Communitygithub.com

b-roll vidéo pour tête parlante

Ajoute des motion graphics (b-roll) à une vidéo de tête parlante. Transcris l'enregistrement avec le minutage des mots, décide ligne par ligne quand montrer l'orateur, quand superposer un graphique et quand le recouvrir entièrement, dessine chaque graphique à partir de ce qui est dit (chiffres, comparaisons, étapes, mots-clés) sur un canvas JavaScript, et rend le MP4 final avec le son original, ainsi que le b-roll seul avec alpha pour le montage.

Qu'est-ce que b-roll vidéo pour tête parlante ?

Ce skill transforme un enregistrement brut de tête parlante (tutoriel, podcast, publicité) en une vidéo dynamique et engageante sans jamais couper ou recadrer l'original. Il transcrit d'abord la piste audio avec un timing mot par mot (via whisper.cpp ou ElevenLabs), puis divise le discours en lignes et attribue à chacune un traitement visuel parmi trois : A (orateur seul), B (overlay transparent avec mot-clé, chiffre, icône), ou C (cover opaque plein écran pour expliquer un concept). Les graphiques sont dessinés en JavaScript sur un canvas à partir des paroles réelles – chiffres, comparaisons, étapes – avec un minutage précis (lead, sync ou reveal). Le rendu final superpose la couche graphique sur la vidéo originale en conservant le son, et exporte également le b-roll seul avec canal alpha (ProRes 4444) pour les logiciels de montage (Premiere Pro, DaVinci Resolve, Final Cut). Le skill inclut un système de vérification automatique qui contrôle le recouvrement du visage, les débordements de texte et le rythme des plans. Idéal pour les créateurs de contenu, formateurs et monteurs qui veulent enrichir une vidéo de tête parlante sans complexité de production.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/ItsMeMal/mallss3d-motion/tree/main/.claude/skills/talking-head-b-roll

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait b-roll vidéo pour tête parlante ?

L'enregistrement de l'utilisateur est déjà bon : les paroles et la diction sont définitives. Une tête parlante seule est ennuyeuse à regarder, le travail du film est donc de décider, pour chaque segment de discours, ce que montre l'image. La voix ne s'arrête jamais ; seule l'image change.

L'enregistrement n'est jamais coupé, déplacé, recadré ou mis à l'échelle. Tout ce que vous créez est une couche dessinée par-dessus : transparente là où l'orateur doit apparaître, opaque là où un graphique le cache. scripts/render.mjs pose cette couche sur l'enregistrement et conserve son son.

Réalisez-le d'un seul jet : ne posez pas de questions auxquelles l'enregistrement ou une valeur par défaut raisonnable répond, et listez ce que vous avez choisi lors de la livraison. Travaillez dans un dossier qui contient l'enregistrement et exécutez les scripts depuis ce dossier ; les fichiers de sortie y atterrissent. Ci-dessous, <skill> est le dossier de ce skill (celui qui contient ce fichier).

1. Transcrire

node <skill>/scripts/transcribe.mjs talk.mp4            # → transcript.json, et affiche chaque ligne avec son début et sa fin

Il affiche la taille de la vidéo, sa fréquence d'images et sa durée (elles vont dans la page) ainsi que la transcription divisée en fins de phrases, avec chaque mot horodaté dans transcript.json. Lisez l'intégralité de la transcription avant de décider quoi que ce soit. Il utilise whisper.cpp local quand il est installé, sinon ELEVENLABS_API_KEY ; sans aucun des deux, il affiche comment en configurer un. Les pauses proviennent de l'audio lui-même, donc les écarts entre les phrases correspondent aux endroits où l'orateur s'arrête réellement ; les temps à l'intérieur d'une phrase sont précis à quelques dixièmes de seconde près. Une transcription peut mal entendre un chiffre : si l'un d'eux ne correspond pas au reste du discours, gardez-le hors de l'écran et mentionnez-le lors de la livraison.

2. Planifier : trois traitements

A. Orateur. La vidéo seule, rien par-dessus. À utiliser quand la personne est l'essentiel : la première phrase, une opinion personnelle ou une histoire, un moment émotionnel, l'appel à l'action, la phrase de conclusion.

B. Superposition. La vidéo reste visible ; une couche animée transparente se trouve par-dessus : un mot-clé ou une courte phrase, un chiffre qui défile, une icône, une flèche, un logo, une courte liste qui se construit élément par élément. À utiliser quand une ligne contient une chose concrète qui vaut la peine d'être vue pendant que l'orateur reste intéressant à regarder. Gardez les superpositions vers les bords et le tiers supérieur ou inférieur, là où elles ne cacheront pas le visage de l'orateur. Une seule idée à l'écran à la fois ; elle disparaît quand la ligne passe à autre chose.

C. Couverture. Une scène animée opaque plein écran cache l'orateur pendant que sa voix continue. À utiliser quand la ligne est mieux montrée que dite par un visage : chiffres et comparaisons, un processus ou une séquence d'étapes, le fonctionnement de quelque chose, un produit ou une interface, tout ce qui comporte trois parties ou plus. L'animation doit expliquer la ligne, pas la décorer.

Divisez la transcription en lignes aux fins de phrase ou de proposition. Attribuez à chaque ligne A, B ou C avec une raison en une phrase, et dites ce que montre B ou C. Vérifiez ensuite le rythme :

  • Commencez par A, pour que le spectateur rencontre la personne ; terminez par A.
  • Pas de segment A de plus d'environ 8 secondes ; coupez-le avec B ou C.
  • Un segment C dure environ 3 à 8 secondes ; revenez à l'orateur entre les segments C pour que le film ne devienne pas un diaporama avec voix off.
  • Planifiez les changements de traitement aux limites des lignes et les révélations de superposition aux mots qu'elles illustrent ; choisissez les éléments qui mènent ou se synchronisent en utilisant les règles de minutage ci-dessous.
  • Préférez moins de traitements, plus clairs, plutôt qu'un changement à chaque ligne.

Minutage visuel : décider par élément

Choisissez le minutage pour chaque élément significatif, pas une fois pour toute la couche de b-roll. Enregistrez son mot/expression parlée, son horodatage, le choix de minutage et une courte raison dans le plan :

MinutageUtilisation pourHorloge
Avance d'environ six imagesContexte que l'œil peut anticiper : axes, cartes, objets, structure du processuss.now
Synchronisé sur le mot pertinentNouveaux faits clés : montants, pourcentages, prix, classements, valeurs finales de graphiquess.audioNow
Attendre la révélationChutes, négations, réponses retenues et conclusionss.audioNow, déclenché au mot ou à l'expression de révélation

Pour « le chiffre d'affaires a augmenté de 30 % », amenez la structure du graphique tôt, puis rendez 30 % lisible et faites atterrir la valeur de la barre finale ensemble sur « 30 % ». La synchronisation signifie que l'information est lisible ou stable, pas simplement qu'un long fondu/décompte a commencé. Le mouvement préparatoire peut commencer plus tôt, mais ne doit pas révéler la réponse trop tôt. Les valeurs déjà énoncées peuvent rester visibles comme contexte.

Gardez les SCENES.from/to et les ancres de mots en secondes originales de la transcription. Le modèle avance l'horloge de structure de VISUAL_LEAD_FRAMES / FPS (par défaut six images : 240 ms à 25 ips, 200 ms à 30 ips). s.now, t, s.in et s.out suivent cette horloge ; s.audioNow reste le temps de lecture réel. Déclenchez chaque fait synchronisé avec s.audioNow >= wordStart. Ne décalez pas les ancres non plus, et ne réajustez pas le calage de la couche terminée dans le monteur. Utilisez VISUAL_LEAD_FRAMES = 0 pour les demandes de synchronisation exacte ; dans une scène mixte, gardez le contenu factuel et retenu sur l'horloge audio.

Conservez l'enregistrement, l'audio, les sous-titres et la durée du film inchangés. Vérifiez qu'une sortie de scène décalée ne cache pas une révélation synchronisée ni n'écourte sa tenue lisible ; prolongez/replanifiez cette scène et sa voisine si nécessaire. Préservez une ouverture et une fermeture avec l'orateur seul. Écoutez autour des ancres : les temps de mots estimés ne sont pas garantis image par image. Il s'agit d'une valeur par défaut éditoriale basée sur notre échantillon de révision, pas d'une règle perceptuelle universelle.

Pour la comparaison, gardez les visuels fixes et révisez avec le son. scripts/compare-timing.py n'est que l'ancienne expérience de décalage de couche entière : alimentez-le avec une couche alpha de base à avance zéro, jamais une couche sélectivement minutée ou déjà avancée. Il ne peut pas valider ces choix par élément.

Les sous-titres incrustés complets ne font pas partie de ceci : ajoutez-les uniquement si l'utilisateur le demande. Le texte d'une superposition B est composé de quelques mots-clés, pas de la phrase prononcée.

Le texte à l'écran utilise les mots que l'orateur dit réellement, ou des chiffres et des noms issus de la transcription ou des documents de l'utilisateur. N'inventez pas de chiffres, d'affirmations ou de citations.

3. Construire la page

Copiez <skill>/templates/b-roll.html à côté de l'enregistrement sous le nom page.html et définissez :

  • VIDEO, W × H (le format de la vidéo : 1920 × 1080, ou 1080 × 1920 pour vertical ; un fichier 4K peut conserver une page 1920 × 1080), FPS, DURATION, d'après ce qu'a affiché transcribe.mjs.
  • FACE : l'emplacement de la tête de l'orateur (avec les cheveux et un peu d'espace autour), en fractions du cadre. node <skill>/scripts/render.mjs page.html face --stills 2s,20s --face affiche l'enregistrement avec la boîte ; ajustez jusqu'à ce qu'elle contienne la tête dans chaque image fixe.
  • SCENES : une entrée par segment B ou C, { from, to, kind: 'overlay' | 'cover', draw }, les temps issus du minutage des mots dans transcript.json. Tout ce qui n'est pas dans une scène est A. Deux scènes peuvent se toucher (le to de l'une est le from de la suivante) ; un infime passage de l'orateur entre elles donne l'impression d'un scintillement.
  • Un draw(t, s) par scène, écrit pour ce que dit cette ligne. Les deux exemples du modèle (une carte de mot-clé et un chiffre synchronisé) montrent la structure, pas le rendu final. s.in et s.out donnent l'entrée et la sortie ; s.now est l'horloge de structure avancée ; utilisez s.audioNow et l'ancre de mot originale pour les faits synchronisés et les révélations retenues.

Les surfaces sont par défaut en CLAIR. Passez en sombre uniquement si (a) l'utilisateur ou la marque le demande explicitement, ou (b) le sujet vit naturellement sur une surface sombre (terminal/code, ciel nocturne, cinéma). Le néon sur fond noir est le cliché par défaut de toute vidéo IA ; le choisir sans y être invité est un échec de design.

Polices : un <link> Google Fonts par famille avec les graisses utilisées, et chaque police que vous dessinez listée dans FONTS, pour que rien ne s'affiche dans une police de remplacement (le rendu nécessite un accès réseau pour les charger).

4. Vérifier

node <skill>/scripts/render.mjs page.html --check                 # le plan contre la transcription et les pixels
node <skill>/scripts/render.mjs page.html film.jpg --sheet 1      # le film entier, une image par seconde, sur l'enregistrement
node <skill>/scripts/render.mjs page.html shot --stills 12s,20s   # images complètes, pour lire le texte et les espacements

--check doit passer : chaque couverture cache complètement l'orateur une fois en place, aucune superposition n'atteint FACE, chaque ancre de parole originale se situe entre les mots (le graphique affiché peut la précéder), rien n'est dessiné en dehors d'une scène, aucun texte ne sort du cadre ou n'empiète sur un autre texte. Il prévient quand le texte se trouve à moins de 3 % du bord du cadre, là où certains lecteurs recadrent. Il affiche également la chronologie avec ce qui est dit dans chaque segment et prévient en cas de problème de rythme (un long segment avec l'orateur seul, une couverture de moins de 3 s ou de plus de 8 s, des couvertures dos à dos, pas d'ouverture ou de fermeture sur l'orateur) ; un avertissement peut subsister si vous avez une raison, alors dites-le.

Il ne peut pas dire si un graphique correspond à ce que dit sa ligne, si le texte est lisible, ou s'il sort de sa carte ou traverse une ligne d'un graphique : regardez la feuille pour le flux et les images fixes de chaque scène pour le texte. Corrigez et vérifiez à nouveau jusqu'à ce que ce soit satisfaisant.

5. Rendre et livrer

node <skill>/scripts/render.mjs page.html film.mp4        # le film fini : l'enregistrement, le b-roll par-dessus, le son original
node <skill>/scripts/render.mjs page.html b-roll.mov      # le b-roll seul avec alpha : ProRes 4444 pour Premiere Pro, Resolve, Final Cut
node <skill>/scripts/render.mjs page.html b-roll.webm     # le même en VP9 avec alpha : léger, pour navigateurs et OBS

Remettez film.mp4, la page (ouvrez-la dans un navigateur pour lire le film avec le son et parcourir les scènes), et le plan sous forme d'un court tableau : temps, ce qui est dit, traitement, ce qui est à l'écran. Donnez aussi la couche alpha lorsque l'utilisateur monte dans Premiere Pro, DaVinci Resolve ou Final Cut (le .mov ; ProRes est volumineux, environ 5 Mo par seconde en 1080p) : elle se place sur la piste au-dessus de l'enregistrement, en commençant à 0. Dites ce que vous avez choisi qu'ils n'avaient pas demandé.

Nécessite : Node 18+, npm i playwright-core dans le dossier de travail ou dans tout dossier au-dessus (ou dans le dossier du skill lui-même ou au-dessus), ffmpeg, Chrome (ou npx playwright install chromium), et whisper.cpp ou une clé ElevenLabs pour la transcription.

Individual skills in this repo

This repo contains 3 individual skills — each has its own dedicated page.

Skills associés