Le son, la moitié invisible d'une vidéo verticale réussie
Un spectateur qui fait défiler un fil vertical décide en moins de deux secondes s'il reste ou s'il passe. Cette décision est souvent attribuée à l'image, alors qu'elle se joue en grande partie dans le son. Un plan d'ouverture correctement monté mais accompagné d'une voix métallique, d'une musique qui démarre trois images trop tard ou d'un silence gênant perd sa crédibilité instantanément.
Le problème, c'est que la production sonore a longtemps été le maillon lent de la chaîne. Trouver une voix off signifiait réserver un comédien, une cabine, un ingénieur. Trouver une musique signifiait fouiller des banques de sons, vérifier des licences, couper des boucles approximatives. Aujourd'hui, un créateur seul peut générer une narration crédible, composer un fond musical sur mesure et poser des bruitages contextuels en une seule session de travail.
Cet article ne présente pas un outil unique : il décrit une méthode. Celle d'un studio sonore que l'on pilote par le texte et par l'intention, adaptée aux formats verticaux de quinze à quatre-vingt-dix secondes, avec des critères de décision, des réglages concrets et les erreurs qui reviennent le plus souvent.
Les trois briques d'un studio sonore assisté par IA
Un montage sonore vertical repose sur trois couches distinctes. Les confondre est la première source de médiocrité : on obtient une bouillie où la voix se bat contre la musique et où les bruitages masquent les deux. Il faut au contraire les traiter successivement, chacune avec ses propres règles.
Voix off de synthèse : clarté, intention et émotion
Les moteurs de synthèse vocale neuronale actuels ne se contentent plus de lire un texte. Ils interprètent la ponctuation, gèrent les respirations, modulent le débit et acceptent des indications de ton. Concrètement, cela signifie qu'une virgule, un point de suspension ou un tiret de dialogue deviennent des outils de direction artistique.
Trois paramètres déterminent la qualité perçue d'une voix générée :
- Le débit. Entre 140 et 165 mots par minute pour une narration explicative. En dessous, la voix paraît solennelle ou artificielle ; au-dessus, elle devient anxiogène et rend le sous-titrage difficile à suivre.
- La stabilité de timbre. Sur une vidéo courte, choisissez une seule voix et conservez-la d'un épisode à l'autre. La répétition construit une identité de marque plus efficacement qu'un timbre parfait.
- Les micro-pauses. Un souffle discret avant une phrase importante produit un effet de sincérité qu'aucun filtre ne peut imiter. Les moteurs les plus récents les placent automatiquement si on leur en laisse la possibilité, c'est-à-dire si on évite les phrases de quarante mots d'un seul bloc.
Pour le français, surveillez les liaisons, les nombres et les acronymes : ce sont les trois zones où la synthèse produit encore des surprises. Écrivez « deux mille vingt » plutôt que « 2020 » si le rendu chiffré sonne mal, et testez systématiquement les noms propres.
Musique générative : rythme, style et licence
La musique générative ne remplace pas un compositeur, mais elle résout un problème de production : obtenir une bande originale cohérente, sur la bonne durée, sans dépendre d'une banque de pistes préexistantes. Deux approches fonctionnent bien pour le vertical :
- La génération par description textuelle. Vous décrivez l'ambiance, l'instrumentation, le tempo et l'énergie attendue. Idéal pour obtenir une identité sonore globale.
- La génération par exigence de montage. Vous partez de la durée, du nombre de changements de plan et de l'emplacement du pic d'attention, puis vous commandez une piste avec une montée à l'instant précis du basculement.
Sur le plan pratique, quelques repères : un tempo de 90 à 110 BPM accompagne confortablement une voix parlée sans l'écraser ; un tempo supérieur à 130 BPM fonctionne pour un montage sans narration ou pour un rythme de coupes très serré. Les sections de huit mesures sont faciles à boucler proprement, ce qui simplifie l'extension d'une piste si la vidéo s'allonge.
La question de la licence est aussi importante que le style. Vérifiez toujours trois points : l'usage commercial est-il autorisé, la piste peut-elle être monétisée sur toutes les plateformes, et existe-t-il un risque de similarité avec une œuvre protégée. Une piste agréable mais ambiguë juridiquement coûte plus cher qu'une piste banale.
Sound design contextuel : ambiances et bruitages
C'est la couche qui transforme une vidéo correcte en vidéo tactile. Elle comprend trois familles :
- Les transitions. Whoosh, impact, souffle, clic. Placés à l'image près, ils donnent du poids aux coupes et remplacent avantageusement une coupe franche maladroite.
- Les ambiances. Un lit sonore discret (rue, pluie, bureau, ventilation) installe un lieu sans qu'on ait besoin de le montrer. Il se place généralement entre -28 et -34 dB sous la voix.
- Les bruitages d'action. Un pas, un clic de souris, un frottement de tissu. Ces sons ne sont pas réalistes, ils sont expressifs : ils existent pour confirmer ce que l'œil voit.
Pour les formats verticaux, la règle d'or est la parcimonie. Deux ou trois bruitages par dix secondes suffisent. Au-delà, le spectateur entend le travail de montage au lieu de l'histoire.
Un workflow de production en cinq temps
Voici une séquence qui fonctionne aussi bien pour une vidéo isolée que pour une série quotidienne, en gardant un ordre de traitement stable.
Préparer une maquette muette
Montez d'abord l'image sans aucun son, en verrouillant les coupes et la durée de chaque plan. Si vous cherchez la musique avant d'avoir une structure d'image, vous adapterez le montage à la musique au lieu de l'adapter au récit. Notez la durée de chaque séquence et repérez le moment du pic d'attention : c'est votre point d'ancrage pour la suite.
Générer et nettoyer la voix off
Écrivez le script en respectant les respirations, générez la narration, puis nettoyez-la. Le nettoyage se limite à trois gestes : un filtre passe-haut autour de 80 à 100 Hz pour retirer les bruits de fond inaudibles mais fatigants, une réduction de bruit légère, et une légère compression pour égaliser les écarts de niveau entre phrases. Trop de traitement produit ce timbre « métallique » caractéristique que tout le monde reconnaît sans savoir le nommer.
Poser la musique en dernier recours, pas en premier
Une fois la voix calée, choisissez ou générez la musique. Placez-la sous la voix, coupez ce qui ne sert pas, et surtout introduisez trois points de variation : l'entrée, la montée au pic, et une coupe nette avant la chute finale. Une musique qui joue à volume constant pendant soixante secondes crée de la lassitude, même si elle est bonne.
Habiller avec le sound design
Ajoutez les transitions sur les coupes principales, l'ambiance si le lieu n'est pas évident, puis un ou deux bruitages par séquence. Travaillez à l'oreille en baissant le volume global du mixage : si un bruitage disparaît complètement à faible volume, il est décoratif ; s'il devient gênant, il est trop fort.
Mixer, écouter au téléphone, exporter
Le mixage final doit être validé sur trois systèmes : un téléphone avec haut-parleur, un ordinateur portable, et un casque. Le téléphone est le plus important, car c'est là que votre audience consomme la vidéo. Vérifiez que la voix reste intelligible lorsque la musique est au niveau de croisière et que le sous-titrage ne double pas une information déjà dite par la voix.
Écrire un script qui fonctionne en voix de synthèse
Un bon script pour la voix humaine n'est pas toujours un bon script pour la synthèse. La différence tient à la densité d'information par seconde et à la ponctuation.
Quelques règles utiles :
- Une idée par phrase. Les propositions subordonnées longues forcent le moteur à inventer une intonation qui ne correspond pas à votre intention.
- Ponctuez comme vous diriez. Une virgule crée une micro-pause, un point crée une respiration, un point d'interrogation modifie la courbe mélodique de toute la phrase. Ces signes sont vos outils de mise en scène.
- Évitez l'homographie ambiguë. En français, « il est » peut se lire de plusieurs façons ; reformulez si le contexte ne lève pas le doute.
- Testez vingt secondes avant d'enregistrer trois minutes. Le rendu d'un timbre sur une phrase d'exemple est bien plus informatif qu'un long paragraphe théorique.
- Écrivez pour l'oreille, pas pour l'œil. « Nous avons constaté que » se dit mieux que « il a été constaté que ».
Un bon test : lisez le script à voix haute en chronométrant. Si vous vous essoufflez ou si vous devez accélérer, la synthèse accélérera aussi, et le résultat sera moins intelligible qu'une lecture humaine.
Synchroniser voix, coupes et musique
La synchronisation est ce qui distingue un montage amateur d'un montage professionnel. Elle repose sur trois techniques simples.
L'alignement des accents. Placez les coupes importantes sur les mots accentués de la phrase. Si le mot porteur de sens tombe deux images après la coupe, l'effet est brouillé.
Les repères de temps. Dans un logiciel de montage, posez des marqueurs sur les temps forts de la musique et déplacez les plans jusqu'à ce qu'ils s'y accrochent. Cette méthode visuelle évite de chercher à l'aveugle dans la timeline sonore.
Le décalage volontaire. Une voix qui arrive une demi-seconde après l'image crée un effet de commentaire rétrospectif ; une voix qui devance l'image crée de la tension. Ces micro-décalages sont des choix narratifs, pas des erreurs, à condition d'être constants.
Si votre outil permet de piloter l'audio par des points d'ancrage temporels (keyframes), utilisez-les pour automatiser : montée de musique sur six images avant le pic, atténuation sur la dernière syllabe, retour du lit sonore après la conclusion. Automatiser ces trois mouvements fait gagner beaucoup de temps en production régulière.
Mixage : niveaux, EQ, ducking et loudness
Un mixage vertical réussi tient dans une hiérarchie claire. La voix domine, la musique soutient, les bruitages ponctuent.
Repères de niveaux :
- Voix off : crête autour de -6 dB, moyenne entre -18 et -14 dB.
- Musique en fond : entre -24 et -18 dB, avec un ducking de 3 à 6 dB déclenché par la voix.
- Ambiances et bruitages : -28 à -34 dB.
- Niveau global de sortie : viser une sonie intégrée proche de -14 LUFS, avec un plafond de crête à -1 dB pour éviter la distorsion après compression par la plateforme.
Côté traitement, restez sobre : un passe-haut sur la voix, un léger creux dans la musique entre 1 et 3 kHz pour libérer la zone d'intelligibilité, et une réverbération très courte si l'ambiance doit être cohérente. Ajouter un limiteur dur sur la musique, jamais sur la voix seule.
Le ducking est l'outil le plus sous-utilisé des créateurs solo. Bien réglé, il permet de garder la musique présente et vivante tout en garantissant que chaque mot reste audible, y compris sur un haut-parleur de téléphone.
Les erreurs qui tuent la crédibilité d'un montage
La voix trop lente et trop lisse. Une narration parfaite mais sans aspérité endort. Ajoutez des variations de rythme, des questions, des phrases courtes.
La musique qui ne s'arrête jamais. Sans silence, pas de relief. Un blanc musical d'une seconde avant la conclusion produit plus d'effet qu'un crescendo.
Le doublon voix et sous-titres. Quand le sous-titre répète exactement la voix, l'attention se divise. Utilisez le texte à l'écran pour condenser ou décaler l'information.
Les bruitages génériques. Le même whoosh à chaque coupe, pendant trente secondes, transforme un effet en tic nerveux.
L'absence de contrôle sur téléphone. Un mixage validé au casque peut devenir inaudible en haut-parleur, où les basses disparaissent et où les aigus agressifs dominent.
La négligence des licences. Une piste générée ne garantit pas automatiquement un usage commercial. Lisez les conditions, archivez les fichiers, notez la date de génération.
Checklist avant export
- La voix est intelligible à faible volume sur téléphone.
- Aucun mot n'est masqué par un pic musical.
- Le lit sonore ne crée pas de bourdonnement continu.
- Chaque coupe majeure est accompagnée ou volontairement nue.
- Le silence final n'est pas coupé brutalement.
- Le niveau de sortie respecte les repères de sonie visés.
- Les fichiers audio sources sont archivés avec leur date.
- Les conditions d'utilisation des pistes générées ont été vérifiées.
FAQ
Peut-on utiliser une voix synthétique pour de la publicité ?
Cela dépend des conditions d'utilisation de l'outil et des règles de la plateforme de diffusion. Vérifiez les deux : beaucoup d'outils autorisent l'usage commercial, mais certaines réglementations exigent d'indiquer clairement qu'une voix est générée.
Faut-il cloner sa propre voix ou choisir un timbre de bibliothèque ?
Le clonage crée une cohérence forte et une reconnaissance immédiate, à condition de disposer d'un enregistrement de référence propre et d'avoir le droit d'utiliser cette voix. Un timbre de bibliothèque est plus rapide et suffit pour tester un format avant d'investir dans une identité sonore.
Quelle durée de musique faut-il générer pour une vidéo de trente secondes ?
Générez plus long que nécessaire, puis coupez. Une piste de soixante à quatre-vingt-dix secondes vous laisse de la marge pour choisir la meilleure section et éviter les fondus d'entrée maladroits.
Comment éviter que la voix sonne faux ?
Raccourcissez les phrases, ponctuez davantage, variez la longueur des groupes de mots. Une voix synthétique sonne artificielle quand elle doit gérer une structure syntaxique complexe, pas quand le texte est simple.
Le sound design est-il indispensable ?
Non, mais il change la perception de qualité. Si vous devez sacrifier une couche, sacrifiez les bruitages avant la voix et la musique, car ce sont ces deux dernières qui portent le sens.
Peut-on produire en série sans perdre en qualité ?
Oui, à condition de figer un gabarit : une voix, un tempo de référence, une durée de séquence, une grille de niveaux. La régularité du gabarit libère du temps pour soigner le script et le rythme, qui sont les vrais différenciateurs.
Un studio sonore assisté par IA ne remplace pas l'oreille : il supprime les obstacles entre l'idée et le résultat. La voix, la musique et les bruitages cessent d'être trois chantiers séparés pour devenir trois curseurs dans un même geste de création. C'est là que se joue la différence entre une vidéo qui défile et une vidéo qui reste à l'écran.
