Synchronisation Voix ↔ Vidéo
Règle zéro : la piste vocale donne le tempo. L'image est calée sur l'audio mesuré, jamais sur des durées estimées.
1. Écrire la narration
- Commencez par la situation du spectateur, pas une définition. Une seule histoire ; la cause avant l'effet.
- Convertissez les nombres en échelle ressentie (« de la taille d'un annuaire », pas « 3,2 Mo »).
- Les métaphores doivent avoir du poids ; le narrateur a un point de vue.
- Ne décrivez pas ce que l'image montre déjà ; dites ce que l'image ne peut pas montrer.
- Terminez en faisant écho à l'ouverture. Les limites de chapitre se relaient : la dernière ligne du chapitre N prépare la première ligne du chapitre N+1.
- Budget par débit de parole : anglais ≈ 125–150 mots/min (les voix TTS varient — mesurez un échantillon) ; portugais ≈ 140–160 mots/min ; chinois ≈ 4–5,5 caractères/s.
Format du fichier script (un paragraphe = un plan, | sépare les blocs de sous-titres) :
# CHAPITRE 1 Pourquoi les cartes ment
Chaque carte que vous avez vue | a été dessinée par quelqu'un | avec une raison.
Mercator voulait que les marins | puissent tenir un cap droit.
## pause 0.6
## pause <secondes> demande une pause d'au moins cette durée après le paragraphe (temps d'attente pour la dernière image). Produisez-la dans l'audio — <break time="600ms"/> en SSML pour la TTS, ou silence inséré lors de l'assemblage de fichiers par paragraphe. L'outil de timeline ne décale jamais les timings ; il vérifie la pause.
2. Verrouiller le script
Affichez le script complet avec le nombre de mots et la durée estimée, et obtenez un « approuvé » explicite. Après le verrouillage, chaque timing est dérivé de l'audio ; changer un mot recalcule tous les plans qui le suivent.
3. Produire la voix
- TTS (par défaut en l'absence d'enregistrement) : demandez à l'utilisateur un moteur/voix préféré(e). Envoyer du texte à une TTS cloud (ElevenLabs, Azure, OpenAI, Google, edge-tts) partage le script avec ce fournisseur — confirmez d'abord. Les options locales (Kokoro, Piper) gardent les données sur la machine.
- Voix enregistrée : acceptez du WAV 48 kHz. Coupez le silence, conservez les respirations naturelles, normalisez plus tard dans le mix.
- Gardez un fichier par paragraphe ou un fichier maître avec des horodatages ; les deux fonctionnent avec l'outil de timeline.
4. Obtenir les horodatages
Utilisez les horodatages au niveau du mot ou du segment provenant de la réponse API TTS, ou alignez de force l'audio avec le script (WhisperX, whisper-timestamped, stable-ts, ou Whisper avec word_timestamps=True). Normalisez-les en ce JSON :
{"segments": [{"text": "Chaque carte que vous avez vue", "start": 0.00, "end": 1.42,
"words": [{"word": "Chaque", "start": 0.00, "end": 0.21}]}]}
5. Construire la timeline
python3 <racine-plugin>/scripts/build_timeline.py mots.json --script script.txt --fps 30 \
--out-dir timeline/ --max-chars 42 --min-dwell 1.0
Produit timeline.json (plans avec images de début/fin, blocs de sous-titres, débuts de chapitre), captions.srt, captions.vtt, et des avertissements pour : mots du script manquants dans l'audio (ou mots audio manquants dans le script), sous-titres trop longs ou trop rapides à lire, plans dont le dernier sous-titre laisse moins de --min-dwell secondes avant le plan suivant (ajoutez une pause dans l'audio ou fusionnez), pauses ## pause demandées que l'audio ne contient pas, et silences de plus de 3 s. Les mots qu'un aligneur forcé n'a pas horodatés (fréquent pour les nombres dans WhisperX) sont interpolés entre leurs voisins. Transmettez timeline.json à la composition ; ne retapez jamais les numéros d'image à la main.
6. Règles pour les sous-titres
- ≤42 caractères par ligne, ≤2 lignes, ≥1,0 s à l'écran, ≈17 caractères/s de vitesse de lecture maximum.
- Coupez aux limites des syntagmes, jamais entre un article et un nom.
- Gardez les sous-titres hors de la zone inférieure de l'interface utilisateur en 9:16 et loin du texte UI à l'écran.
- Sous-titres incrustés pour les réseaux sociaux ; SRT/VTT séparés pour YouTube et les lecteurs web.
7. Mixage
| Couche | Cible |
|---|---|
| Loudness intégré (final) | −14 LUFS pour les réseaux/web (−16 acceptable) ; −23 LUFS pour la diffusion TV |
| Pic vrai | ≤ −1 dBTP |
| Musique sous la voix | ducking de 8–12 dB pendant la parole, 150–300 ms d'attaque/relâchement |
| Effets sonores | ≈10 dB sous la musique ; sur l'image causale, pas après |
Mesurez avec <racine-plugin>/scripts/qc.sh loudness final.mp4 (ajoutez -23 pour la diffusion TV). Lorsque les compétences audio HyperFrames sont installées, hyperframes-audio fournit le ducking (« voiceover carve »), l'égalisation et l'automatisation dans la composition ; sinon, utilisez sidechaincompress et loudnorm de FFmpeg (deux passages).
8. Point de contrôle de prévisualisation
Rendez les premières ≤30 s avec la voix, les sous-titres et la musique et demandez : « Voix, rythme, taille des sous-titres et cadence — OK ? » Changer le rythme après ce point signifie relancer la TTS et retimériser tout.