Post-Production Audio IA : Voix Off et Musique pour la Vidéo

Le son décide de la rétention, bien plus que l'image

On peut assembler des plans somptueux avec un générateur vidéo, soigner l'étalonnage, ajouter du grain et des transitions léchées : si la voix off siffle dans les aigus et que la musique écrase les consonnes, le spectateur décroche en moins de quinze secondes. Le son est un signal de qualité invisible. Personne ne dira « la bande-son manquait de précision dans le bas du spectre », mais tout le monde ressentira un malaise diffus, une impression d'amateurisme, et fermera l'onglet.

La bonne nouvelle, c'est que la post-production audio a connu la même bascule que l'image. Là où il fallait un studio, un ingénieur du son et un compositeur, on dispose aujourd'hui de chaînes complètes : synthèse vocale expressive, clonage de voix, génération musicale à partir d'un texte, séparation de stems, réduction de bruit, alignement automatique des sous-titres, mastérisation assistée. Ces outils ne remplacent pas une oreille formée, mais ils rendent accessible un niveau de finition qui était réservé aux productions à budget.

Ce guide propose un workflow complet et neutre : comment écrire pour une voix de synthèse, comment choisir entre comédien et modèle vocal, comment générer une musique qui ne combat pas le dialogue, comment mixer et contrôler la loudness, et comment livrer des versions multilingues propres. Il s'applique aussi bien à une vidéo explicative de trois minutes qu'à une série de formats courts ou à un documentaire monté à partir de plans générés.

Anatomie d'une chaîne audio moderne pour la vidéo

Avant de parler d'outils, il faut visualiser le trajet du son. Une chaîne saine comporte sept étapes, dans cet ordre :

1. Écriture et direction : script pensé pour l'oral, indications de ton, découpage en blocs de dix à vingt secondes.
2. Production de la voix : synthèse, clonage ou enregistrement en cabine.
3. Musique : thème principal, variantes d'énergie, stingers de transition.
4. Ambiances et effets : room tone, bruit de fond cohérent, ponctuations sonores discrètes.
5. Montage audio : nettoyage, choix des prises, calage sur l'image.
6. Mixage : hiérarchie des plans, égalisation, compression, ducking.
7. Mastérisation et contrôle : loudness cible, true peak, vérification sur plusieurs systèmes.

Les trois familles d'outils à distinguer

La première famille couvre la synthèse vocale : moteurs de text-to-speech, voix clonées à partir d'un court échantillon, bibliothèques multilingues. La deuxième couvre la génération musicale : modèles texte-vers-musique, générateurs de boucles, outils de variation à partir d'un stem existant. La troisième couvre la réparation et la finition : dé-bruitage, dé-réverbération, séparation de sources, égalisation adaptative, mastérisation automatique.

Confondre ces familles est l'erreur la plus fréquente. Un modèle excellent en génération musicale n'est pas forcément bon en dé-bruitage, et un moteur vocal très naturel peut mal gérer les nombres ou les noms propres. Traitez chaque étape comme un maillon spécialisé, avec ses propres tests de validation.

Formats et bonnes pratiques dès le départ

Travaillez en 48 kHz / 24 bits, en WAV, du début à la fin. Les fichiers compressés en cascade créent des artefacts qui s'accumulent, surtout après plusieurs passes de dé-bruitage. Gardez toujours une version « brute » de chaque prise vocale, sans traitement, pour pouvoir revenir en arrière. Nommez vos fichiers avec un schéma stable (projet, scène, version, date) : la post-production audio échoue souvent par confusion de versions, pas par manque de talent.

Écrire pour une voix de synthèse : le script qui sonne humain

Un modèle vocal lit ce qu'on lui donne. Il ne devine pas l'intention. La qualité finale dépend donc à 50 % de l'écriture, avant même d'ouvrir l'outil.

La ponctuation est votre partition

Le point crée une chute de hauteur et une pause courte. La virgule crée une respiration légère. Le point-virgule et le tiret cadratin produisent des ruptures plus marquées, parfois trop pour certains moteurs. Les points de suspension allongent la pause mais peuvent introduire une hésitation artificielle. Les parenthèses, souvent ignorées, provoquent un changement de débit chez certains modèles.

Concrètement : pour obtenir une phrase posée, coupez les subordonnées longues en deux phrases courtes. Pour obtenir de l'enthousiasme, préférez des affirmations brèves et des verbes d'action, plutôt que d'ajouter des points d'exclamation, qui produisent souvent un résultat criard. Testez toujours sur un paragraphe avant de générer dix minutes de narration.

Les pièges du français à l'oral

Les nombres sont le premier point de friction. « 1998 » peut être lu chiffre par chiffre, année ou nombre selon le contexte et le moteur. Écrivez « mille neuf cent quatre-vingt-dix-huit » si vous voulez une lecture sûre. De même, « 15 % » se lit parfois « quinze pour cent », parfois « quinze pourcents » : explicitez.

Les sigles sont le deuxième piège. « SNCF », « API », « RGPD » peuvent être épelés ou lus comme des mots. Écrivez la prononciation voulue (par exemple « A-P-I ») pour verrouiller le résultat. Les noms propres étrangers, les mots anglais intégrés et les marques demandent une vérification systématique.

La liaison française ajoute une difficulté propre : les moteurs gèrent bien les liaisons obligatoires, moins bien les liaisons facultatives. Si une liaison produit un effet indésirable, séparez les mots par une virgule ou reformulez. Attention aussi aux enchaînements de consonnes et aux suites de mots courts qui créent un rythme mécanique : « il y a de la place » se lira mieux que « il y a d'la place ».

Adapter le texte à l'accent et à la langue cible

Si vous produisez une version québécoise, belge, suisse ou africaine francophone, ne vous contentez pas de changer la voix : adaptez le vocabulaire, les unités, les références culturelles et les exemples. Un accent régional posé sur un texte parisien sonne faux. De même, pour une version espagnole, distinguez clairement Espagne et Amérique latine : les attentes de prononciation et de vocabulaire diffèrent nettement, et un mauvais choix se remarque immédiatement.

Voix humaine, voix clonée ou voix entièrement synthétique ?

Il n'existe pas de réponse universelle, seulement des critères. Voici comment trancher.

Situation	Option recommandée	Pourquoi
Vidéo explicative répétitive, mises à jour fréquentes	Synthèse vocale standard	Mise à jour d'une phrase sans reprise de studio
Contenu de marque avec voix reconnaissable	Voix clonée sous consentement	Cohérence entre les épisodes
Publicité, fiction, émotion fine	Comédien	Jeu, micro-intonations, improvisation
Série multilingue, dix langues	Synthèse multilingue	Coût et délais prévisibles
Sujet sensible (santé, deuil, témoignage)	Voix humaine	La moindre artificialité casse la confiance

Le clonage vocal impose une règle simple : consentement explicite et documenté de la personne dont la voix est utilisée, et transparence sur le fait qu'une voix synthétique est employée lorsque le contexte peut tromper. Pour une voix de marque, cela signifie un accord écrit sur la durée, les usages et l'arrêt de l'exploitation.

Un dernier critère, souvent négligé : la charge de travail éditoriale. Une voix clonée donne envie de réécrire sans fin, ce qui allonge les cycles. Fixez une règle interne : deux passes de script maximum avant enregistrement ou génération.

Générer une musique qui ne lutte pas contre la voix

La musique de fond remplit trois fonctions : porter le rythme, signaler les transitions, créer une émotion. Elle échoue quand elle devient un concurrent du dialogue.

Rédiger un brief musical utile

Un modèle de génération musicale répond mieux à une description structurée qu'à une ambiance vague. Précisez :

• Tempo : 70-80 BPM pour du calme institutionnel, 90-105 BPM pour de l'explicatif dynamique, 120 BPM et plus pour du format court énergique.
• Instrumentation : nappe de synthé, piano feutré, guitares pizzicato, percussions légères, cordes discrètes.
• Énergie et arc : début sans batterie, montée progressive, résolution finale.
• Contraintes : pas de voix chantée, pas de lead mélodique dans les médiums, pas de montée dramatique.
• Structure : intro de huit secondes, boucle principale, pont, fin nette.

Réserver l'espace spectral de la parole

La parole occupe principalement la bande 200 Hz – 4 kHz, avec de l'intelligibilité autour de 1 à 3 kHz. Une musique riche dans ces mêmes zones masque les consonnes. Deux techniques règlent cela : un creux large de 2 à 3 dB entre 1 et 3 kHz sur la musique, et un ducking (baisse automatique) de 6 à 10 dB déclenché par la voix avec une attaque de 5 à 15 ms et un retour de 300 à 600 ms.

Un ducking trop rapide produit un pompage audible, un ducking trop lent laisse la musique couvrir le début des phrases. Réglez-le en écoutant une phrase entière, pas un mot isolé.

Droits et prudence créative

Vérifiez toujours les conditions d'utilisation du modèle musical utilisé, en particulier pour les usages commerciaux, la monétisation sur les plateformes et la redistribution. Évitez toute requête qui imite explicitement un artiste vivant, un titre connu ou une bande originale identifiable. Si un motif généré ressemble étrangement à une mélodie existante, remplacez-le : le risque juridique dépasse largement le gain esthétique.

Synchronisation : faire respirer l'image

Une vidéo bien synchronisée ne se remarque pas. Une vidéo mal synchronisée agace immédiatement, même si le spectateur ne sait pas pourquoi.

Les règles de calage qui fonctionnent

Placez vos coupes sur les temps forts quand la musique est présente, et sur les respirations quand la voix domine. Une pause de 200 à 400 ms après une phrase clé donne du poids à l'information. À l'inverse, enchaîner deux phrases sans silence crée une sensation de précipitation, même avec un débit normal.

Sur les plans générés ou animés, ajoutez un décalage de une à deux images entre l'image et le son : l'oreille tolère mieux un son très légèrement en avance qu'un son en retard. Pour les animations de type mouvement rapide, ce micro-décalage renforce la perception de réactivité.

Gérer la dérive sur les longues séquences

Sur une narration de plus de deux minutes, la voix générée peut dériver de quelques dixièmes de seconde par rapport à vos repères visuels. Plutôt que d'étirer l'audio, ce qui altère le timbre, découpez la narration en blocs de dix à vingt secondes et calez chaque bloc indépendamment. Coupez toujours dans un silence, jamais au milieu d'une syllabe.

Utilisez un alignement forcé (forced alignment) pour générer les sous-titres à partir de l'audio réel : le résultat est bien plus fiable qu'une transcription approximative, et vous récupérez des repères temporels exploitables pour le montage.

Mixage : hiérarchie, dynamique et loudness

Le mixage audio pour la vidéo repose sur une idée simple : une seule chose mène à la fois. Dans 95 % des cas, c'est la voix.

Réglages de départ fiables

• Dialogue : crêtes entre -12 et -6 dBFS, niveau moyen autour de -18 dBFS.
• Musique : 12 à 18 dB sous la voix en présence de dialogue, remontée audible dans les respirations.
• Ambiance : 20 à 25 dB sous la voix, jamais totalement absente (un silence numérique absolu sonne faux).
• Coupe-bas : 80 à 100 Hz sur la voix pour retirer les bruits de manipulation et le grondement.
• Dé-esseur : ciblé entre 5 et 8 kHz, réduction de 3 à 6 dB sur les sifflantes seulement.
• Compression : rapport 3:1, attaque 10 à 20 ms, retour 80 à 120 ms, réduction de gain de 3 à 5 dB maximum.

Les cibles de loudness à connaître

La loudness intégrée est mesurée en LUFS. Les repères les plus utiles : environ -14 LUFS pour les plateformes de diffusion vidéo grand public, -16 LUFS pour un podcast stéréo, -19 à -16 LUFS pour un contenu purement parlé destiné au mobile, et -23 LUFS pour la diffusion broadcast selon la norme EBU R128. Dans tous les cas, maintenez un true peak à -1 dBTP pour éviter la distorsion après encodage.

Ne compressez jamais pour « sonner plus fort ». Les plateformes normalisent le niveau à la lecture : vous perdrez de la dynamique sans gagner de volume perçu.

Vérifier sur plusieurs systèmes

Écoutez votre mix sur un casque, sur des haut-parleurs d'ordinateur portable, sur un téléphone en mono et si possible dans une voiture. Le test mono est indispensable : de nombreux spectateurs écoutent sur un seul haut-parleur, où les problèmes de phase et les éléments trop larges disparaissent ou créent des creux.

Nettoyage et réparation : la modération avant tout

Les outils de réduction de bruit sont puissants et dangereux. Poussés à fond, ils produisent un effet de « bubbling », une voix sous-marine, des consonnes amputées. La règle : réduire par petites touches, uniquement là où c'est nécessaire, et comparer en aveugle avec la version non traitée.

Ordre de traitement recommandé : correction des clics et des pops, retrait du bourdonnement électrique (50 Hz en Europe, 60 Hz en Amérique du Nord), dé-réverbération légère si la prise est trop « room », réduction du bruit de fond stationnaire, puis dé-esseur, égalisation et compression. Un fichier propre au départ vaut mieux que cinq plugins correctifs.

Pour les plosives, une coupure basse dynamique ciblée sur la syllabe concernée est plus efficace qu'un filtre passe-haut global. Pour les respirations, baissez-les de 6 à 10 dB plutôt que de les supprimer : leur absence totale rend la narration étrange.

Accessibilité, sous-titres et versions multilingues

Un contenu audio accessible élargit mécaniquement son audience. Prévoyez un fichier de sous-titres avec 42 caractères par ligne maximum, deux lignes à l'écran, une durée minimale d'une seconde et demie par sous-titre, et une synchronisation à moins de 200 ms. Pour les contenus avec informations sonores importantes, ajoutez des sous-titres descriptifs mentionnant les sons signifiants.

Pour les versions multilingues, ne traduisez pas mot à mot : réécrivez pour la durée. Une phrase française de quinze mots peut devenir une phrase allemande de vingt mots, ce qui casse le calage. Enregistrez ou générez d'abord, puis ajustez l'image si nécessaire, ou prévoyez une marge de 10 à 15 % dans les plans où la voix doit tenir.

Choisissez une stratégie claire : soit la même voix dans toutes les langues (cohérence de marque, mais accent possible), soit une voix native par langue (meilleure crédibilité locale, identité sonore moins homogène). Testez les deux sur un épisode pilote avant de trancher pour une série entière.

Contrôle qualité et erreurs fréquentes

Avant livraison, passez cette liste :

1. La voix est-elle intelligible sur un téléphone en mono ?
2. Les consonnes sont-elles audibles sous la musique ?
3. Les transitions musicales tombent-elles sur des respirations, pas sur des mots ?
4. La loudness intégrée est-elle dans la cible, avec un true peak sous -1 dBTP ?
5. Les noms propres et les nombres sont-ils prononcés correctement ?
6. Reste-t-il des clics, des plosives ou des sifflantes agressives ?
7. Les silences numériques absolus ont-ils été remplacés par une ambiance discrète ?
8. Les sous-titres sont-ils alignés au mot près sur le nouveau mix ?
9. Les fichiers livrés sont-ils nommés selon le schéma du projet ?
10. Avez-vous conservé les versions non traitées des prises vocales ?

Les erreurs les plus coûteuses en reprises sont toujours les mêmes : générer la voix avant d'avoir figé le script, choisir la musique avant de connaître le débit de la narration, mixer au casque uniquement, et oublier de tester le rendu final sur le format de diffusion réel. Une heure de méthode en amont économise une journée de corrections.

FAQ

Faut-il tout produire avec l'IA ?
Non. Le meilleur rapport qualité-effort consiste à générer la voix et la musique, puis à traiter le mixage avec des outils classiques et une écoute critique. Les outils automatisés excellent dans la production, moins dans le jugement esthétique.

Combien de temps faut-il pour une vidéo de trois minutes ?
Comptez une à deux heures pour un premier jet complet si le script est finalisé, dont la moitié consacrée au calage et au contrôle qualité. La réécriture du script reste l'étape la plus longue.

Peut-on utiliser une voix clonée de soi-même sans précaution ?
Le clonage de sa propre voix est le cas le plus simple, mais gardez une trace écrite de votre consentement et de vos conditions d'usage si vous travaillez avec des prestataires, afin d'éviter toute ambiguïté plus tard.

Comment éviter que la musique couvre les mots ?
Travaillez avec des stems, créez un creux dans les médiums, utilisez un ducking modéré et vérifiez sur haut-parleur de téléphone. Si vous devez baisser la musique de plus de 20 dB, changez de piste plutôt que de forcer le mixage.

Quel niveau de loudness viser pour une série sur les réseaux sociaux ?
Visez la cible de la plateforme principale (souvent autour de -14 LUFS) et gardez une marge de true peak. Ne cherchez pas à sonner plus fort que les autres : la normalisation annulera l'effort et vous perdrez en clarté.

Les voix générées sont-elles assez bonnes pour un contenu professionnel ?
Oui pour l'explicatif, la formation, le contenu produit et les formats d'information. Pour la fiction, l'humour et les sujets émotionnels, un comédien reste difficile à égaler. Le critère décisif est la tolérance de votre audience à l'artificialité, pas la technologie elle-même.