Voix Papercut
Chaque étape avancée a besoin de deux éléments dans le dossier « narration » : voice/final_narrator/<id>.wav (un WAV par ligne de script) et timing_narrator.js (un début et une fin pour chaque mot). Ce skill les produit via l'un des trois chemins, puis construit les sous-titres et le plan des scènes. La référence complète pour les scripts se trouve dans $MOTION_LIB/core/voice/README.md.
Pré-vol
- Bibliothèque :
$MOTION_LIB, sinon la ligneMOTION_LIB=dans~/.config/motion-explainer/config.env, sinon demander une fois. Exportez-la, et. "$MOTION_LIB/env.sh"chargeASR_PY,QWEN_TTS_PYet les autres valeurs de configuration dans le shell. - Un projet structuré (
motion-build, étape 1) avecnarration/script.jsonetvideo/episode.jsoncontenantscenes.new_episode.shcopiebuild_timing.pydansnarration/. - Si l'utilisateur a déjà un TTS installé, utilisez-le tel quel sans le reconstruire (chemin B, ou A s'il s'agit de Qwen3-TTS). Demandez une fois lequel et où il s'exécute. Sinon, demandez quel chemin, et dites ce dont il a besoin :
| Chemin | Besoins | Mode d'installation |
|---|---|---|
| A. Qwen3-TTS local | le venv vocal de $MOTION_LIB/core/voice/setup_tts.sh (téléchargement du modèle 2,3-4,2 Go) | Complète |
| B. Votre propre enregistrement ou un autre TTS | un backend ASR (mlx-whisper ou faster-whisper) et librosa + numpy pour le passage de hauteur, dans le Python nommé par ASR_PY et QWEN_TTS_PY | Complète, ou ces paquets à la main |
| C. Substitution | ffmpeg ; macOS pour --say | Standard |
Si le chemin nécessite plus que ce que l'installation a, exécutez ./install.sh --doctor et passez la main à motion-setup. Sans ASR, build_timing.py n'estime que 2,75 mots par seconde, donc les sous-titres dérivent par rapport à l'audio réel.
Chemin A : Qwen3-TTS local
Depuis le dossier de la série :
cp $MOTION_LIB/core/voice/voice.example.json voice/voice.json # une fois par série ; modifiez-le
$MOTION_LIB/core/voice/narrate.sh voice/voice.json episodes/NN-slug/narration
$MOTION_LIB/core/voice/finalize.sh voice/voice.json episodes/NN-slug/narration episodes/NN-slug/narration/voice/takes/narrator [num.json]
voice.json:speaker(CustomVoice: Aiden, Dylan, Eric, Ryan, Serena, Vivian, Sohee, Ono_anna, Uncle_fu) etinstruct. Recommandé : CustomVoice 1.7B, Ryan ou Aiden, instruct "amical, naturel, conversationnel, comme parler à un ami ; pauses claires entre les phrases ; mettez l'accent sur le mot clé de chaque ligne".takes_per_linepar défaut à 3.temporeste à 1.0 (les autres valeurs nécessitentrubberband).qa_targetsdéfinit la plage de hauteur et la correspondance ASR (0.9).- Une ligne de script peut contenir
tts(texte réécrit pour la prononciation ; les sous-titres conserventtext) et son propreinstruct.num.jsonfait correspondre les chiffres aux mots parlés ({"13 000": "treize mille"}) afin que la correspondance ASR ne échoue pas sur les chiffres. - Exécutez un processus TTS à la fois ; le modèle 1.7B est gourmand en mémoire.
finalize.shexécute ASR et la hauteur sur chaque prise, en choisit une par ligne, la coupe, normalise le volume à -16 LUFS, réexécute ASR sur les finales et écrittiming_narrator.js. Après écoute, placez les corrections dansvoice/picks_override.json({"l3_name": 2}) et réexécutez avecSKIP_PICK=1.- La Conception Vocale (décrire une voix avec des mots) est un mode de Qwen3-TTS que
narrate.pyne pilote pas. Générez-la ailleurs et utilisez le chemin B.
Chemin B : votre propre enregistrement ou un autre TTS
- Placez un WAV par ligne dans
voice/final_narrator/<id>.wav, ou des prises brutes sousvoice/takes/narrator/<id>_<k>.wavet exécutezfinalize.shcomme ci-dessus. - Pour les lignes terminées, transcrivez-les, écrivez
voice/chosen_narrator.jsoncomme{id: "voice/final_narrator/<id>.wav"}, puis depuisnarration/:
$ASR_PY $MOTION_LIB/core/voice/asr.py voice/final_narrator/*.wav > voice/asr_narrator_final.json
CHOSEN=voice/chosen_narrator.json TIMING_OUT=timing_narrator.js python3 build_timing.py voice/asr_narrator_final.json
Chemin C : substitution
Depuis le dossier narration/ :
python3 $MOTION_LIB/core/tools/placeholder_vo.py [--wps 3.0] [--say [VOIX]]
Il écrit des WAV silencieux (ou la voix say macOS avec --say) et timing_narrator.js à partir de script.json seul, en répartissant les temps des mots par longueur de mot. --wps 3.5 à 4 se rapproche du rythme cible (par défaut 3.0). Le montage peut être construit et minuté d'abord, puis la voix refaite plus tard : échangez les WAV, réexécutez finalize.sh, réexécutez build_vo.py, et les repères de mots suivent.
Règles de livraison
La livraison est humaine, posée et accentuée. Le spectateur doit suivre chaque ligne dès la première écoute.
- Respiration. Une vraie pause à chaque fin de phrase et entre les battements de liste (« Bien. Bien. Bien. »). Commencez avec 0,3-0,4 s entre les lignes (
gapdansepisode.json, par défaut 0,22 ;gapsajoute un battement supplémentaire après une ligne nommée) et jugez à l'oreille. Les pauses ne se mettent qu'aux limites de phrase ou de proposition : un écart de 0,2 s à l'intérieur d'une phrase, comme « copié, | en prenant… », se lit comme un décalage. Utilisez le plafond de 30 s pour respirer au lieu de couper les pauses, et ne ralentissez jamais le tempo pour y arriver. - Accentuation. Les un ou deux mots sur lesquels chaque ligne s'appuie (le nombre, le mot-piège, le verdict) proviennent de la table de mise en scène du script. Passez-les comme
instructpar ligne. - Ton. Conversationnel et légèrement amusé, pas un ton d'annonceur. Les questions sonnent comme de vraies questions, l'accroche sonne curieuse, l'appel à l'action est chaleureux. Le narrateur ne plaisante toujours pas ; l'image le fait.
- Modèle clone (sans instructions). Avec une voix clonée (
ref_audio+ref_text, modèle de base), les leviers sont le texte et la prise. Écrivez les pauses dans la ponctuation (points entre les battements de liste, une question courte comme sa propre phrase). Générez plusieurs graines d'une seule prise continue (SEED_BASE,takes_per_line), choisissez celle qui a le plus de mouvement de hauteur sur les mots cibles et ASR 0.9 ou mieux, et refaites une ligne plate seule (ONLY=l4_peak) et splicez-la à une limite de phrase. Ne clonez qu'une voix dont vous avez le droit d'utiliser. - Script entier en une fois donne une prosodie cohérente : générez une prise,
split_take.pyla coupe par ligne, puis définissez"gap": 0dansepisode.json. Par scène, c'est bien si l'utilisateur préfère. - Jouez les trois premières lignes à l'utilisateur avant l'exécution complète :
ONLY=l1_hook,l2_...,l3_... narrate.sh ....
Sous-titres et minutage
Depuis video/, une fois que episode.json contient scenes :
python3 $MOTION_LIB/core/tools/build_vo.py # public/vo/voiceover.wav, public/vo/captions.json, src/plan.json
python3 $MOTION_LIB/core/tools/timing_md.py # Section Timing de STORYBOARD.md
captions.json est un Caption[] de Remotion ; les limites de scène proviennent des horodatages des mots ; la durée de la composition est durationInFrames de plan.json. build_vo.py signale toute scène de moins de 1,2 s. Sans bibliothèque, transcrivez le WAV avec le skill de sous-titres Remotion (whisper.cpp) ou tout outil de reconnaissance vocale qui renvoie des horodatages de mots.
Les sous-titres sont une balise déchirée par mot, des pages de 1 à 3 mots, à 3,5-4 mots par seconde ($MOTION_LIB/style/$MOTION_STYLE/docs/style-guide.md, sections 11 et 13).
Remise
L'étape suivante est motion-build (maquettes, scènes, son, rendu). Elle lit src/plan.json et la section Timing de video/STORYBOARD.md. Tout changement ultérieur de voix réexécute build_vo.py et timing_md.py ; le cache de scène rend alors tout à nouveau.