Vidéos de démonstration pilotées par ElevenLabs

Que fait Vidéos de démonstration pilotées par ElevenLabs ?

Une recette reproductible pour transformer une application web en une vidéo de démonstration narrée et soignée au format mp4. Un seul script Node.js autonome par démo fait tout : synthétiser la voix off, enregistrer l'écran d'une visite chorégraphiée de l'application, et mixer la voix + la musique sous les images. Pas d'éditeur vidéo, pas de réglage manuel.

Le pipeline

ElevenLabs TTS ──► fichier .wav de narration par ligne (mis en cache)
                                   │
Playwright  ──► enregistre une visite scriptée (défilements, clics) de l'application live (.webm)
                                   │
ffmpeg      ──► coupe le temps de chargement initial, place chaque ligne de narration à son repère de scène,
               génère un fond musical ambiant, duck la musique sous la voix (sidechain compression),
               encode le fichier .mp4 final

L'idée clé : chaque scène dure exactement le temps de sa ligne de narration, de sorte que la voix tombe toujours sur la bonne image sans synchronisation manuelle.

Prérequis

• Node 18+ et npm i -D playwright (utilise Chrome installé via channel: "chrome", ou remplacez par chromium intégré).
• ffmpeg et ffprobe dans le PATH.
• Une clé API ElevenLabs avec l'autorisation text-to-speech (les clés les moins chères n'ont souvent pas user_read, ne comptez donc pas sur le point de terminaison du quota — essayez simplement le TTS).
• L'application qui tourne en local (par ex. npm run dev sur :3000) ; passez BASE_URL pour la remplacer.

Stockez la clé en dehors de git (par exemple un fichier demo/.eleven.key ignoré par git). Les fichiers .mp4 rendus sont volumineux — ignorez-les dans git et distribuez-les via un partage (Drive, etc.), pas le dépôt.

Comment l'utiliser

1. Un script par démo. Copiez le modèle ci-dessous dans demo/build-<nom>.mjs. Chaque script est indépendant et écrit ses fichiers de travail dans demo/<nom>-work/.
2. Écrivez la narration sous forme de tableau LINES — textuellement, une entrée par scène. Visez environ 2,3 mots/seconde lors du budget de temps.
3. Chorégraphiez les scènes dans actions — une entrée par ligne, dans le même ordre. Une fonction asynchrone simple compose un plan fixe ; un objet {action, hold} compose le plan (action) puis effectue un panoramique/des clics pendant que la narration est jouée (hold).
4. Exécutez-le en PREMIER PLAN pour toute démo qui pilote l'application (clics, remplissages de formulaires, changements d'identité/route) : node demo/build-<nom>.mjs. Les visites statiques avec seulement du défilement peuvent être exécutées en arrière-plan, mais les visites interactives ne peuvent souvent pas atteindre le serveur de développement ou piloter des entrées contrôlées depuis un sandbox en arrière-plan — donc en cas de doute, exécutez en premier plan.
5. Ré-enregistrez après des changements d'interface. Les sélecteurs sont liés au DOM ; une refonte les cassra. Réexécutez le script affecté et vérifiez une image (ffmpeg -ss <t> -i out.mp4 -frames:v 1 frame.jpg).

Leçons qui font gagner des heures

• Cachez la narration par index. Chaque ligne est l<i>.wav ; réutilisez-la si elle est présente afin que les réenregistrements ne dépensent pas de crédits supplémentaires. Pour modifier une ligne, éditez LINES[i] et supprimez ce l<i>.wav. Si vous insérez une ligne au milieu de la liste, décalez les wav mis en cache d'un cran (mv l7.wav l8.wav; mv l6.wav l7.wav; …) de sorte que seule la nouvelle ligne soit synthétisée — la boucle met en cache par index et ne vérifie pas le texte.
• Résilience aux quotas. Si un appel TTS échoue, revenez à vidéo + musique uniquement et estimez la durée de chaque ligne à partir du nombre de mots, de sorte que la construction produise toujours un mp4.
• Coupez le temps de chargement initial. Enregistrez le goto/seed/hydrate, marquez contentStart une fois que le premier plan est stable, et retirez -ss contentStart du début pour que la vidéo s'ouvre sur une image calme. Les repères de narration sont décalés de contentStart lors du mixage.
• Hold = max(narration, panoramique). Pour les holds actifs, ajoutez du temps au moins égal à la durée de la ligne pour que la voix ne soit jamais coupée ; si l'interaction dure plus longtemps, laissez-la faire.
• Enregistrez en net. Utilisez une grande fenêtre (par ex. 1920×1200) et appliquez document.documentElement.style.zoom (par ex. 1.5) via un script d'initialisation, de sorte que le calcul de la mise en page logique reste à votre taille de conception mais que l'image soit rendue plus nette.
• Éliminez les défilements saccadés. Les superpositions fixes en plein écran avec mix-blend-* (grain de film, dégradés) forcent une recomposition complète à chaque image de défilement. Cachez-les pendant l'enregistrement : page.addStyleTag({content: ".grain{display:none!important}"}). Cachez également tout CTA/pied de page toujours visible que vous ne voulez pas dans l'image.
• Pilotez les entrées contrôlées de manière robuste. Un <select> contrôlé par React ignore un simple selectOption. Définissez-le avec le setter natif + un événement change qui bouillonne, et réessayez jusqu'à ce qu'un localisateur de confirmation apparaisse :

  const setter = Object.getOwnPropertyDescriptor(HTMLSelectElement.prototype, "value").set;
  setter.call(el, value); el.dispatchEvent(new Event("change", { bubbles: true }));
  

• Faites correspondre les guillemets typographiques dans les sélecteurs. Si les titres rendent des guillemets courbes (', ', "), une regex avec un ' droit ne correspondra pas. Utilisez . pour l'apostrophe : /Tell us who you.re looking for/i.
• Localisez les questions/champs par leur étiquette, puis agissez à l'intérieur du bloc. Robuste aux changements de mise en page : page.locator("label", { hasText: q }).first().locator("xpath=..") puis .getByRole("radio"/"checkbox", { name }) à l'intérieur.
• Fond musical + ducking. Synthétisez un pad ambiant en boucle à partir d'ondes sinusoïdales d'accords avec ffmpeg aevalsrc, puis sidechaincompress la musique sous la narration pour que la voix soit toujours claire. Gardez la musique ~0,4 et laissez le compresseur la faire baisser.

Modèle (demo/build-<nom>.mjs)

import { chromium } from "playwright";
import fs from "node:fs";
import path from "node:path";
import { execFileSync } from "node:child_process";

const DIR = path.resolve("demo");
const WORK = path.join(DIR, "nom-work");
fs.mkdirSync(WORK, { recursive: true });
const KEY = fs.readFileSync(path.join(DIR, ".eleven.key"), "utf8").trim();
const BASE = process.env.BASE_URL || "http://localhost:3000";
const OUT = path.join(DIR, "nom.mp4");
const W = 1920, H = 1200, ZOOM = 1.5;

const sh = (c, a) => execFileSync(c, a, { stdio: ["ignore", "pipe", "pipe"] }).toString();
const probe = (f) => parseFloat(sh("ffprobe", ["-v","error","-show_entries","format=duration","-of","default=noprint_wrappers=1:nokey=1", f]).trim());
const sleep = (ms) => new Promise((r) => setTimeout(r, ms));

// 1 ligne par scène, dans l'ordre des scènes.
const LINES = [
  "Première ligne — l'accroche, prononcée sur la première image stable.",
  "Deuxième ligne — narration pendant que la caméra panoramique sur la section suivante.",
  "Dernière ligne — une conclusion calme.",
];
const TAILS = LINES.map(() => 1.4); // temps de respiration après chaque ligne

// ── ElevenLabs ──────────────────────────────────────────────────────────────
async function voiceId() {
  const r = await fetch("https://api.elevenlabs.io/v1/voices", { headers: { "xi-api-key": KEY } });
  const { voices } = await r.json();
  return (voices.find((v) => v.name.toLowerCase().startsWith("jessica")) || voices[0]).voice_id;
}
async function tts(id, text, out) {
  const r = await fetch(`https://api.elevenlabs.io/v1/text-to-speech/${id}?output_format=mp3_44100_128`, {
    method: "POST", headers: { "xi-api-key": KEY, "content-type": "application/json" },
    body: JSON.stringify({ text, model_id: "eleven_multilingual_v2",
      voice_settings: { stability: 0.55, similarity_boost: 0.8, style: 0, use_speaker_boost: true } }),
  });
  if (!r.ok) throw new Error(`tts ${r.status} ${await r.text()}`);
  fs.writeFileSync(out, Buffer.from(await r.arrayBuffer()));
}

// ── Fond musical ambiant (accord Lam–Fa–Do–Sol) ─────────────────────────────
function buildMusic(total, out) {
  const chords = [[220,261.63,329.63],[174.61,220,261.63],[261.63,329.63,392],[196,246.94,293.66]];
  const CH = 6;
  const files = chords.map((freqs, i) => {
    const expr = freqs.map((f) => `0.17*sin(2*PI*${f}*t)`).join("+");
    const f = path.join(WORK, `chord${i}.wav`);
    sh("ffmpeg", ["-y","-f","lavfi","-i",`aevalsrc=${expr}:duration=${CH}:sample_rate=44100`,
      "-af", `afade=t=in:d=1.4,afade=t=out:st=${CH-1.4}:d=1.4`, f]);
    return f;
  });
  const list = path.join(WORK, "chords.txt");
  fs.writeFileSync(list, files.map((f) => `file '${f}'`).join("\n"));
  const loop = path.join(WORK, "loop.wav");
  sh("ffmpeg", ["-y","-f","concat","-safe","0","-i",list,"-c","copy", loop]);
  const loops = Math.ceil(total / (chords.length * CH)) + 1;
  sh("ffmpeg", ["-y","-stream_loop",String(loops),"-i",loop,"-af",
    ["aecho=0.8:0.88:70|130:0.25|0.18","lowpass=f=2200","tremolo=f=0.12:d=0.25",
     "aformat=channel_layouts=stereo","afade=t=in:d=0.5",
     `afade=t=out:st=${Math.max(0,total-3)}:d=3`,`atrim=0:${total}`].join(","), out]);
}

// ── Aides à la chorégraphie ────────────────────────────────────────────────────
async function smoothTo(page, y, ms) {
  await page.evaluate(({ y, ms }) => new Promise((res) => {
    const s = window.scrollY, d = y - s, t0 = performance.now();
    const e = (t) => (t < 0.5 ? 2*t*t : -1 + (4-2*t)*t);
    const f = (n) => { const p = Math.min(1, (n-t0)/ms); window.scrollTo(0, s + d*e(p)); p < 1 ? requestAnimationFrame(f) : res(); };
    requestAnimationFrame(f);
  }), { y, ms });
}
async function scrollToText(page, text, ms = 1500, offset = 150) {
  const y = await page.evaluate(({ text, offset }) => {
    const all = [...document.querySelectorAll("h1,h2,h3,h4,p,span,button,a,li")].filter((e) => e.getClientRects().length);
    let el = all.find((e) => (e.textContent || "").trim() === text)
          || all.filter((e) => (e.textContent || "").includes(text)).sort((a,b)=>a.textContent.length-b.textContent.length)[0];
    return el ? el.getBoundingClientRect().top + window.scrollY - offset : null;
  }, { text, offset });
  if (y != null) await smoothTo(page, Math.max(0, y), ms);
}

// ── 1) synthétiser la narration (mise en cache), mesurer les durées ────────────
const clips = []; let vid = null, narrationOk = true;
for (let i = 0; i < LINES.length; i++) {
  const mp3 = path.join(WORK, `l${i}.mp3`), wav = path.join(WORK, `l${i}.wav`);
  if (fs.existsSync(wav)) { clips.push({ wav, dur: probe(wav) }); continue; }
  try {
    if (!vid) vid = await voiceId();
    await tts(vid, LINES[i], mp3);
    sh("ffmpeg", ["-y","-i",mp3,"-ar","44100","-ac","2", wav]);
    clips.push({ wav, dur: probe(wav) });
  } catch (e) {
    narrationOk = false;
    clips.push({ wav: null, dur: LINES[i].trim().split(/\s+/).length / 2.3 });
  }
}

// ── 2) enregistrer, en maintenant chaque plan pour la durée de sa ligne ───────
const browser = await chromium.launch({ channel: "chrome", headless: true });
const context = await browser.newContext({ viewport: { width: W, height: H }, recordVideo: { dir: WORK, size: { width: W, height: H } } });
await context.addInitScript((z) => {
  const apply = () => { try { document.documentElement.style.zoom = String(z); } catch {} };
  apply(); document.addEventListener("DOMContentLoaded", apply);
}, ZOOM);
const page = await context.newPage();
page.setDefaultTimeout(20000);
const video = page.video();
const t0 = Date.now();

await page.goto(`${BASE}/`, { waitUntil: "domcontentloaded" });
await page.evaluate(() => (document.fonts ? document.fonts.ready : null));
await page.addStyleTag({ content: ".grain{display:none !important}" }); // cacher les superpositions blend
await sleep(1500);
const contentStart = (Date.now() - t0) / 1000; // couper tout ce qui précède

const actions = [
  async () => { await sleep(300); },                                  // accroche fixe
  { action: async () => { await scrollToText(page, "Un Titre"); await sleep(300); },
    hold:   async () => { await smoothTo(page, 1600, Math.max(4000, clips[1].dur*1000)); } }, // panoramique pendant la ligne
  async () => { await smoothTo(page, 0, 2500); await sleep(500); },   // conclusion
];

const cues = [];
for (let i = 0; i < actions.length; i++) {
  const sc = actions[i];
  const act = typeof sc === "function" ? sc : sc.action;
  const hold = typeof sc === "function" ? null : sc.hold;
  await act();
  cues.push((Date.now() - t0) / 1000);
  if (hold) {
    const start = Date.now();
    await hold();
    const min = clips[i].dur + TAILS[i], elapsed = (Date.now() - start) / 1000;
    if (elapsed < min) await sleep((min - elapsed) * 1000);
  } else {
    await sleep((clips[i].dur + TAILS[i]) * 1000);
  }
}
await sleep(400);
await context.close();
await browser.close();

// ── 3) mixer : couper le début, placer la narration aux repères, duck la musique ──
const raw = await video.path();
const outDur = probe(raw) - contentStart;
const music = path.join(WORK, "music.wav");
buildMusic(outDur, music);

if (!narrationOk) {
  sh("ffmpeg", ["-y","-ss",String(contentStart),"-i",raw,"-i",music,
    "-filter_complex","[1:a]volume=0.7[a]","-map","0:v","-map","[a]",
    "-c:v","libx264","-preset","medium","-crf","18","-pix_fmt","yuv420p",
    "-c:a","aac","-b:a","192k","-movflags","+faststart","-t",String(outDur), OUT]);
} else {
  const lead = 0.35, narr = path.join(WORK, "narration.wav");
  const inputs = clips.flatMap((c) => ["-i", c.wav]);
  const fc =
    clips.map((c, i) => { const at = Math.max(0, Math.round((cues[i]-contentStart+lead)*1000)); return `[${i}:a]adelay=${at}|${at}[d${i}]`; }).join(";") +
    ";" + clips.map((_, i) => `[d${i}]`).join("") +
    `amix=inputs=${clips.length}:normalize=0:dropout_transition=0[mix];[mix]apad=whole_dur=${outDur},volume=1.25[a]`;
  sh("ffmpeg", ["-y", ...inputs, "-filter_complex", fc, "-map","[a]", narr]);
  sh("ffmpeg", ["-y","-ss",String(contentStart),"-i",raw,"-i",music,"-i",narr,
    "-filter_complex",[
      "[1:a]volume=0.42[m]","[2:a]asplit=2[k][n]",
      "[m][k]sidechaincompress=threshold=0.035:ratio=9:attack=15:release=350[md]",
      "[md][n]amix=inputs=2:normalize=0:duration=longest[a]",
    ].join(";"),
    "-map","0:v","-map","[a]",
    "-c:v","libx264","-preset","medium","-crf","18","-pix_fmt","yuv420p",
    "-c:a","aac","-b:a","192k","-movflags","+faststart","-t",String(outDur), OUT]);
}
console.log(`TERMINÉ : ${OUT}  (${outDur.toFixed(1)}s)`);

Adaptation

• Nouvelle voix : modifiez le filtre de nom dans voiceId(), ou codez en dur un voice_id.
• Visites interactives : ajoutez des aides comme answerChoice/clickTab qui se limitent à un bloc par étiquette, en réessayant jusqu'à ce qu'un localisateur de confirmation apparaisse.