Text to speech IA : générateur de voix off

Choisir la voix

• Une voix de la bibliothèque a battu une voix conçue sur mesure. La voix que nous avions créée à partir d'une description écrite sonnait surjouée. Les voix professionnelles prêtes à l'emploi sonnaient naturelles et cinématographiques, et l'une d'elles est devenue la voix définitive de Mira. Les voix de cet outil sont elles aussi prêtes à l'emploi.
• Un personnage, une voix. Gardez la même voix dans chaque vidéo, comme vous gardez le même visage.

Dialogue et lip sync

• Les répliques courtes peuvent rester au modèle vidéo. Seedance a prononcé une courte salutation mot pour mot. Dans une prise de 30 secondes avec deux personnes qui parlent, il a déformé plusieurs mots : nous avons donc réenregistré le script avec Eleven v4.
• Calez la nouvelle voix sur le minutage des mots. Nous avons transcrit la prise générée pour obtenir le moment exact de chaque mot, puis étiré le nouvel enregistrement pour qu'il corresponde, sans changer sa hauteur. L'écart est resté d'environ 20 millisecondes.
• N'étirez que ce qui est à l'écran, et un peu seulement. Pour la personne visible, enregistrez la réplique à plusieurs vitesses et gardez la prise qui demande le moins d'étirement, 25 % au maximum. Le caméraman était hors champ : ses répliques sont restées à leur vitesse naturelle, car les compresser les rendait difficiles à suivre.

Rires, son d'ambiance et mixage

• Gardez le rire du modèle vidéo. Dans cette scène, la balise [laughs] sonnait faux. Le rire généré par le modèle vidéo collait à son visage : nous l'avons séparé de l'audio du clip et conservé.
• Utilisez le son d'ambiance du clip. Les pas, les murmures et les oiseaux venaient du modèle vidéo, pas d'effets générés à part. Sa propre parole a été baissée de 40 dB autour de chaque mot, pour qu'on n'entende que la nouvelle voix.
• Ne normalisez pas cette ambiance seule. Normaliser la piste atténuée fait remonter les restes de parole ; appliquez-lui plutôt un gain fixe.
• Restez léger sur la réverbération. Un dixième environ de la voix directe au maximum, sans première réflexion forte, qui provoque un effet de filtre en peigne.
• Vérifiez le mixage en mesurant, pas seulement à l'oreille. Transcrivez le mixage final et relisez chaque réplique, gardez la parole au moins 12 dB au-dessus de l'ambiance et la voix principale un peu plus forte que les autres. Notre premier mixage avait un écart de 4 dB ; le mixage final, 18,7 dB.

Cet outil vous donne les voix, pas un logiciel de montage : générez les répliques ici, puis calez-les et mixez-les dans CapCut, Premiere ou DaVinci Resolve. Pour un présentateur qui parle face caméra, la photo parlante fait le lip sync à votre place. Le parcours complet d'un personnage, du visage à la vidéo finie, est dans notre guide pour créer une influenceuse IA.

Dialogue

Une scène à deux voix ou plus dans un seul fichier. Vous choisissez une voix pour chaque réplique et pouvez ajouter entre elles des balises comme [laughs] ou [short pause]. Idéal pour les podcasts, les sketchs et les dialogues publicitaires. Un dialogue accepte jusqu'à 10 voix différentes et 2 000 caractères au total, facturés au caractère comme une voix off.

Effets sonores

Décrivez un son et obtenez-le : une porte qui grince, des applaudissements, la pluie, une transition whoosh. La durée va de 3 s à 30 s, avec un prix à la seconde : un effet de 5 s coûte 2 crédits, un effet de 30 s 12.

Musique

Le Compositeur de musique compose la musique que vous décrivez : une chanson avec voix ou une musique de fond instrumentale. Décrivez le genre, l'ambiance et les instruments, et mettez les paroles entre guillemets. La durée va de 15 s à 3 min ; 30 s de musique coûtent 18 crédits et 3 min en coûtent 108. La musique est utilisable commercialement.