Une vidéo parlante est la façon la plus simple de faire travailler votre influenceur IA : vous écrivez ce que le personnage doit dire, et il le dit face caméra, avec sa propre voix et dans sa propre langue, les mouvements de la bouche suivant les mots. Ce guide explique comment les vidéos parlantes sont produites dans AI Influencer Studio, ce qui change avec la méthode haute qualité, comment écrire un texte qui sonne naturel et ce que cela coûte.

D’où viennent la voix et la langue ?

Du personnage. Lorsque vous créez un influenceur, l’étape « Voix et langue » enregistre avec lui une langue parlée (20 langues) et une voix. Vous pouvez filtrer la bibliothèque de voix par genre, âge et ton, et écouter chaque voix avant de choisir ; si vous passez l’étape, la voix recommandée est attribuée. Avec Basic et Pro, vous pouvez aussi ajouter votre propre voix : enregistrez ou importez au moins 30 secondes (jusqu’à 5 minutes) de parole claire et confirmez que la voix est bien la vôtre. Seule votre propre voix peut être clonée.

Comme la voix est enregistrée avec le personnage, l’onglet Vidéo ne vous la redemande jamais. Pour la changer, ouvrez les réglages du personnage et modifiez « Voix et langue du personnage ». Le changement s’applique aux vidéos suivantes ; les vidéos déjà réalisées gardent leur voix. Les étapes de création sont détaillées dans le guide de création.

Comment réaliser une vidéo parlante ?

  1. Ouvrez l’onglet Vidéo et choisissez Vidéo parlante.
  2. Choisissez l’influenceur ou le personnage de la bibliothèque qui doit parler. Une vidéo parlante utilise un seul personnage.
  3. Écrivez le texte. Sam peut vous aider : « Écrire avec Sam » rédige une réplique à partir d’une courte description, « Traduire avec Sam » met votre texte dans la langue du personnage et « Raccourcir avec Sam » le resserre. Le formulaire vous avertit si le texte semble rédigé dans une autre langue que celle du personnage.
  4. Vérifiez la ligne de plan sous le texte. Elle indique combien de clips le texte nécessite, la durée de la vidéo et le temps de production approximatif.
  5. Vérifiez le prix et lancez. Une fois prête, la vidéo est enregistrée dans votre bibliothèque.

Pourquoi mon texte est-il découpé en plusieurs clips ?

Un clip parlant dure au maximum 8 secondes. Un texte plus long est découpé aux fins de phrase en clips de 4, 6 ou 8 secondes, si bien qu’aucune phrase n’est coupée au milieu. Le premier clip part du portrait du personnage et chaque clip suivant part de la dernière image du précédent, ce qui garde stables le visage, la tenue et le décor. Enfin, les clips sont assemblés avec une transition courte et douce, et les silences aux raccords sont supprimés pour que la parole s’enchaîne comme une seule prise.

Chaque clip passe par trois étapes. Le personnage est filmé en train de parler ; la parole est convertie dans la voix enregistrée du personnage, sans toucher au rythme ni au mouvement des lèvres ; puis les mots prononcés sont retranscrits et comparés à votre texte. Si un clip ne reprend pas votre texte d’assez près, il est refait une fois. C’est grâce à cette vérification qu’une vidéo parlante a la voix de votre personnage et dit ce que vous avez écrit.

Que se passe-t-il si un clip ne peut pas être produit ?

Il arrive qu’un clip soit refusé par un filtre de contenu ou s’écarte sans cesse du texte. Dans ce cas, la vidéo est terminée avec une méthode de secours : la voix de votre personnage est d’abord générée, puis un portrait parlant est animé sur cette voix. Le résultat utilise toujours la même voix et le même texte. Lorsque la méthode de secours est utilisée, une note apparaît dans votre historique (« Cette vidéo a été produite avec la méthode de secours ») et la différence de prix est remboursée une fois la vidéo livrée. Si la méthode de secours échoue aussi, la totalité du travail est remboursée.

Les vidéos de scène peuvent-elles aussi parler ?

Oui. Dans les vidéos de scène et de modèle, la section « Parole » propose trois choix : Aucune, Voix off et Synchronisation labiale. La voix off pose la voix du personnage sur n’importe quelle vidéo et, dans une scène à plusieurs personnages, chacun peut avoir sa propre réplique. La synchronisation labiale fait parler un personnage face caméra.

Dans une scène, la synchronisation labiale utilise la méthode haute qualité lorsque trois conditions sont réunies : un seul personnage, une vidéo en 9:16 ou 16:9, et une réplique qui tient dans le clip (environ 5 secondes de parole dans une scène de 5 secondes, filmée en clip de 6 secondes, ou environ 7 secondes dans une scène de 10 secondes, filmée en clip de 8 secondes). Le studio dessine d’abord une image de départ avec votre personnage, sa tenue, le lieu, le produit ou la capture d’écran, puis filme le personnage en train de parler et convertit la voix. Si la vidéo est carrée ou la réplique plus longue, c’est la synchronisation labiale standard qui est utilisée. Le formulaire vous indique quelle méthode s’applique avant le lancement. Les scènes marquées « Idéal pour parler » donnent les meilleurs résultats, car le visage y est grand et bien net.

Comment écrire un texte qui sonne naturel ?

  • Écrivez comme vous parlez : des phrases courtes, une idée par phrase. C’est en fin de phrase que les clips peuvent être découpés, une ponctuation claire aide donc.
  • Gardez le texte dans la langue du personnage. Utilisez « Traduire avec Sam » plutôt que de mélanger les langues dans une même réplique.
  • Lisez à voix haute les noms de marques et de produits. Si un nom est souvent mal prononcé, écrivez-le comme il se prononce.
  • Évitez les longues listes de chiffres et les adresses web à l’oral. Mettez plutôt l’adresse dans la légende ou sur une carte de fin.
  • Pour tout ce qui dépasse environ une minute, ou si vous voulez des plans de coupe entre les passages parlés, utilisez l’onglet Vidéo longue.

Combien cela coûte-t-il ?

Les vidéos parlantes sont facturées à la seconde de vidéo finale. Le prix de base est de 45 559 jetons par seconde et le multiplicateur de votre offre s’applique (Pro ×0,8, Basic ×1, Free ×1,3). Une vidéo parlante de 8 secondes coûte 291 584 jetons avec Pro. Dans les scènes, la synchronisation labiale haute qualité ajoute une image de départ (base de 29 167 jetons en Draft, 37 917 en Standard) au clip parlant. Le montant exact est toujours affiché avant le lancement, les travaux échoués sont remboursés automatiquement et les prix actuels figurent sur la page des tarifs.

Comptez environ deux minutes par clip. Un texte de 15 secondes qui devient trois clips prend environ six à sept minutes ; le formulaire affiche une estimation et vous pouvez quitter la page pendant la production.

Questions fréquentes

Mon influenceur IA peut-il parler avec ma propre voix ? Oui, avec Basic et Pro. Ajoutez votre voix dans les réglages de voix du personnage avec au moins 30 secondes de parole claire et confirmez qu’il s’agit bien de la vôtre. Seule votre propre voix peut être clonée, et elle n’est utilisée que dans votre compte.

Pourquoi la vidéo est-elle parfois un peu plus longue que mon texte ? Les clips durent 4, 6 ou 8 secondes et laissent une courte respiration au début et à la fin. La ligne de plan sous le texte indique la durée finale avant le lancement.

Deux personnages peuvent-ils se parler ? Dans une vidéo de scène, oui, avec la voix off : jusqu’à trois personnages peuvent chacun avoir leur réplique, avec leur propre voix. La synchronisation labiale et les vidéos parlantes utilisent un seul personnage.

Une vidéo parlante porte-t-elle un filigrane ? Les productions de l’offre Free portent un petit filigrane ; celles de Basic et Pro n’en ont pas.