Le son est déjà fait : de la vidéo IA sans passe audio

Quiconque a fabriqué une vidéo courte sait que la vidéo n’est que la première moitié. Vient ensuite l’autre : exporter, ouvrir un logiciel de montage, chercher une musique qui convienne et dont les droits sont clairs, dénicher deux ou trois effets, les aligner sur l’image, découvrir que les timings sont légèrement décalés, corriger, réexporter. Cela prend couramment plus de temps que la fabrication des images.

Cette moitié ne fait pas partie du travail ici. Un clip de Fellowi Video revient avec son son déjà dedans, fabriqué en même temps que l’image et pour la même scène.

Ce qui arrive réellement

Un MP4, avec une piste vidéo et une piste audio déjà réunies à l’intérieur. Pas une vidéo et une bande-son séparée à caler, pas un jeu de pistes à mixer. Un fichier qui se lit avec le son dans n’importe quel lecteur, se téléverse sur n’importe quelle plateforme et s’envoie à qui vous voulez sans mode d’emploi.

L’interrupteur est activé par défaut dans le studio et ne change pas le prix. Le coût est le modèle multiplié par la résolution et la durée ; le son n’apparaît nulle part dans cette arithmétique. Un clip turbo de quatre secondes en 720p coûte 500 coins avec le son et 500 coins sans, donc le laisser activé est gratuit et le couper n’économise rien.

Il vaut la peine de le dire clairement, car le réflexe venu d’autres outils est de supposer l’inverse : pas de crédit audio séparé, pas d’étape de génération sonore supplémentaire à attendre, pas de second rendu.

Le prompt est la console de mixage

Comme le son est généré pour la même scène, c’est la même phrase qui le dirige. Notre guide des prompts vidéo place le son en cinquième position parmi les choses auxquelles un bon prompt répond, et voilà pourquoi : une clause sur ce qu’on doit entendre vaut autant qu’une clause sur ce qui bouge.

Ne dites rien et le modèle choisira quelque chose de plausible pour la scène, ce qui convient souvent et parfois pas du tout à ce que vous aviez en tête. Dites une chose et il écoute généralement :

• « rain against the window, muffled traffic below »
• « a quiet room, a clock ticking, nothing else »
• « wind through pines, distant water »
• « low ambient music, no percussion »
• « a busy cafe behind her, cups and conversation, no music »

Deux habitudes à emprunter au côté image. Nommez une chose plutôt que cinq : le paysage sonore dispose du même budget d’attention que l’image, et une liste de six sons vous rendra une moyenne boueuse de tous. Et nommez l’absence quand elle compte, car « no music » et « nothing else » sont les rares cas où dire ce que l’on ne veut pas fonctionne : le silence est un état réel d’une bande-son, pas un objet qu’il faudrait dessiner.

Quand le couper

Il y a trois cas honnêtes, et aucun ne concerne la qualité.

Vous l’habillez vous-même. Si le clip entre dans un montage avec sa propre musique, une ambiance générée en dessous ne fera que se battre avec la piste que vous avez choisie. Coupez-la et gardez la timeline propre.

Il vous faut un morceau précis. L’identité sonore d’une marque, un titre sous licence, une chanson autour de laquelle la pièce est construite. Rien de généré ne remplacera un enregistrement particulier, et ne devrait pas essayer.

Personne ne l’entendra. La vidéo verticale sur les réseaux se lit en muet et la plupart des spectateurs ne réactivent jamais le son. Notre article sur la vidéo verticale pour les réseaux dit la même chose dans l’autre sens : si la première seconde doit fonctionner en silence, dépensez votre prompt sur ce qui bouge plutôt que sur ce qu’on entend.

Ce que cela ne remplace pas

Traitez ce qui revient comme le son propre de la scène, pas comme un comédien travaillant d’après votre texte. Si un clip dépend de mots exacts à des instants exacts, ou d’une coupe tombant précisément sur un temps, cela se fait encore dans un logiciel de montage, et c’est bien ainsi. La description honnête de cette fonction est qu’elle supprime la moitié routinière du travail sonore, pas la totalité.

Elle en supprime néanmoins l’essentiel. Pour l’immense quantité de clips qui ont juste besoin de ne pas être muets, l’étape qui coûtait une heure ne coûte plus rien et se produit pendant que vous regardez ailleurs.

Les deux voies vous le donnent : décrire une scène de zéro en texte vers vidéo, ou animer une image que vous avez déjà. Si vous hésitez, la comparaison tranche en une phrase. L’ensemble des réglages, y compris les quatre modèles et les durées jusqu’à trente secondes, est dans l’article sur la surface de contrôle. Dans tous les cas, lisez le résultat avec le son avant de décider de changer quoi que ce soit.