La façon habituelle de créer une vidéo IA est fastidieuse d'une manière très spécifique. Vous écrivez un prompt, vous générez un clip, vous obtenez cinq secondes. Vous écrivez un autre prompt, générez, encore cinq secondes. Répétez huit fois, ouvrez un éditeur, placez les huit clips sur une timeline, coupez-les, ajoutez des transitions, enregistrez ou générez une voix off, alignez les coupes sur celle-ci, ajoutez des sous-titres et exportez.

ClipPilot condense tout cela en une seule étape. Vous écrivez un script, ou juste une idée, et vous récupérez une vidéo multi-scènes terminée. Ce qui rend cela possible, c'est le découpage en scènes, et il vaut la peine de le comprendre, car la manière dont vous écrivez change le résultat.

Ce qui se passe réellement quand vous cliquez sur générer

Votre texte est d'abord envoyé à un modèle de planification, avant qu'aucune image ne soit générée. Ce modèle le lit dans son ensemble et le découpe en scènes. Pour chaque scène, il produit jusqu'à trois éléments :

Le texte de narration pour cette scène, tiré de votre script.
Un prompt vidéo conscient du mouvement. Il s'agit d'une description de réalisation complète du sujet, de son mouvement, du plan caméra, du décor et souvent de l'ambiance sonore. C'est le modèle qui rédige, pour chaque scène, le type de prompt décrit dans le guide de l'anatomie des prompts, pour vous.
Une durée estimée pour la scène.

Ce n'est qu'ensuite que la génération commence. Le prompt de chaque scène devient un clip vidéo généré, la voix off est produite en un seul passage, et tout est assemblé dans un seul MP4.

Le détail clé est que le planificateur voit votre script entier d'un coup. Il ne découpe pas seulement sur les frontières de phrases. Il décide où sont les temps forts narratifs et construit un visuel pour chaque temps qui se fond dans le suivant.

Quelle est la durée d'une scène

Environ 5 à 8 secondes pour les clips de vidéo animée, et 3 à 6 secondes pour les vidéos basées sur des images. Dans les deux cas, jusqu'à 30 scènes.

La différence n'est pas arbitraire. Une scène image est une image fixe avec un lent effet Ken Burns, et celles-ci deviennent ennuyeuses au-delà d'environ six secondes. Une scène animée est un clip vidéo généré avec un vrai mouvement, ce qui captive plus longtemps. Le temps de clip coûte aussi de l'argent par seconde, donc le planificateur préfère moins de scènes plus longues plutôt qu'un montage rapide de très courtes.

Deux modes d'accès : mode script et mode idée

Pour les Vidéos animées personnalisées il y a une bascule Script sur la page de création, et elle change ce que vous écrivez et ce que vous obtenez.

Script activé

Vous écrivez la narration, jusqu'à 1 200 caractères et au moins 80. Ce script a une double fonction. C'est ce que la voix lit, et c'est ce à partir de quoi les scènes sont planifiées. La durée vidéo découle de la longueur du script, vous ne choisissez pas une durée. C'est l'écriture qui la décide.

C'est le mode pour tout ce qui a une histoire ou un argument : explicatifs, listes, accroches avec une conclusion, micro-documents narrés.

Script désactivé

Vous écrivez plutôt une idée courte, jusqu'à 500 caractères, et vous choisissez une durée cible de 12 à 60 secondes. Il n'y a pas de narration, donc le planificateur peut construire une séquence purement visuelle avec une ouverture, un développement et une conclusion, dimensionnée pour atteindre la durée choisie.

C'est le mode pour des pièces d'ambiance, b-roll, clips ASMR, timelapses et toute autre vidéo à son ambiant. Les clips viennent avec leur propre audio généré, qui joue à plein volume lorsqu'il n'y a pas de voix off en concurrence.

Comment écrire pour que le découpage tombe bien

L'habitude la plus utile : écrire en temps forts. Une idée par phrase, dans l'ordre où vous voulez les voir.

Tout entasser dans une seule phrase :

Un hacker cyberpunk tapant sur un ordinateur en mangeant une pizza et regardant par la fenêtre une voiture volante.

Ce sont trois visuels fusionnés en un seul, et le planificateur doit soit en choisir un, soit tenter les trois dans une seule prise. Séparés en temps forts :

Un hacker cyberpunk tape frénétiquement sur un clavier néon qui luit. Une part de pizza froide au pepperoni est oubliée sur le bureau à côté d'une pile de disques. Dehors, à travers la fenêtre striée de pluie, une voiture volante file entre les tours.

Trois phrases, trois scènes nettes, dans l'ordre où vous les avez écrites.

Deux petites choses qui aident :

Décrivez les sujets récurrents de la même façon. Si le hacker est « une femme à la tête rasée portant une veste rouge » dans la scène un, dites-le de la même manière à la scène quatre plutôt que de passer à « le hacker ». Si un personnage doit être vraiment identique dans toutes les scènes, joignez une référence de personnage. Le planificateur décide ensuite pour chaque scène si le personnage doit apparaître et n'utilise la référence que là où elle s'applique.
N'écrivez pas de directives de prise dans la narration. En mode script, chaque mot que vous écrivez est lu à voix haute. « Coupez sur un plan large » sera prononcé par la voix. Décrivez ce qui se passe et laissez le planificateur ajouter le langage de caméra lui-même.

Pourquoi les coupures tombent sur les mots

Quand il y a une voix off, l'audio commande. ClipPilot génère la narration une fois, avec les données de minutage au mot, puis en déduit tout le reste : où chaque scène commence et finit, et quand chaque mot des sous-titres s'allume. Les limites de scène sont calées sur l'audio plutôt que l'audio étant étiré pour coller aux scènes prévues.

C'est pourquoi les coupures tombent sur la phrase à laquelle elles appartiennent au lieu de dériver d'un battement en fin de vidéo. Cela signifie aussi que les estimations de durée du planificateur servent de guide plutôt que de promesse. Si la voix met sept secondes pour lire une scène que le planificateur avait estimée à six, la scène durera sept secondes, et le clip boucle ou tient pour couvrir ce délai.

Sans voix off il n'y a rien à synchroniser, donc les durées prévues sont utilisées directement et la vidéo mesure la longueur que vous avez choisie.

Les réglages autour de cela

Quelques options de création de page interagissent avec tout ça. En bref, pour les vidéos animées personnalisées :

Voix off et sous-titres. La voix off nécessite un script, et les sous-titres nécessitent une voix off. Le minutage des sous-titres provient de l'audio de la narration, donc sans narration il n'y a rien à synchroniser.
Son du clip. Les clips générés arrivent avec leur propre audio. Avec une voix off, vous pouvez le couper ou le baisser sous la voix. Sans voix off, il joue à plein volume.
Qualité. Standard (480p), HD (720p) ou Full HD (1080p), tarifée à la seconde de vidéo finale. Standard est un bon choix par défaut pendant que vous itérez sur un concept. Full HD génère en 720p puis upscale, donc coûte le plus et vaut la peine pour une vidéo prête à être publiée.
Format d'image. 9:16, 16:9 ou 1:1 pour les vidéos animées.
Fondu enchaîné. Dans Options avancées. Activé par défaut, il fond chaque coupure dans la suivante. Le désactiver donne des coupures nettes, mieux adaptées aux montages rapides et percutants.

Une chose à savoir avant de générer : les vidéos animées ne peuvent pas être retentées après un échec comme le peuvent les vidéos basées sur images, bien qu'un travail échoué vous rembourse automatiquement vos crédits. Les deux types peuvent être édités ensuite. Sur une vidéo animée vous pouvez réécrire l'invite d'une scène et régénérer juste ce clip ; sur une vidéo image vous pouvez aussi réécrire la narration. Dans les deux cas vous recompiles sans recommencer depuis le début, ce que couvre le guide de l'éditeur vidéo.

La version courte

Écrivez des temps forts, pas des blocs. Une idée par phrase, dans l'ordre. Décrivez ce qui se passe et laissez le planificateur gérer les mouvements de caméra, les limites de scène et le timing. C'est ce qu'il sait bien faire, et ce que vous feriez autrement manuellement sur une timeline.

Comment ClipPilot transforme une idée en vidéo complète