Prétraitement Média HyperFrames
Trois commandes CLI qui produisent des actifs pour les compositions : tts (parole), transcribe (horodatages) et remove-background (vidéo transparente). Chacune télécharge un modèle lors de la première exécution et le met en cache sous ~/.cache/hyperframes/. Placez la sortie dans le projet, puis référencez-la depuis le HTML de la composition — voir la compétence hyperframes pour les conventions des éléments audio/vidéo.
Synthèse Vocale (tts)
Générer un fichier audio de parole localement avec Kokoro-82M. Aucune clé API nécessaire.
npx hyperframes tts "Texte ici" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # toutes les 54 voix
Sélection de la voix
Adaptez la voix au contenu. La voix par défaut est af_heart.
| Type de contenu | Voix | Raison |
|---|---|---|
| Démo produit | af_heart/af_nova | Chaleureuse, professionnelle |
| Tutoriel / mode d'emploi | am_adam/bf_emma | Neutre, facile à suivre |
| Marketing / promo | af_sky/am_michael | Énergique ou autoritaire |
| Documentation | bf_emma/bm_george | Anglais britannique clair, formel |
| Décontracté / social | af_heart/af_sky | Accessible, naturel |
Multilingue
Les identifiants de voix encodent la langue dans la première lettre : a=Anglais américain, b=Anglais britannique, e=Espagnol, f=Français, h=Hindi, i=Italien, j=Japonais, p=Portugais brésilien, z=Mandarin. Le CLI détecte automatiquement la locale du phonémiseur à partir du préfixe — pas besoin de --lang lorsque la voix correspond au texte.
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
Utilisez --lang uniquement pour remplacer la détection automatique (accents stylisés). Codes valides : en-us, en-gb, es, fr-fr, hi, it, pt-br, ja, zh. La phonémisation pour les langues non-anglaises nécessite espeak-ng installé sur le système (brew install espeak-ng / apt-get install espeak-ng).
Vitesse
0.7-0.8— tutoriel, contenu complexe, accessibilité1.0— rythme naturel (par défaut)1.1-1.2— introductions, transitions, contenu dynamique1.5+— rarement approprié ; testez attentivement
Scripts longs
Pour plus de quelques paragraphes, écrivez dans un fichier .txt et passez le chemin. Les entrées de plus de ~5 minutes de parole peuvent bénéficier d'une division en segments.
Prérequis
Python 3.8+ avec kokoro-onnx et soundfile (pip install kokoro-onnx soundfile). Téléchargement du modèle lors de la première utilisation (~311 Mo + ~27 Mo de voix, mis en cache dans ~/.cache/hyperframes/tts/).
Transcription (transcribe)
Produire un transcript.json normalisé avec des horodatages au niveau des mots.
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # importer existant
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
Règle de Langue (Non-Négociable)
N'utilisez jamais les modèles .en à moins que l'utilisateur ne précise explicitement que l'audio est en anglais. Les modèles .en (small.en, medium.en) traduisent l'audio non-anglais en anglais au lieu de le transcrire. Cela détruit silencieusement la langue d'origine.
- Langue connue et non-anglaise →
--model small --language <code>(pas de suffixe.en) - Langue connue et anglaise →
--model small.en - Langue inconnue →
--model small(pas de.en, pas de--language) — whisper détecte automatiquement
Le modèle par défaut est small, pas small.en.
Tailles de Modèle
| Modèle | Taille | Vitesse | Quand l'utiliser |
|---|---|---|---|
tiny | 75 Mo | Le plus rapide | Aperçus rapides, test du pipeline |
base | 142 Mo | Rapide | Courts extraits, audio clair |
small | 466 Mo | Modérée | Par défaut — la plupart des contenus |
medium | 1,5 Go | Lente | Contenu important, audio bruité, musique |
large-v3 | 3,1 Go | La plus lente | Qualité production |
Musique avec voix : commencez au minimum par medium ; les pistes produites nécessitent souvent une importation manuelle SRT/VTT. Pour les vérifications de qualité des sous-titres (obligatoires après chaque transcription), le JS de nettoyage, les règles de nouvelle tentative, et le chemin d'importation API OpenAI/Groq, voir hyperframes/references/transcript-guide.md.
Structure de sortie
Les compositions consomment un tableau plat d'objets mot. Le champ id (w0, w1, ...) est ajouté lors de la normalisation pour des références stables dans les surcharges de sous-titres ; il est facultatif pour la rétrocompatibilité.
[
{ "id": "w0", "text": "Bonjour", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "le monde.", "start": 0.6, "end": 1.2 }
]
Suppression d'Arrière-Plan (remove-background)
Supprimer l'arrière-plan d'une vidéo ou d'une image afin que le sujet (généralement une personne — avatar, présentateur, tête parlante) se positionne comme une superposition transparente dans une composition.
npx hyperframes remove-background sujet.mp4 -o transparent.webm # défaut : VP9 alpha WebM
npx hyperframes remove-background sujet.mp4 -o transparent.mov # ProRes 4444 (montage)
npx hyperframes remove-background portrait.jpg -o decoupe.png # découpe d'image unique
npx hyperframes remove-background sujet.mp4 -o sujet.webm \
--background-output fond.webm # les deux couches en une seule passe
npx hyperframes remove-background sujet.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # fournisseurs détectés
Utilise u2net_human_seg (MIT). La première exécution télécharge ~168 Mo de poids vers ~/.cache/hyperframes/background-removal/models/.
Séparation des couches (--background-output)
Passez --background-output (ou -b) pour émettre une seconde vidéo transparente avec la découpe : même source RVB, l'alpha est 255 − masque au lieu de masque. La découpe est le sujet avec un arrière-plan transparent ; le fond est les alentours d'origine avec un trou transparent là où se trouvait le sujet.
| Fichier | L'Alpha est… | Utilisation |
|---|---|---|
-o sujet.webm | Le masque — sujet opaque, arrière-plan transparent | Couche de premier plan, placée au-dessus |
--background-output fond.webm | Inverse — alentours opaques, région du sujet transparente | Couche inférieure ; placez du texte ou des graphiques entre celle-ci et le sujet |
Les deux sorties partagent la même préréglage --quality et s'exécutent en une seule passe d'inférence — le coût de codage double approximativement, le coût de segmentation reste le même. Valide uniquement pour les entrées vidéo et les sorties .webm/.mov.
Fond avec trou, pas un fond reconstruit. La région du sujet dans fond.webm est entièrement transparente — composez quelque chose d'opaque en dessous pour combler le trou. Le test unique pour déterminer si --background-output est l'outil approprié : y aura-t-il jamais quelque chose de visible à travers la silhouette du sujet à l'endroit où se trouvait le sujet ?
| Cas d'utilisation | Outil approprié |
|---|---|
| Texte/graphiques entre la découpe et le fond (raison d'être de cette commande) | Trou (--background-output) |
| Sujet sur une scène non liée | Juste sujet.webm ; ignorez le fond |
| Montrer la pièce sans la personne, seule sans autre contenu | Fond reconstruit — nécessite un outil de retouche d'image (LaMa, ProPainter, E2FGVI). Pas cette commande. |
| Remplacer le sujet par un sujet différent | Fond reconstruit — idem ci-dessus |
Si un utilisateur demande « la pièce sans la personne » et prévoit de l'afficher seule, n'utilisez pas --background-output. Dites-lui qu'il a besoin d'un outil de retouche d'image.
Composition typique en couches (le cas d'utilisation canonique du trou) :
<!-- z=1 le fond avec alpha inverse remplit tout sauf la région du sujet -->
<video
src="fond.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 graphiques / texte placés entre les deux couches -->
<h1 id="titre" style="z-index:2; ...">FAITES-LE AVEC HYPERFRAMES</h1>
<!-- z=3 la découpe superpose à nouveau le sujet sur le titre -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="sujet.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
C'est fonctionnellement équivalent au motif de texte-derrière-sujet ci-dessous, mais vous n'avez pas besoin du presentateur.mp4 d'origine dans le projet — le fond le remplace. Utile lorsque vous souhaitez expédier uniquement les deux couches transparentes et laisser l'utilisateur déposer du contenu arbitraire entre elles.
Format de sortie
| Format | Quand |
|---|---|
.webm (VP9 + alpha) | Par défaut. Les compositions jouent directement via <video>. |
.mov (ProRes 4444) | Montage dans DaVinci/Premiere/FCP. Fichiers volumineux. |
.png | Découpe d'image unique (sujet fixe, superposé sur un fond). |
Chrome décode l'alpha VP9 nativement, donc le .webm s'intègre dans une composition comme n'importe quelle autre vidéo muette à lecture automatique — voir la compétence hyperframes pour les conventions de piste <video>.
Préréglages de qualité
--quality fast|balanced|best contrôle uniquement le CRF du codeur VP9 — la qualité de segmentation est fixe.
| Préréglage | CRF | Quand |
|---|---|---|
fast | 30 | Itération, fichier plus petit, correspondance de couleur moins précise |
balanced | 18 | Par défaut. Visuellement identique pour la plupart des usages |
best | 12 | Version finale / livraison. Fichier le plus grand, correspondance la plus précise |
Motifs de composition — choisissez le bon
La découpe webm est une copie ré-encodée du RVB de la source mp4. Ce choix a des conséquences selon ce que vous placez derrière :
| Motif | Ce qui se trouve derrière la découpe | Résultat |
|---|---|---|
| Découpe sur une scène différente (le plus courant) | Image statique, dégradé, ou vidéo non liée | Superbe. Le RVB de la découpe est la seule source du sujet — pas de doublon, pas de halo de bord. C'est pour cela que remove-background est conçu. |
| Découpe sur sa propre source mp4 (texte-derrière-sujet) | Le même mp4 que celui utilisé pour la découpe | Deux sources RVB pour la même personne. Au préréglage --quality balanced par défaut (crf 18) le doublon est à peine visible ; à --quality fast (crf 30) vous verrez un léger décalage de couleur / halo de bord. Utilisez --quality best (crf 12) pour les versions finales. |
| Découpe sur une prise différente de la même personne | Images du même sujet | Cela ressemblera à deux personnes distinctes qui se chevauchent. Ne faites pas ça. |
Texte-derrière-sujet (titre derrière un présentateur) :
<video
src="presentateur.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="titre" style="z-index:2; ...">FAITES-LE AVEC HYPERFRAMES</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presentateur.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
Deux règles clés :
- Enveloppez la vidéo découpée dans une
<div>non temporisée et animez l'opacité de l'enveloppe, pas de l'élément vidéo. Le framework force l'opacité à 1 sur les clips actifs (tout élément avecdata-start/data-duration), donc animer directement l'opacité de la vidéo est silencieusement ignoré. L'enveloppe n'a pas d'attributsdata-*, donc elle est contrôlée par votre CSS/GSAP. - Les deux vidéos utilisent
data-start="0"etdata-media-start="0"afin que le framework les décode de manière synchrone depuis t=0. Monter tardivement la découpe (data-start=3.3) introduit une recherche + un échauffement qui aboutit à une image décalée par rapport au mp4 de base — visible comme une image de désalignement au moment de la coupure.
Ensuite, inversez l'opacité de l'enveloppe avec GSAP au moment de la coupure : tl.set(cutoutWrap, { opacity: 1 }, 3.3).
TTS → Transcribe → Sous-titres
Lorsqu'il n'y a pas de voix pré-enregistrée, générez-en une et retranscrivez-la pour obtenir des horodatages au niveau des mots pour les sous-titres :
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.json