Toutes les voix, et la durée que vous avez demandée

Un film PageToVid, c'est une piste de voix sur laquelle on monte les images. Chaque scène s'étire pour occuper sa part de la narration : une fois le texte écrit, la durée est décidée. Trop de mots et le film déborde, pas assez et il s'arrête trop tôt, et aucune étape suivante n'y peut rien.

C'est pourquoi notre planificateur ne pense jamais d'abord en scènes. Il reçoit un budget de mots : combien de mots tiennent dans la durée demandée, une fois retirés les cartons d'ouverture et de fin. Tout le reste du film découle de ce chiffre.

Jusqu'ici, ce budget venait d'un débit unique : un rythme de base mesuré sur des centaines de rendus réels, ajusté selon le ton, car une publicité énergique se lit plus vite qu'un tutoriel posé. En moyenne, il tombait juste.

Mais personne ne regarde un film moyen. Les voix de notre catalogue ne lisent pas à la même vitesse. Certaines sont vives, d'autres prennent leur temps, et une voix d'un fournisseur de synthèse vocale ne respire pas comme celle d'un autre. Avec un seul débit pour toutes :

• une voix rapide finissait en avance et laissait les images figées ;
• une voix lente dépassait la durée demandée ;
• le choix de la voix, qui devrait être une affaire de goût, modifiait en silence la durée du film.

Nous avons compris que nous avions déjà la réponse. Chaque film se mesure lui-même au moment de la voix : combien de mots, combien de secondes. À partir d'aujourd'hui, chaque mesure retient aussi la voix qui a lu le texte. Notre propre historique devient un banc d'étalonnage.

Un petit module lit désormais les films terminés des quatre derniers mois et apprend un facteur par voix : de combien elle lit plus vite ou plus lentement que notre table ne le prévoit. Ce facteur est relatif à l'ensemble des voix, si bien que le rythme global que nous avions déjà réglé ne bouge pas d'un pouce ; seules les différences entre voix sont apprises.

Quelques films atypiques ne doivent jamais faire basculer le rythme d'une voix : l'apprentissage est donc volontairement prudent.

• Une voix qui n'a lu qu'une poignée de films s'éloigne à peine de la valeur par défaut ; plus elle a lu de films, plus elle gagne son propre rythme.
• Aucun facteur ne peut s'écarter de plus de 15 % dans un sens ou dans l'autre, et une voix avec moins de trois films garde la valeur par défaut.
• Les textes très courts sont écartés, tout comme les prises venues d'un service vocal de secours, car ni les uns ni les autres ne montrent le vrai rythme de la voix.

La question posée à la base de données est minuscule, juste la mesure de durée de chaque film : elle coûte assez peu pour tourner au début de chaque rendu plutôt qu'une fois par nuit. Si l'historique ne peut pas être lu, le facteur vaut simplement 1, c'est-à-dire le comportement d'hier.

Un facteur n'aide que si chaque étape qui pense à la durée utilise le même. Le rythme voyage donc désormais avec la voix dans tout le pipeline : le budget de mots du planificateur, la vérification du storyboard qui recompte les mots, le garde-fou qui relit une prise avant de l'accepter, la durée des textes que vous écrivez vous-même, et les réglages qu'un assistant IA voit quand il modifie une scène.

Le résultat est discret, à dessein. Vous ne voyez jamais de facteur. Vous voyez un film de 30 secondes qui dure à peu près 30 secondes, quelle que soit la voix choisie. Vous pouvez écouter les voix sur la page des fonctionnalités.

Cela ne remplace pas le reste de notre travail sur la durée. Après l'enregistrement, la voix est toujours chronométrée par rapport à votre demande, et un texte trop long est toujours réécrit. Ce qui change, c'est le premier jet : il tombe désormais plus près de la cible, ces réparations sont moins souvent nécessaires et votre film arrive plus vite.

Cela rend aussi au choix de la voix sa vraie nature : une question de caractère. Choisissez la voix qui ressemble à votre marque, et laissez le film s'occuper de l'horloge.