remotion-sfx

Bruitage (Pipeline Exécutable)

Positionnement : skill de production. La source de vérité se trouve dans remotion-assembly/references/audio.md (chaîne de loudness / mastering / silence / arbitrage BGM), tout conflit est tranché en sa faveur. Leçons apprises (ne pas répéter) : Synthèse de bruit blanc ffmpeg → non (rendu cheap et sableux) ; échantillonnage de pistes audio de référence → non (moyen après suppression vocale). La bonne solution = bibliothèque de bruitages professionnelle + sélection par l'utilisateur après écoute (erreur #21).

0. Vérifier d'abord la bibliothèque finalisée (la plupart des cas s'arrêtent ici)

public/sfx/ dix sons en service (bibliothèque d'écoute finalisée le 16/07/2026 + transfert de sources validé par le pool d'approbation le 21/07/2026, les numéros et enregistrements de transfert sont dans la règle 8 de audio.md ; les parenthèses indiquent les positions événementielles §4) : glass apparition de carte de preuve (A) / pop chip point léger (B, déjà transféré vers fav20 clair et croustillant, remplaçant l'ancien critiqué pour son « crac ») / tick2 (variante B, fav33 – utilisé en séquence dans le même segment pour éviter la monotonie) / pop2 atterrissage de nom doux (G, déjà transféré vers fav14 pop sourd avec volume) / stamp coup de tampon lourd (D, ≤1 dans toute la vidéo) / rise défilement numérique continu (C, fav29 refait, BASE_VOL réduit à 0.1) / whoosh balayage doux de départ (F) / shutter spécifique à l'instantané photo / bright trait de surbrillance (fav02 ding clair – son dédié à la seule famille aiguë du spectre complet de la vidéo de référence) / lowthud impact physique · chute (fav13 bourdonnement basse fréquence, dédié aux plans d'invasion, facilement trop lourd, à calibrer en fin de segment). Les anciens pop/pop2 sont conservés dans spare/prev-*. trans, ding ont été abandonnés le 20/07/2026 après écoute utilisateur (position E par défaut laissée vide, les sources officielles suivent §1-2). Les pièces de rechange sont dans public/sfx/spare/. Pool d'approbation public/sfx/jy-fav/ (21/07/2026 : 19 pièces utilisables sur 42 testées par l'utilisateur provenant de la collection CapCut) : le numéro fav + hash + groupe de calibre sont dans SOURCES.md dans le répertoire, tous passés aux oreilles de l'utilisateur – pour le transfert/ajout de sources aux positions B/G/A/E, la priorité va à ce pool, l'attribution des rôles est finalisée en fin de segment ; les sons en service dans la même vidéo suivent toujours la table A-G (calibration utilisateur : les sons courants sont une dizaine, les bruitages ne doivent pas voler la vedette). Changement de vidéo : réutiliser directement cette bibliothèque ; passer aux étapes 1-3 uniquement si un nouveau rôle ou une nouvelle texture est nécessaire.

1. Sélection des sources (lorsque de nouveaux bruitages sont nécessaires)

Priorité : a. Bibliothèque de cache locale CapCut (préférée par l'utilisateur : ~/Library/Containers/com.lemon.lvpro/Data/Movies/JianyingPro/User Data/Cache/music/, etc. contiennent des téléchargements en cache de bibliothèques de bruitages, find ... -iname "*.mp3" + ffprobe durée ≤5s pour filtrer les bruitages + md5 pour dédupliquer ; les fichiers nommés par hash n'ont pas de titre, ils sont identifiés via la planche d'écoute. Pour étendre le pool : l'utilisateur écoute et aime un son dans CapCut, cela tombe dans le cache, il suffit de relancer le script de scan – c'est l'action standard d'extension de la bibliothèque) → b. @remotion/sfx (d.ts = liste de liens directs ; pièces disponibles : whip/whoosh/switch/mouse-click/page-turn/ding/shutter-modern) → c. Mixkit libre de droits (page de catégorie grep assets.mixkit.co/active_storage/sfx/<id>/<id>-preview.mp3) → d. Pixabay / kenney.nl CC0 → e. Packs commerciaux (Artlist/Epidemic). Note Copyright : les termes des actifs CapCut limitent nominalement à une utilisation dans CapCut, l'écosystème des créateurs chinois permet à l'utilisateur de juger par lui-même ; pour une distribution commerciale externe, privilégier b-e.

2. Planche d'écoute (obligatoire avant d'intégrer un nouveau son, ne peut être sautée)

L'IA n'a aucun jugement sur la texture sonore, elle ne peut que filtrer les défauts spectraux. Procédure : candidat normalisé à -3dB → chaque son avec une carte numérotée et nommée (drawtext) rendu en petit segment → concaténation en une vidéo d'écoute soumise à l'utilisateur → l'utilisateur doit fournir le numéro avant autorisation d'intégration. Règles de concaténation (apprises le 16/07/2026) : ① chaque segment doit avoir une durée fixe identique – audio apad=whole_dur=2.1,atrim=0:2.1, vidéo -t 2.1, interdiction d'utiliser -shortest (le priming aac crée de minuscules différences de durée) ; ② concaténation interdite d'utiliser -c copy, doit être entièrement ré-encodée – sinon le décalage audio-vidéo s'accumule, les numéros ne correspondent plus au son (l'utilisateur a eu 40+ numéros complètement mélangés), tous les numéros fournis sont invalides et à refaire. ③ Vérifier chaque son avant livraison (incident 0715-02 : 2 sons silencieux sur 8 ont été livrés à l'utilisateur comme détecteurs) : pour la planche concaténée, vérifier chaque segment ffmpeg -ss <début segment> -t <durée> -af volumedetect max_volume, tout segment < -60dB est silencieux – d'abord vérifier le fichier source avec volumedetect (contre les pièces défectueuses dans la bibliothèque, ex. rise.wav -91dB), puis vérifier la commande de concaténation, réparer et refaire ; interdiction de livrer des segments silencieux.

Le positionnement des textures sonores passe exclusivement par la planche d'écoute, pas par l'IA (consolidé lors de la validation finale 0715-02) : quel son attribuer à quel événement visuel est déterminé par l'utilisateur après avoir visionné la planche – l'IA n'a aucun jugement sur la texture. Incident 0715-02 : l'IA a attribué les mauvais sons 2 fois par simple supposition, ce n'est qu'avec la planche d'écoute que stamp a été identifié. Pour toute nouvelle vidéo, ou si les sons de l'ancienne bibliothèque ne correspondent pas aux nouveaux événements visuels, d'abord produire une planche d'écoute pour que l'utilisateur attribue, interdiction à l'IA d'assigner directement un son à la vidéo.

3. Traitement et intégration en bibliothèque

• Normalisation du pic à -3dBFS (volumedetect mesure max → volume=(-3-max)dB), 48k mono.
• Coupure de début pour les longs échantillons : impact → prendre les 1.0-1.6 premières secondes + afade out.
• Synthèse de roulement (défilement numérique / allumage par lots) : tick sélectionné coupé à 40ms + -stream_loop 29 + rampe de volume volume='0.35+0.65*t/1.2':eval=frame – le son de défilement de la vidéo de référence est essentiellement une répétition rapide de tick, pas un riser mélodique.
• Nouveau rôle : ajouter le type union SfxName dans sfx-<nom_video>.ts + BASE_VOL dans SfxTrack.

4. Table de placement Cue : syntaxe de bruitage A-G (décodage spectral du 16/07/2026 : 11 points d'ancrage déterminés + mise à jour statistique du 21/07/2026 sur deux vidéos complètes [221 événements réels] ; source de vérité = table A-G de cette section + règle 8 de audio.md, preuves du décodage : assembly/0715-01/segmented-workflow/score-bruitage.md + docs/score-bruitage-video-reference-v2.md)

Table de correspondance événement visuel → son (consulter beat par beat, interdiction d'improviser) :

Événement	Son	Fichier bibliothèque
A Apparition carte de preuve / capture d'écran	Son de verre (court, avec hauteur, sensation d'interface ; dans la vidéo de référence, le son d'apparition est plutôt sourd bright -13.5 – ne pas choisir le plus aigu, les ding clairs fav02/25/19 doivent être calibrés avant intégration)	glass.wav (CapCut J08, planche d'écoute n°106)
B Entrée de chip/petit élément, allumage point par point	tick court et clair ; en lot, émission à 0.15-0.3s d'intervalle	pop.wav (déjà transféré vers fav20 le 21/07/2026) ; utiliser tick2.wav en séquence dans le même segment pour éviter la monotonie
C Défilement numérique	roulement de tick couvrant toute la durée du défilement ; pas de coup lourd à l'arrêt (grammaire de la vidéo de référence)	rise.wav (version 1.5s)
D Coup de tampon / chute de phrase	coup court et sourd, solide sans être puissant	stamp.wav (si trop lourd, remplacer par spare/1143)
E Transition de chapitre / entrée en prise en charge	long riser de souffle, uniquement au niveau du chapitre	trans.wav abandonné le 20/07/2026 ; la vidéo de référence a 20 transitions de chapitre et prises en charge toutes avec un son de commutation court (decay ≤0.1s, pas de long riser de souffle) – choisir un son <0.2s court, interdiction de riser ; par défaut, laisser vide (pratique finalisée 0715-02, style validé par l'utilisateur) ; si vraiment nécessaire, whoosh en position légère (vol ≤0.5, F prendre une valeur encore plus basse pour garantir « plus doux à la sortie qu'à l'entrée »), l'ajout officiel suit §1-2 planche d'écoute
F Départ / sortie	balayage doux en decay, plus léger que l'entrée (vol ≤0.5 ; « plus léger d'un cran » est une contrainte de style validée – la vidéo de référence montre que la sortie n'est pas plus légère que l'entrée, la différence réside dans une queue de decay légèrement plus longue, privilégier un son « avec queue de decay » plutôt qu'un volume bas)	whoosh.wav
G Atterrissage de nom / badge / chip	pop doux	pop2.wav (déjà transféré vers fav14 pop sourd le 21/07/2026) ou spare/interface-1109

Positions événementielles étendues (ajoutées le 18/07/2026 par stress test généralisé, groupées par famille sans ajouter de nouvelle source sonore) : atterrissage de grand titre / conclusion lockup → D léger (vol ≤0.5, ne consomme pas le quota de coup lourd de stamp) ; entrée de ligne de temps/carte de graphique → A ; allumage de nœud de ligne de temps, croissance de barre de données, trait draw-on → B (en lot, suivre les règles d'émission en rafale) ; atterrissage de petite annotation / ZeroTag → B ; trait de surbrillance / mise en évidence → bright.wav (ding clair dédié, seule famille aiguë du spectre complet de la vidéo de référence +3.0) ; impact physique / chute / extrusion → lowthud.wav (léger vol à ajuster, facilement trop lourd) ; punch-in zoom → son court de force moyenne (léger D ou léger lowthud) ; micro chapitre rétrogradé – pour les segments <8s de type pagination, la transition E n'est utilisée qu'au début et à la fin du groupe entier, les inter-sections sont remplacées par B (pour éviter la monotonie des sons de transition ; actuellement E utilise whoosh temporairement, voir §0).

Correspondance du pool d'approbation (classement par famille basé sur les caractéristiques réelles le 21/07/2026 ; les sélections principales ont été promues en bibliothèque le même jour, voir §0 ; la calibration finale de l'écoute a lieu en fin de segment) : déjà promus – pop←fav20, pop2←fav14, tick2←fav33, bright←fav02, lowthud←fav13. Encore en réserve : B backup fav27/24, G backup fav11/06, A backup fav25/19 (ding clair, si bright trop aigu, descendre d'un cran), F backup fav16 (souffle très léger), D léger backup fav05, backup physique fav08, candidat E fav17/00 (par défaut toujours vide). En fin de segment, si l'un ne convient pas, le remplacer en 1 minute depuis le pool. Tableau complet des caractéristiques dans jy-fav/SOURCES.md.

Choisir le son en fonction de la famille sémantique avant tout (décision du 21/07/2026, pour éviter de choisir « celui qui sonne bien ») : ding clair = surlignage / mise en évidence, le spectateur doit regarder ici (dans la vidéo de référence, la seule famille aiguë est le trait de surbrillance +3.0 ; l'apparition de la carte de preuve est plutôt sourde -13.5, classée dans la famille sourde-courte, avec glass de calibre moyen) ; clic sec = mise en place de petits éléments / allumage par points (sensation de progression) ; pop sourd = atterrissage d'identité / conclusion (sensation de poids) ; basse fréquence = action physique impact/chute/extrusion (sensation de causalité) ; souffle = départ (sensation de rangement). Un événement visuel appartient à une famille sémantique, on prend le son de cette famille – si la famille ne correspond pas, mieux vaut ne pas sonner.

Trois méta-règles (plus importantes que la texture sonore, cause racine du désastre v6) : ① Cohérence sonore – toute la vidéo utilise une seule famille de sons d'interface, interdiction de mélanger des sons de type photographie/bureau/gros film ; ② Volume modéré – aucun son ne couvre la voix humaine, la densité compte plus que le volume (les deux vidéos de référence ont une cadence de 4-5s/son ; « 2-3s/son » est le rythme des sections denses, pas la moyenne globale, voir score bruitage v2) ; ③ Un événement, un son – pas de superposition, deux événements sur le même temps doivent être décalés d'au moins 0.1s.

Règle générale pour le hook / bruitage d'ouverture (réponse à la question ⑩ « faut-il un bruitage en ouverture ? ») : l'ouverture n'est pas un cas particulier « à son ou pas », elle suit la règle générale « son sur l'élément principal + table A-G » – le visuel principal du hook doit sonner si nécessaire : grands caractères typés = tick par caractère (B), chiffre lourd du hook = roulement C, apparition de carte de preuve = A, début de chapitre / entrée en prise en charge = E. Ce qui est rejeté, c'est uniquement le « son décoratif de démarrage sans ancre visuelle » (whoosh/souffle d'ouverture, son d'ambiance forcé pour créer une atmosphère) – il ne correspond à aucun événement visuel, c'est un pur bruit en dehors des méta-règles ①②. Critère : chaque son d'ouverture doit être lié à un élément principal en train d'atterrir ; s'il n'y a pas d'élément, pas de son, ne pas en forcer un juste pour « avoir un son au début ».

Déjà rejeté : whoosh/souffle d'ouverture (décoratif, voir règle ci-dessus), coup lourd à l'arrêt du chiffre, tampon lourd partout (ancienne limite ≤2/vidéo, depuis le 21/07/2026, les sons de type « crac » sont limités à ≤1 par vidéo, règle stricte §4.4 ; les deux vidéos de référence ont 1/2 tampons, le portrait sonore est le plus sourd du spectre bright -18.4 + le plus lourd rise jusqu'à 30dB, « sourd sans être puissant » confirmé), BGM (la vidéo de référence en a : lit continu basse fréquence, constant du début à la fin, estimé à ≤-15dB par rapport à la voix – l'absence de BGM est une différence de style décidée par l'utilisateur, pas une règle de la vidéo de référence ; pour un changement, partir de -15dB constant en fond), trans riser de chapitre et ding de fin (abandonnés le 20/07/2026 après écoute, voir §0).

4.4 Audit quantitatif des bruitages de la vidéo (consolidé lors de la validation finale 0715-02 : obligatoire après placement des cues, retour en arrière si dépassement, puis re-rendu)

• Densité : limite inférieure stricte ≥2.5s/son (incident : 1.95s/son refusé en validation finale « trop bruyant ») ; zone cible 3.5-5s/son (les deux vidéos de référence : v5=5.0/v6=4.0 ; 0715-02 réduit à 3.05s encore trop dense, pas un point d'arrêt). Le silence est aussi une syntaxe : 20-30s consécutives sans cue sont normales (le plus grand silence mesuré est 28.7s), interdiction de combler les passages de parole pure par des sons pour atteindre la densité ; la densité se fait par vagues sur fenêtres de 30s (fenêtre dense 9-14 sons vs fenêtre clairsemée 2-3 sons), pas de répartition uniforme. Le critère de couverture prime sur la moyenne de densité (décision du 21/07/2026 lors de la validation finale 0721-01) : la version finalisée à 42 sons et 3.02s/son (inférieure à l'ancienne zone cible basse) a été jugée par l'utilisateur comme « il manque des bruitages sur certains MG » – la moyenne de densité conforme ne garantit pas une couverture conforme ; l'audit se base sur « chaque élément principal MG a un son à son atterrissage, ou une raison explicite de silence (parole pure / entrée en prise en charge / famille sémantique non correspondante) », la zone cible 3.5-5 devient une référence pour éviter le bruit, si la couverture nécessite moins de 3.5, on ne revient pas en arrière (0721-01 avait seulement 7 sons en service, ce qui limitait la couverture ; l'extension de la bibliothèque est déjà faite, voir règle de tension ci-dessous).
• Proportion d'un seul son ≤35% (incident : pop 114/220=52%, sensation auditive « déclenchement continu d'obturateur photo » – les tick courts en rafale créent cette sensation). La famille clic sec de la vidéo de référence est exactement à 35% (78/221), cette ligne coïncide avec la mesure réelle, règle stricte non assouplie.
• Allumage par lots par défaut : ne compter qu'un son pour l'ensemble du groupe ; l'émission à 0.15-0.3s d'intervalle n'est utilisée que pour ≤4 éléments avec stagger sémantique, remplaçant l'ancien défaut « rafale de lots » de §4 position B.
• BASE_VOL référence ≈0.25 (0.2-0.3), limite supérieure pour coup lourd 0.55 – l'utilisateur a décidé le 21/07/2026 que « le volume de base des bruitages doit être autour de -15dB » : pic d'intégration -3dBFS × 0.25 ≈ pic effectif -15dBFS (remplace 0.3-0.55 du 20/07/2026 ; avant cela, 0.8-1.0 était l'ancienne version jugée « trop forte », ne pas revenir en arrière).
• Utiliser le son de tampon stamp avec parcimonie (consolidé lors de la validation finale 0715-02) : l'utilisateur a perçu les stamp denses comme « déclenchement d'obturateur photo » – les phrases, noms de type, tampons verts n'ont pas besoin d'un stamp chacun, laisser l'espace visuel parler ; il est recommandé d'utiliser stamp (y compris les coups lourds) ≤ quelques unités. Cela se cumule avec la règle « coup lourd ≤2/vidéo » : le coup lourd est un sous-ensemble fort de stamp, d'abord limiter les coups lourds à ≤2, puis limiter le nombre total de sons stamp à ≤ quelques unités.
• Sons de type « crac » dans toute la vidéo ≤1 (décision de l'utilisateur le 21/07/2026 lors de 0721-01, renforçant la règle stamp≤quelques unités) : l'utilisateur est très sensible aux sons de type crac (stamp/shutter), les crac denses de phrases = déclenchement continu d'obturateur, désagréable ; ne garder qu'1 seul stamp de coup lourd au point culminant de la vidéo, les autres phrases / conclusions atterrissent avec des sons doux (pop2 pop sourd / rise croissance), ne pas tamponner chaque phrase.
• Les sons emblématiques (rise croissance) sont également utilisés avec parcimonie, et surtout éviter les concentrations locales (leçon 0721-01) : rise ≤4-5 dans toute la vidéo et interdiction d'en avoir ≥2 dans une fenêtre de 30s (première version 0721-01 : 10 rise, 4 concentrés entre 111-122s, l'utilisateur a jugé « même son répété » – 22% d'un seul son ne dépasse pas 35% mais a quand même été jugé excessif, la concentration locale est plus fatale que le pourcentage global) ; parmi les animations de croissance adjacentes, ne choisir que le temps le plus emblématique pour rise, le reste en silence ou avec pop.
• Les sons de type tick continu (rise) ont un BASE_VOL encore plus bas : rise est ~1.2s de ticks continus, la sonie cumulée est bien plus élevée qu'un seul pop/pop2, même avec un pic à -3dB, il semble « plus fort » ; l'utilisateur a décidé le 21/07/2026 de réduire rise à 0.1 (un cran en dessous du 0.25 standard) – tout son continu/durable doit avoir un niveau d'un cran en dessous des sons ponctuels.
• Tension entre couverture sonore des MG et taille de la bibliothèque (non résolue 0721-01, en attente d'extension) : l'utilisateur veut « chaque MG a un son » mais la bibliothèque n'a que 7 sons, forcer la couverture = utiliser les mêmes sons en boucle → à la fois bruyant et répétitif (c'est la cause racine des problèmes avec crac/rise). Couverture et « pas bruyant ni répétitif » sont incompatibles avec une petite bibliothèque ; la solution radicale = extension de la bibliothèque. Déjà fait le 21/07/2026 : 3 nouveaux rôles promus du pool d'approbation (tick2/bright/lowthud) + transfert des sources B/G, dix sons en service (§0) ; si encore trop monotone, en prendre dans le pool (19 pièces déjà approuvées par l'utilisateur, tableau de correspondance dans SOURCES.md) ou l'utilisateur ajoute de nouvelles collections.
• Action d'audit : grep -c compter le nombre total de cues et la distribution par son ; si une ligne est dépassée, d'abord réduire les cues de lots, puis réduire la proportion ; compter les sons stamp séparément, si > quelques unités, retour en arrière.

4.5 Boucle fermée automatisée (décision de l'utilisateur : ne plus ajuster le son version par version)

L'utilisateur n'intervient qu'à deux moments, tout le reste est automatisé :

1. Bibliothèque définitive en une fois (déjà en cours) : scan/sélection des sources → planche d'écoute globale → l'utilisateur fournit les numéros → attribution des rôles selon la grammaire A-G → bibliothèque permanente public/sfx/ finalisée. Par la suite, changement de vidéo : plus de sélection de bruitages.
2. Validation finale de segment : écouter le segment entier, signaler un point temporel pour échange (retour à la bibliothèque/spare échange de source → nouvelle version en 1 minute). La version finale du segment est toujours livrée avec les bruitages – le placement automatique des cues ne dépend pas d'une version visuelle pré-finalisée, interdiction de sortir une version intermédiaire sans son pour la re-rendre (leçon 0715-02 : trois segments rendus deux fois, un cycle de rendu perdu). Entre les deux : zéro intervention humaine. Lors de l'assemblage de chaque segment, les cues sont automatiquement assignés selon « type de composant → type d'événement → table A-G » – Chip/grille de points=B, apparition QuoteDoc/ShotCard=A, Stamp=D, défilement BigNumber=C, Takeover/début de chapitre=E, sortie Exit=F, atterrissage de nom/badge=G ; le at du cue est directement calculé à partir de l'enterAt de l'élément converti en secondes. Le brouillon des cues est déjà scripté : node scripts/beat-to-cues.mjs <nom_video> génère mécaniquement un brouillon sfx-<nom_video>.ts à partir de la table d'assemblage (avec un rapport de pré-audit §4.4, les dépassements sont marqués en rouge mais pas supprimés), le sound designer ne fait que valider, pas coder ; la table de correspondance dans le script est une copie de cette section, les changements de règles suivent ce SKILL. Interdiction de chercher de nouveaux bruitages temporaires pour un seul segment (si un rôle manque, suivre §1-2 pour ajouter à la bibliothèque).

5. Validation quantitative (obligatoire après le rendu de segment)

• Chaque point de cue : ffmpeg -ss <t> -t 0.5 -af volumedetect le pic plein spectre doit être significativement plus élevé que la fenêtre de parole pure adjacente ; pour les pièces claires, mesurer aussi highpass=f=8000 : ≥ ligne de base des sifflantes de la voix +6dB (ce seuil est en attente de recalibration depuis le 20/07/2026 – après la réduction de BASE_VOL, se baser sur l'audibilité de chaque cue + la validation finale de l'utilisateur, ne pas remonter le volume pour atteindre les dB, voir règle 1 de audio.md).
• Comptage des événements audibles : highpass=f=12000,silencedetect=noise=-25dB nombre d'événements ≈ nombre de cues.
• Faux pics à exclure : les plosives de la voix et les coups de grosse caisse du BGM peuvent aussi créer des pics (décodage des deux vidéos : 360 candidats, 39% éliminés), les claquements de doigts, applaudissements captés par micro peuvent atteindre 40dB de rise – lors de la validation du point de cue, d'abord exclure les sons corporels captés, ne pas les prendre comme référence de bruitage.
• Critère final = l'oreille de l'utilisateur : livrer le segment finalisé à l'utilisateur pour écoute, signaler un point temporel pour retour à la planche d'écoute/pièce de rechange, nouvelle version en 1 minute.