Voix off IA : ce que c'est, comment on la produit, quand elle sonne faux
Une voix off IA est la narration d'une vidéo lue par une voix de synthèse à partir d'un script écrit, produite en quelques secondes au lieu d'être enregistrée en cabine. Sur un film court de produit ou de marketing, ce qui fait qu'une voix off IA sonne juste tient désormais davantage au script et à la manière de produire la prise qu'au choix de la voix.
Ce guide s'adresse à qui doit publier une vidéo narrée cette semaine, par exemple un studio qui vend des landing pages et veut une vidéo par offre sans réserver un comédien à chaque fois. Nous détaillons ce que nous faisons à la voix sur chaque rendu PageToVid, avec deux films réels tirés de la même page colombienne, l'un en espagnol, l'autre en anglais.
L'offre de landing pages de Kevibe Studio (studio.kevibe.com) en film de 30 secondes en espagnol, 38 mots prononcés ; la version anglaise de la même page dure 48 secondes pour 81 mots.
Ce qu'on appelle voix off IA, et ce qui n'en est pas
Trois services différents se cachent derrière l'expression « voix off IA ».
- La narration d'un script. Vous écrivez le texte, une voix de synthèse le lit sur vos images. C'est ce que fait PageToVid, et le sujet de ce guide.
- Le clonage de voix. Un modèle apprend la voix d'une personne précise à partir d'un échantillon et lit de nouveaux textes avec elle. Nous ne le proposons pas.
- Le doublage avec synchronisation labiale. Une vidéo d'une personne qui parle est traduite, revoicée, et le mouvement des lèvres redessiné. C'est un produit de traduction, construit autour d'un visage.
Le moteur des trois est la synthèse vocale. Text to speech (TTS) explique comment un modèle neuronal transforme des mots en onde sonore et comment écrire chiffres et sigles pour lui. La voix off est la couche du dessus : une piste, un narrateur, calée sur ce que le spectateur voit, avec des sous-titres posés sur les mots. C'est là que se trouve l'essentiel du travail.
Exemple réel : une landing page, deux voix off
Kevibe Studio est un studio de design colombien qui vend des landing pages conçues pour convertir le trafic des publicités Facebook, Instagram et Google. Sa page d'offre, sur studio.kevibe.com, a été filmée deux fois, les deux fois en 16:9.
Le film en espagnol dure 30 secondes pour 38 mots. Il ouvre sur le problème, « Tu campaña gasta sin generar contactos » (votre campagne dépense sans générer de contacts), puis l'offre et une demande de devis. Des phrases courtes, une idée chacune.
Le film en anglais de la même page dure 48 secondes pour 81 mots. Il commence par une question, « Still losing sales from online ad traffic? », qui donne à la voix un élan naturel, et ajoute un projet client en guise de preuve.
Deux leçons de ce duo :
- La durée a suivi les mots. 38 mots ont donné 30 secondes, 81 mots en ont donné 48. Aucune des deux voix n'a été accélérée ni ralentie pour y arriver.
- Une langue par prise. Le script anglais se termine sur « Solicitar cotización today », le libellé espagnol du bouton glissé dans une phrase anglaise. C'est la ligne que nous écririons autrement : dire ce que fait le bouton dans la langue du script et laisser l'écran montrer le libellé. L'autre ligne à écouter est celle du prix avec un code de devise : écrire le montant en toutes lettres lève le doute.
Pour une entreprise qui vit de campagnes, c'est le format des vidéos publicitaires tirées de la page vers laquelle pointe l'annonce.
Quand une voix off IA sonne faux, et comment la corriger
Voici les défauts que nous rencontrons sur de vrais rendus, du plus fréquent au plus rare. Presque aucun ne se règle en changeant de voix.
| Ce que vous entendez | Cause habituelle | Correction |
|---|---|---|
Des chiffres lus bizarrement | Des chiffres, séparateurs, symboles ou un code de devise dans le script | Écrire le montant comme il se dit, afficher le chiffre à l'écran |
Un changement d'accent en pleine phrase | Un mot ou un libellé dans une autre langue | Une langue par prise ; décrire les libellés étrangers au lieu de les lire |
Une scène précipitée | Deux idées dans une scène, ou une longue phrase sans pause | Couper la scène en deux : une idée par scène |
Une lecture plate, en liste | Des paragraphes d'une ligne sans lien et aucun ton choisi | Choisir un ton, regrouper les phrases liées en un paragraphe |
Des sous-titres un peu en avance ou en retard | Le texte a été modifié après la prise | Recaler les sous-titres sur la prise existante (gratuit une fois par rendu payant) |
Un nom de marque mal prononcé | Le modèle devine un mot qu'il voit rarement | Ajouter une entrée de prononciation pour ce mot |
Ce que cela coûte, et changer une phrase plus tard
Chez PageToVid, la voix off ne s'achète pas à part. Un rendu terminé coûte 40 crédits quelle que soit sa durée, script, voix, sous-titres et screencast compris ; le premier film de n'importe quel site est gratuit, sans carte bancaire. Formules et films à l'unité sont sur la page tarifs.
L'équation change quand le script change, ce qui arrive sur une landing page à chaque nouvelle offre. Vous modifiez le texte de la scène et relancez le rendu : une nouvelle prise du film entier revient en quelques minutes. Si vous n'avez retouché que des mots et que les sous-titres décalent, le recalage des sous-titres réutilise la prise et il est gratuit une fois par rendu payant. Un rendu qui échoue pour une raison technique est remboursé automatiquement.
Même logique pour les langues : une traduction réécrit la narration dans la nouvelle langue et enregistre une nouvelle prise, au lieu de doubler l'ancien audio, dans l'une des 13 langues proposées (traduction vidéo). La marche à suivre pas à pas est dans ajouter une voix off IA à une vidéo.
Où se placent les outils centrés sur la voix
Si vous avez besoin d'une voix plutôt que d'un film de votre site, un outil centré sur la voix peut mieux convenir. HeyGen annonce la traduction avec synchronisation labiale et votre voix clonée dans 175+ langues et dialectes sur ses offres payantes : c'est le bon outil quand un présentateur filmé doit parler beaucoup de langues. PageToVid commente ce que le spectateur voit, en général votre vrai site filmé dans un navigateur, avec un ensemble fixe de narrateurs de synthèse. Toutes les comparaisons mettent les outils côte à côte.
Quand faire appel à un comédien voix
Faites appel à une personne quand la voix est un actif : un comédien reconnaissable que votre public associe déjà à la marque, un fondateur dont la propre voix porte l'histoire, l'animateur d'un podcast. Quand il faut jouer : un appel aux dons, un film de marque qui vit de silences et d'hésitations, des voix de personnages pour l'animation. Et quand quelqu'un doit répondre du propos, comme pour des allégations financières ou médicales encadrées. Une plateforme de comédiens voix ou un studio local s'en chargent ; s'il s'agit de votre propre voix, un enregistreur d'écran et un bon micro suffisent. Voix off IA ou voix humaine compare coûts et délais.
Transformez votre site en vidéo — gratuitement
Collez la page à filmer. PageToVid écrit le script, filme le vrai site, enregistre la voix et livre le MP4.
Questions fréquentes
Une voix off IA, est-ce la même chose que la synthèse vocale ?
Pas tout à fait. La synthèse vocale est la technologie qui transforme un texte en audio. Une voix off IA est la piste de narration finie construite avec elle : un narrateur, calé sur l'image, mixé avec la musique et sous-titré.
Peut-on choisir une voix d'homme ou de femme ?
Google ne classe pas ses voix par genre ; nous les décrivons donc par leur hauteur mesurée, grave, médium ou aiguë, plus un mot de caractère comme ferme, chaleureuse ou lumineuse. Demandez une voix plus aiguë ou plus grave et vous l'obtenez.
Un même film peut-il avoir une voix off en français et en anglais ?
Oui. Chaque langue reçoit sa propre prise, écrite pour elle, et non un doublage de la première. Les scripts n'ont souvent pas la même longueur : les films de Kevibe Studio durent 30 secondes en espagnol et 48 en anglais parce que leurs scripts diffèrent.
PageToVid peut-il utiliser ma propre voix ?
Non. Il n'y a pas de clonage de voix ; PageToVid utilise un ensemble fixe de narrateurs de synthèse. Pour votre voix, enregistrez-la vous-même ou passez par un outil de clonage.
La voix off est-elle comprise dans le film gratuit ?
Oui. Script, voix et sous-titres font partie de chaque rendu, sur toutes les formules, y compris le premier film gratuit de n'importe quel site, qui porte toutefois le petit badge PageToVid.
Comment nous produisons une voix off : une seule prise, du début à la fin
Voici ce que subit la narration à chaque rendu, dans l'ordre. Chaque étape est dans le code de notre pipeline, pas dans une promesse commerciale.
Choisir la voix pour son caractère, pas pour sa langue
Nous utilisons les douze voix prédéfinies de Gemini 2.5 TTS. Chacune parle toutes les langues de narration : vous choisissez un ton et une hauteur, pas une langue. Google publie un mot de caractère pour chaque voix (ferme, lumineuse, chaleureuse) mais pas sa hauteur ; nous avons donc mesuré nous-mêmes la hauteur médiane de chacune pour pouvoir répondre à « une voix plus grave, s'il vous plaît ». En mode automatique, la voix suit l'objectif et le ton du film, et les films d'un même site alternent.
Diriger la lecture
Avant le script, le modèle reçoit une consigne d'interprétation : un seul narrateur qui raconte une seule histoire, le ton choisi (énergique, posé, premium, chaleureux…), une courte respiration à chaque changement de paragraphe, les chiffres et les prix dits comme on les dit dans la langue du script, et rien de lu qui ne soit écrit.
Enregistrer tout le script d'un coup
La narration est une prise continue, pas un clip par scène recollé au suivant : l'intonation et l'énergie restent égales d'un plan à l'autre. Si certaines scènes demandent un autre narrateur, une autre vitesse ou un autre registre, ces passages sont enregistrés à part puis assemblés dans la même piste, avec de vrais silences aux jointures.
Contrôler la prise
Une voix issue d'un modèle de langage relit parfois une phrase. Si une prise dure environ un tiers de plus que ce que prévoit son nombre de mots, nous la relisons une fois et gardons la plus courte.
Masteriser la voix
La voix est normalisée à −16 LUFS avant que la musique passe dessous, et le film fini est livré à −14 LUFS, musique comprise : un niveau choisi pour les lecteurs vidéo du web, pas pour le podcast.
Tirer sous-titres et scènes de la prise
Un narrateur marque sa plus longue pause en fin de paragraphe, et chaque scène est un paragraphe : les changements de scène sont donc calés sur les pauses les plus longues de la piste, et les sous-titres répartis sur la parole de chaque scène. Quand une scène a besoin de plus de temps à l'écran, nous insérons du silence à la jointure ; nous ne coupons jamais l'audio, ce qui effacerait des mots.
Conséquence pour vous : les mots sont la timeline. Une scène dure le temps de dire son texte ; on allonge donc un film en écrivant davantage, pas en ralentissant la voix. La narration fait la durée donne les budgets de mots.