Personnages qui parlent

Vidéo IA avec personnages qui parlent

Mis à jour le 20 septembre 2026

Réponse rapide : la parole est générée avec l’image en une seule passe, pas synchronisée sur un rendu muet. Chaque plan contient la réplique à l’identique, le locuteur nommé est lié à une voix de bibliothèque stable, avec une courte indication de jeu et une note explicite précisant que toutes les autres personnes dans le champ gardent les lèvres fermées. Les plans de dialogue ont une durée minimale — trois mots par seconde en anglais — pour qu’une réplique ne soit jamais compressée dans un plan trop court.

Image extraite de « Starfall Command », un court métrage IA généré de bout en bout par SceneMixer (7 personnages, 1 épisode) — Exemple : « Starfall Command » — HD réaliste, 1 épisode, produit de bout en bout par SceneMixer à partir du script · regarder les épisodes

La voix sort de la même génération que l’image

Il y a deux façons de faire parler un personnage à l’écran. La première consiste à rendre une vidéo muette puis à animer la bouche avec une piste audio : c’est la voie du lip-sync, qui nécessite un recadrage du visage et un fichier audio de pilotage, et qui produit un visage qui bouge correctement mais un corps qui ne joue pas. La seconde consiste à générer l’image et le son ensemble, pour que le jeu et la bouche relèvent d’une seule et même décision.

Ce pipeline utilise la seconde méthode. Le niveau vidéo par défaut est audiovisuel : le modèle reçoit la réplique, qui la dit, comment elle est dite, et une référence vocale, puis renvoie un plan où la réplique est prononcée. Rien n’est assemblé après coup.

En bref

Ce qui est envoyé avec un plan parlant
La réplique	Mot pour mot, une seule fois. Prononcée exactement comme écrite — ni paraphrasée, ni recalée temporellement.
Qui parle	Nommé, et lié à la référence vocale de ce personnage pour que la même personne ait la même voix d’un épisode à l’autre.
Comment c’est dit	Une courte indication entre crochets — à voix basse, toujours en souriant, d’un ton plat et forcé. Une indication de jeu, pas un sous-titre.
Qui d’autre est dans le champ	Marqué lèvres fermées, pour que les auditeurs ne remuent pas la bouche en même temps.
Paroles hors champ	Indiquées d’abord entre crochets — voix off, au téléphone, par l’interphone — puis toutes les personnes visibles sont décrites la bouche fermée.
Rythme	Un plan contenant un dialogue n’est jamais plus court que ce que la réplique nécessite : trois mots par seconde en anglais, cinq caractères par seconde en chinois.

Les voix sont associées, pas synthétisées par personnage

Chaque personnage se voit attribuer une voix issue d’une bibliothèque de voix système préconçues — vous écoutez un échantillon de trois à huit secondes avant de choisir, pouvez réassocier, choisir une autre voix dans le sélecteur, ou importer votre propre enregistrement. La raison pour laquelle il s’agit d’association plutôt que de création de voix par personnage, c’est le coût et la stabilité : les voix créées dérivent d’une génération à l’autre et coûtent par personnage, tandis qu’une voix de bibliothèque reste identique du premier au douzième épisode.

Si un personnage n’a pas de voix attribuée, le plan utilise par défaut une description écrite de la voix — âge, texture, registre — que le modèle interprète. C’est le comportement par défaut pour les nouveaux projets ; l’attribution des voix est une étape délibérée, pas quelque chose qui se fait silencieusement pour chaque personnage.

La règle de durée, et pourquoi elle existe

Un plan de quatre secondes ne peut pas contenir seize mots en anglais. Soit le débit est précipité au point d’être inintelligible, soit la réplique est coupée. Les plans de dialogue ont donc une durée minimale calculée à partir de la réplique : nombre de mots divisé par trois pour l’anglais, nombre de caractères divisé par cinq pour le chinois, et les répliques courtes reçoivent une pause en plus au lieu d’être compressées à leur minimum théorique. Les plans qui reviennent trop courts pour leur réplique sont signalés et corrigés avant tout rendu — ce qui coûte moins cher que de le découvrir à la sortie.

Langue

La langue des dialogues est un paramètre de projet, choisi une fois, et elle est appliquée là où les répliques sont écrites initialement plutôt que traduite après coup — le jeu est donc conçu dans cette langue au lieu d’être un doublage. Quinze langues d’interface sont disponibles et les dialogues sont pris en charge dans toutes ces langues ; quelques langues présentent occasionnellement des erreurs de prononciation sur certains mots avec le niveau de modèle par défaut, et le sélecteur l’indique quand c’est le cas. La page des voix de personnages couvre ce point en détail.

Ce que ça ne fait pas

Cloner la voix d’une personne réelle. Ce n’est pas proposé. Vous pouvez importer votre propre enregistrement comme référence pour vos propres personnages.
Synchroniser les lèvres sur une vidéo ou une photo existante que vous importez. La parole provient de la génération, pas du pilotage d’une image existante.
Atteindre une durée exacte pour une réplique. La durée minimale est appliquée ; la longueur précise du débit revient au modèle.
Intégrer des sous-titres directement dans l’image. Aucun texte n’est rendu dans le champ. Les légendes sont ajoutées après export.
Garantir une prononciation parfaite de tous les noms propres. Les noms inventés en particulier méritent d’être préécoutés avant de valider un épisode.

Ce que ça coûte

La parole est incluse dans le prix de la vidéo — il n’y a pas de frais audio séparés. La vidéo commence à 10 crédits par seconde de sortie (≈ $0.06/s avec le prix du crédit le plus bas) et va jusqu’à $0.47/s sur le niveau le plus net ; l’assemblage coûte 1 crédit par seconde. L’association vocale depuis la bibliothèque est gratuite. Les nouveaux comptes reçoivent 50 crédits et un aperçu gratuit d’au plus 5 secondes — de quoi entendre un personnage parler avant de se décider. Les tarifs sont sur la page des tarifs.

Langues

Dialogues natifs dans 15 langues

Chaque série ci-dessous a été produite par le même pipeline, avec des personnages parlant la langue de manière native : l'interface, les documents de travail et les répliques sont tous dans la même langue, et rien n'est doublé. Ouvrez-en une pour écouter.

Voir les 15 langues

Questions fréquentes

Est-ce du lip-sync ?

Non. L’image et la parole sont générées ensemble en une seule passe, donc la bouche et le jeu relèvent de la même décision. Il n’y a pas de piste audio séparée calée sur un rendu muet, et aucun moyen de piloter une photo ou une vidéo importée.

Puis-je utiliser ma propre voix ?

Vous pouvez importer un enregistrement comme référence vocale d’un personnage. Cloner la voix de quelqu’un d’autre n’est pas proposé.

Est-ce que les auditeurs dans le plan bougent la bouche ?

Ils ne devraient pas — chaque personnage qui ne parle pas dans le champ est explicitement marqué lèvres fermées, ce qui est l’instruction qui empêche un auditeur de remuer la bouche en même temps que la réplique.

Que se passe-t-il pour les voix off et les appels téléphoniques ?

Le marqueur hors champ est écrit en premier dans la note de jeu, puis toutes les personnes visibles dans le plan sont décrites la bouche fermée — la réplique s’entend donc sans que personne ne paraisse la dire.

Pourquoi mon plan de dialogue est-il plus long que ce que j’ai écrit ?

Parce que la réplique a besoin de ce temps. Les plans contenant un dialogue ont une durée minimale d’environ trois mots par seconde en anglais, cinq caractères par seconde en chinois, avec une pause ajoutée pour les répliques très courtes. Un plan trop court pour sa réplique est corrigé avant le rendu, pas après.

Écoutez un personnage avant de valider un épisode

L’aperçu gratuit est assez long pour une réplique de dialogue.

Essayez SceneMixer gratuitement

Forfaits de crédits à partir de $1.49 · Pro $7.99/mois · Aucune carte bancaire requise pour commencer