La chaîne de production, du script à la vidéo
Ce document décrit comment une publicité NarratiFluent passe du script validé aux trois fichiers livrables. Il est le point d'entrée : les documents voisins détaillent chaque format et chaque élément récurrent.
Le principe qui gouverne tout : la voix commande, l'image suit
La bande son est produite et validée avant la moindre image. Ses durées deviennent ensuite intangibles, et chaque plan est étiré ou raccourci pour tomber exactement sur sa réplique.
C'est l'inverse du montage habituel, et c'est délibéré. Cela permet de corriger une phrase sans refaire l'image, et cela place le point de contrôle là où il ne coûte rien : quelques milliers de caractères ElevenLabs, contre une centaine de crédits Argil pour un rendu vidéo.
Les quatre étapes, dans l'ordre
1. Du script au dialogue
decouper_dialogue.py lit le script markdown et le découpe par voix, pas par plan. Les
didascalies entre astérisques ne sont pas jetées : elles deviennent des balises de jeu que le
modèle eleven_v3 interprète — « il rit, cherche » donne un rire et une hésitation, pas une
ligne lue à voix haute.
2. La bande son
produire_ad.py lit le casting.json de la publicité et fabrique la bande son complète :
génération réplique par réplique, silences, calage du débit, ambiance, compression, normalisation.
Tout ce qui décide vit dans le casting ; le script ne fait qu'exécuter. Une correction d'Adrien se
traduit donc par une ligne de données modifiée, jamais par du code réécrit.
Le contrôle obligatoire : verifier_voix.py refait écouter chaque réplique par la
reconnaissance vocale et la compare à son texte. Rien dans la réponse de l'API ne signale une
phrase escamotée — c'est arrivé, « tout le temps, trop vite pour moi » était ressorti « sur le
taux, taux vite pour moi ». Aucune maquette ne part chez Adrien sans ce contrôle au vert.
3. La validation d'Adrien
Il écoute et corrige. Les corrections portent presque toujours sur le rythme, le casting ou une formulation — jamais sur l'image, qui n'existe pas encore.
4. L'image et le montage
monter_video.py assemble un plan par réplique et sort les trois formats. Les crédits Argil ne
partent qu'ici, après validation.
Le groupement : par étape, pas par publicité
Dix maquettes audio d'un coup, validées en une seule écoute. Puis dix vidéos. Adrien renvoie ses corrections en un seul message à chaque palier.
L'exception : sur un format qu'il n'a jamais vu, garder une publicité seule en éclaireur. C'est ce qui a permis de ne rater qu'une seule publicité sur le cadrage du micro-trottoir au lieu de dix.
Ce que coûte une publicité
Relevé sur l'Ads 115, 1 min 25, format micro-trottoir :
| Poste | Crédits |
|---|---|
| Scènes d'avatar créées dans l'application Argil | 5 par scène |
| Rendu vidéo des plans d'avatar | 160 par minute d'avatar à l'image |
| Royalties d'avatar | 20 par vidéo créée |
| Voix ElevenLabs, plans de banque, ambiance, montage, sous-titres | 0 |
| Total d'une publicité à trois avatars | environ 115 |
Deux postes s'évitent par construction et doivent l'être toujours. La voix ne se paie pas si on
fournit notre propre audio par le champ audioUrl. Et seul ce qui montre un visage qui parle
passe par Argil : sur l'Ads 115, 66 secondes sur 85 n'ont demandé aucun avatar.
Les contraintes techniques à connaître avant de promettre
- Argil ne sait pas créer un cadrage par API. La création d'avatar réclame une vidéo de tournage et une vidéo de consentement. Les scènes se fabriquent dans l'application, en pilotant le navigateur d'Adrien.
- Argil n'héberge aucun fichier son. La création d'une vidéo n'accepte qu'une
audioUrlque ses serveurs vont chercher : nos voix doivent être publiées temporairement, avec l'accord d'Adrien, dans un dossier de son Drive prévu pour être vidé ensuite. audioUrlettranscripts'excluent. Fournir l'audio interdit le texte, et c'est ce qu'on veut : c'est notre voix clonée qui commande, pas un texte relu par Argil.- Argil ne sort qu'en 9:16 et 16:9, jamais en carré.
- Pexels passe par Cloudflare, qui refuse l'agent par défaut de Python avec un 403 ressemblant à une clé invalide. Se présenter comme un navigateur suffit.
- Aucun endpoint ne donne le solde de crédits Argil. Il se lit dans l'application.
Les pièges de montage déjà payés
La durée d'un plan se fixe en images, jamais en secondes. À trente images par seconde, FFmpeg arrondit vers le bas ; sur dix-neuf plans, l'image finissait une seconde et demie en avance sur le son.
Un plan d'avatar accéléré ne couvre pas le silence qui suit la réplique. Sa dernière image se prolonge, ce qui donne la respiration de quelqu'un qui vient de finir sa phrase.
Le calage du débit porte sur la voix seule, jamais sur le mixage. Accélérer après le mixage accélérerait aussi les voitures de l'ambiance.
La musique de fond — à trancher avec Adrien
Adrien veut qu'on ajoute une musique de fond discrète, qu'on entend vraiment au fond, sur l'essentiel des publicités : c'est un usage général du format, et l'absence de musique s'entend.
Ce qui est acquis : les B-Rolls, les publicités à avatar IA et les podcasts en portent presque toujours. Ce qui reste ouvert : le micro-trottoir, où l'ambiance de rue occupe déjà le fond sonore — il hésitait lui-même. À reconfirmer avec lui avant de l'appliquer à ce format.
Deux points à régler au moment de le mettre en œuvre : la source des musiques, qui doit autoriser l'usage publicitaire, et le niveau de mixage, qui doit rester nettement sous la voix — de l'ordre de vingt-cinq décibels en dessous, comme l'ambiance de rue est aujourd'hui à quatorze.