La narration définit la durée

PageToVid n'enregistre pas un clip vocal séparé par scène pour les assembler. Il enregistre l'intégralité de la narration en une seule prise ininterrompue, puis identifie les pauses naturelles dans cette prise et les utilise comme limites de scène.

Ce choix de conception explique pourquoi la voix ne semble jamais coupée, ne tronque jamais un mot lors d'une coupe, et ne se désynchronise jamais des sous-titres. C'est aussi pourquoi une scène ne peut pas avoir une durée arbitraire : les scènes partitionnent la voix, et la somme des partitions doit correspondre à la prise. Donnez plus de temps à une scène et une autre le perdra.

Donc, la règle honnête est : vous définissez la durée en écrivant plus ou moins de mots.

Le rythme délivré est d'environ 110 mots par minute — plus lent que le langage courant, car une voix off en concurrence avec le mouvement à l'écran doit être intelligible, pas rapide.

• 15 secondes ≈ 28 mots
• 30 secondes ≈ 55 mots
• 45 secondes ≈ 82 mots
• 60 secondes ≈ 110 mots
• 90 secondes ≈ 165 mots

Ajoutez quelques secondes pour les cartes d'ouverture et de clôture, qui ne contiennent pas de narration. Si vous briefez un assistant, donnez-lui le budget de mots et pas seulement les secondes — « environ 55 mots » est bien plus fiable que « environ 30 secondes ».

Il existe un paramètre target_seconds, et il est important d'être précis sur sa fonction. C'est un brief, pas un levier : il indique au planificateur l'espace dont il dispose, afin qu'il rédige un script de taille approximativement correcte et choisisse un nombre de scènes raisonnable.

Ce qu'il ne peut pas faire, c'est compresser une narration déjà écrite. Si un script contient 200 mots, le film durera environ 110 secondes, quel que soit l'objectif indiqué. Le planificateur est évalué par rapport à l'objectif après coup, et une prise qui dépasse largement la prédiction est relue — mais les mots eux-mêmes sont la contrainte.

La raison la plus courante pour laquelle une vidéo semble précipitée n'est pas qu'elle est courte. C'est qu'une scène véhicule deux idées, de sorte que le visuel change pendant que la deuxième idée est encore expliquée, et le spectateur perd les deux.

Une scène doit être une affirmation, un chiffre, un écran, un moment. Si une phrase contient « et aussi », il s'agit généralement de deux scènes.

Cela interagit avec la durée de manière utile : puisque les mots définissent la durée, diviser une scène surchargée en deux ne rend pas le film plus long. Cela permet aux mêmes mots d'apparaître sur deux fois plus d'images, ce qui est presque toujours plus agréable à regarder.

Une scène sans narration est l'exception à tout cela. N'ayant aucun mot à partitionner, elle dure le duration_seconds que vous lui donnez.

C'est à cela que servent les cartes de titre, les écrans de fin et un plan produit fixe. Utilisez-les délibérément — deux ou trois secondes de silence à la fin d'un film, avec l'appel à l'action à l'écran, est perçu comme de la confiance. Le silence au milieu est généralement perçu comme une erreur.

Parce que les sous-titres sont coupés de la même prise mesurée, ils sont normalement parfaitement synchronisés avec la voix. Si un film revient avec des sous-titres désynchronisés — le plus souvent après avoir édité la narration — vous n'avez pas besoin d'une nouvelle prise.

rerender_video avec captions_only resynchronise les sous-titres avec la piste vocale existante du film. Rien n'est réenregistré, rien n'est refilmé, et c'est gratuit une fois par rendu.

Si les mots d'une scène prennent plus de temps à être prononcés que la durée de la scène, cela apparaît dans les avertissements de rendu comme un problème de synchronisation. Il est utile de les lire avant de publier : une scène qui est 0.4 s trop courte est invisible dans l'éditeur et évidente pour un spectateur.