points doivent être en dehors du cadre : makeCloud('text', n) crée une boîte 3×1.2, dont la projection donne des bords rectangulaires (le bogue le plus souvent signalé par le public). Utiliser expand(cloud, kx, ky, kz) avec un facteur de 2,4 à 3,2.

2.5 Créatures et terrains (SVG)

Toujours en vue latérale, la tête dans le sens du mouvement ; au moins 4 détails anatomiques (yeux, nageoires, ligne de la bouche, plis de la gorge, balanes, etc.), sinon l'image ressemble à une texture.
Silhouette + lumière de bord (opacité 0,2–0,35) ; ne pas utiliser feTurbulence superposé au corps (cela donnerait un aspect granitique).
Terrain : lignes brisées + lignes de strates + débris + sédiments, pas de triangle ; ne pas tracer de ligne de base pour les montagnes (cela ressemblerait à un graphique).
L'apparition des créatures est liée à la « profondeur/temps » ; ne pas en montrer plus de trois à la fois.

2.6 Couche d'information (HUD)

Plaque nominative de couche : fond dégradé foncé (0,72→0) + barre verticale de couleur d'accentuation de 2 px à gauche + texte chinois blanc pur de 30–35 px.
Valeurs : 2 à 3 groupes par couche, ÉTIQUETTE 8,5 px / VALEUR 13–14,5 px.
Échelle graduée : traits de graduation + valeur actuelle en gras ; la valeur actuelle doit être calculée en temps réel, non codée en dur (sinon elle contredira l'aiguille).
Tous les nombres doivent être accompagnés d'unités ; les unités sont séparées par un espace (par exemple, 1 093 atm).

2.7 Transitions

Mouvement continu privilégié (plan-séquence) : la profondeur/temps est une grandeur continue, le contenu entre et sort du champ avec elle.
Fondu enchaîné court comme second choix (4 à 6 images, seule la nouvelle image apparaît, l'ancienne reste visible et est recouverte) — la luminosité ne s'effondre pas, les HUD ne se chevauchent pas.
Interdites : balayage en diagonale, longue dissolution croisée, poussée verticale (elle laisse voir un bord sombre), coupe franche après un noir (sauf motivation physique comme une « entrée dans l'eau »).

3. Faits et données

Créer un fichier facts.md : chaque ligne Nombre / Unité / Source / Comment l'écrire dans le film.
Trois erreurs les plus fréquentes : ① conversion d'unités (1 atm ≈ 10,3 t/m² ≈ 1,03 kgf/cm²) ; ② confusion entre « moyenne » et « extrême » (moyenne 3 688 m vs maximum 10 935 m) ; ③ simplification abusive (90 vs 98 éléments).
Utiliser une seule version précise pour tout le film ; la narration et l'image doivent provenir de la même source.

4. Liste de livraison

deliverables/
   Titre du film-4K-Version avec narration.mp4           # Version principale
   Titre du film-4K-Version instrumentale.mp4         # Si nécessaire
   Affiche-4K.png / Aperçu-4K.png    # Compositing d'images clés
   Couverture/                        # 1920 PNG + 4K PNG + 1146×717 JPG
   Note du réalisateur.md                  # Structure, son, historique des modifications
   Texte de publication-Bilibili.md              # Titre/description/tags/commentaire épinglé/suggestion de couverture
   Table des faits.md

Le package de livraison doit obligatoirement inclure : une déclaration de génération par IA, une répartition du travail (ce que le modèle a fait, ce que l'humain a fait), et une version des « chiffres faciles à mal lire » dans un commentaire épinglé.

5. Registre des problèmes rencontrés (classés par fréquence)

Phénomène	Cause racine	Correction
Rendu bloqué au prétraitement audio	Long fichier WAV + `<Audio>`	Rendu muet, mux externe
Texte illisible sur les particules	Pas de fond + opacité 0,4–0,5	Fond + blanc pur + taille de police augmentée
Apparition de rectangles réguliers (question la plus fréquente du public)	Bord de la boîte du nuage de points dans l'image	`expand()` multiplier par 2,4–3,2
Scintillement des lignes fines/des montagnes	Film grain dynamique	`Grain animate={false}`
Baleine/poisson « nage à l'envers »	Tête et queue inversées, œil à la queue	Reconstruire en vue latérale : tête en +x
Montagne ressemblant à un graphique	Chemin `L ... Z` avec une ligne de base horizontale	Bord inférieur en dehors de l'image
Transition coupant le regard	Balayage / longue dissolution	Fondu enchaîné court ou mouvement continu
Musique « boum boum »	Basses continues de 27 à 80 Hz	Passe-haut 85–100 Hz, supprimer le drone grave
Désynchronisation audio/visuelle	Rythme visuel ne correspondant pas au contenu de la narration	Courbe profondeur/temps réorganisée selon le contenu de la narration
Piste TTS de 600 s	Boucle de dégradation du modèle	Supprimer et regénérer, `repetition_penalty` 1.12
Reprise 4K trop lente	Rendu complet du film	Ne rendre que l'intervalle modifié + concat

6. Emplacement des deux films de référence

Sapiens : un autoportrait de l'univers : ~/dsh-video-remotion/film/src/scenes/*, 14 scènes, 4K, 4'58".
Vers le bas : DESCENTE : ~/dsh-video-remotion/film/src/ocean/*, 6 bandes de profondeur, 2K, 1'30" ; narration et musique dans ~/dsh-video-remotion/ocean/.
Ils partagent src/engine/particles.tsx (particules), src/engine/atmos.tsx (Vignette/Grain), src/theme.ts (polices/palette/assouplissements).

Moosphan/cinematic-shortfilm

Qu'est-ce que cinematic-shortfilm ?

Demander à votre IA préférée

Documentation