Comment créer une voix off multilingue pour une même vidéo produit

La manière la plus courante de rater la localisation d'une vidéo produit : faire traduire le script chinois à la machine et générer directement. La version anglaise dépasse l'image de plusieurs secondes, la version espagnole récite la référence produit comme une autre suite de caractères, et le ton ne rappelle plus la même marque. La faute n'en revient pas à la synthèse vocale, mais à la confusion de quatre tâches en une seule. Habiller une vidéo produit de pistes multilingues, c'est en réalité quatre travaux séparés : structurer d'abord un script source localisable, préparer ensuite une version orale par langue, choisir enfin une voix dans chaque langue, et ajuster l'image aux durées mesurées de chaque piste. Le Text to speech de PixMind couvre un maillon : transformer le texte final de chaque langue en MP3 ; traduction et relecture se terminent avant d'entrer dans l'outil.

Ouvrir Text to speech, collez-y le texte final de chaque langue segment par segment, générez segment par segment, téléchargez segment par segment.

Points clés

• Traitez les quatre actions séparément : structuration du script source, version orale par langue, choix de la voix par langue, ajustement de l'image à la durée mesurée.
• Text to speech lit uniquement le texte saisi et ne traduit pas ; la version finale de chaque langue s'obtient dans un flux de traduction et de relecture externe à l'outil.
• Les voix se choisissent langue par langue, en privilégiant prononciation exacte et ton conforme à la marque ; rien n'impose une même voix pour toutes les langues.
• La page ne conserve qu'un résultat à la fois ; le MP3 téléchargé commence par pixmind-tts- et s'archive après renommage par langue et version.

Structurez d'abord un script source localisable

Le script source n'est pas un « texte chinois », c'est la matrice de toutes les versions linguistiques : une seule structuration, et traduction, relecture et doublage partent du même matériau, réduisant les reprises.

Le geste central de la structuration est le partage en colonnes : séparer le « texte à traduire » des « éléments de marque à conserver ». Noms de produit, références, slogans et raison sociale relèvent du second groupe : fixez d'abord leur écriture dans chaque version — originelle, translittérée ou adaptée localement — puis appliquez-la à tous les segments. Les combinaisons alphanumériques des références se figent surtout en dur : une même référence s'écrit pareil dans toutes les versions, pour éviter que chaque voix n'improvise et la décline en plusieurs variantes.

Le texte à traduire se segmente par plan. Le commentaire d'une vidéo produit est naturellement court ; découpé en ouverture, démonstration et conclusion, chaque segment correspond à une fenêtre d'image, qui sert aussi d'ossature à la génération et aux sous-titres. Chaque génération a une limite de caractères — 100 sans connexion ou en offre gratuite, 10000 en abonnement payant — et les segments découpés par plan restent généralement très en dessous.

Le script source structuré prend la forme d'un tableau dont chaque ligne contient le contenu du plan, la durée de l'image, les éléments fixes et le texte à traduire. Ce tableau sert à la fois de base à la relecture des traductions et à la fabrication des sous-titres.

Préparez une version orale pour chaque langue

Une frontière d'abord : la page Text to speech traite uniquement le texte que vous saisissez et ne traduit pas à votre place. Chaque version linguistique achève sa traduction et sa relecture dans votre propre flux de préparation, et n'entre dans l'outil vocal qu'une fois finalisée.

Une traduction littérale ne se lit généralement pas telle quelle. Exemple avec l'ouverture d'une vidéo produit en anglais :

• Version littérale : « This cup can complete the juicing of fruit within thirty seconds, and it is also very easy to clean. »
• Version orale : « Fresh juice in thirty seconds. Cleanup? Just rinse it. »

La version littérale est grammaticalement correcte, mais transposée mot à mot d'une longue phrase chinoise : récitée d'un trait, sans pause, sans le ton d'une publicité de langue maternelle. La version orale passe à deux phrases courtes, avec une question pour ménager une respiration : le rythme épouse bien mieux l'image. Chaque langue mérite cette étape : un locuteur de la langue transforme la traduction littérale en « parole parlée » et en profite pour régler la lecture des nombres, les conversions d'unités et les usages d'adresse.

La version finalisée après relecture se colle dans la zone de texte pour générer ; l'outil n'assume plus la correction. La répartition devient claire : un problème de texte repart dans le flux de relecture, seuls les problèmes de prononciation et de durée se règlent dans l'outil.

Choisissez une voix par langue

Chaque langue se traite séparément dans le catalogue de voix : aucun jeu de voix ne couvre toutes les langues. Ouvrez la fenêtre « Choisir une voix », basculez d'abord de moteur en haut, puis filtrez la langue cible avec le menu « Langue » — les options de langue viennent du catalogue du moteur courant et changent avec lui. En survolant une carte de voix, un extrait s'écoute directement.

Trois critères en contexte multilingue. D'abord, un accent adapté au marché : à langue espagnole égale, l'Amérique latine et l'Espagne ne sonnent pas pareil, soyez attentif au filtrage et à l'audition. Ensuite, écoutez en priorité la prononciation des noms de produit, références et nombres : essayer avec une phrase contenant le nom du produit est plus fiable que le seul extrait. Enfin, alignez le ton de la marque entre langues : une version chinoise enjouée n'appelle pas une voix grave et lente en anglais.

Rien n'impose un même locuteur d'une langue à l'autre. Une voix féminine en chinois et une masculine en anglais fonctionnent très bien, pourvu que chaque langue pointe vers la même marque. Viser « exactement la même voix » d'une langue à l'autre finit par sacrifier la qualité de prononciation ici ou là : ce n'est de toute façon pas la norme du doublage multilingue.

Une voix fixée par langue, notez-la : moteur et nom de voix. Tous les segments d'une même langue utilisent cette voix, sans changement en cours de route.

Gérez les écarts de longueur entre langues

Une même réplique donne des traductions de longueur naturellement différente : cinq secondes dans une langue, sept dans une autre. La même fenêtre d'image s'avère tantôt suffisante tantôt juste : c'est l'écart majeur entre doublage multilingue et monolingue.

L'ordre de traitement : mesurer d'abord, modifier le script ensuite, toucher à la vitesse en dernier :

1. Générez chaque segment langue par langue et relevez la durée totale affichée par la barre de lecture, en reportant dans le tableau source chaque segment de chaque langue avec la durée de l'image.
2. Quand une version dépasse l'image, corrigez d'abord le script : supprimez les fioritures dispensables, fractionnez les longues phrases, pilotez les pauses par la ponctuation. La réécriture allège le superflu sans retirer une seule information nécessaire, et agit mieux que la vitesse de parole.
3. Le script au plus simple et l'écart persistant ? Ajustez alors légèrement la vitesse. L'étendue du curseur varie selon le moteur, et changer de moteur réinitialise les paramètres — les voix des différentes langues venant souvent de moteurs différents, notez la vitesse réglée dans le tableau source et restaurez-la à chaque génération de segment.

La ligne rouge : les gestes clés de la démonstration ne cèdent jamais à la durée. Ouverture du bouchon, pression sur un bouton, gros plan du résultat : mieux vaut couper le commentaire et garder une vitesse naturelle que d'écraser les syllabes ou de rogner les gestes. Une réplique vraiment sans place bascule sur le plan suivant, plus naturel que de la tasser dans le segment.

La page ne conserve qu'un résultat à la fois : en multilingue multi-segments, générez, téléchargez et notez segment par segment, sans espérer toutes les pistes d'un coup.

Exportez les pistes et rangez les fichiers de versions

Le MP3 obtenu au téléchargement porte un nom commençant par pixmind-tts-, suivi d'un horodatage de génération. Avec plusieurs langues et plusieurs segments, l'horodatage ne départage plus rien : renommez immédiatement par langue et version, par exemple :

• Pistes audio : product-demo_zh_opening_v2.mp3, product-demo_en_opening_v2.mp3
• Sous-titres : product-demo_zh_v2.srt, product-demo_en_v2.srt

Une règle de nommage vaut par sa stabilité : projet, code de langue, segment, numéro de version — l'essentiel est que l'équipe s'y tienne.

L'intégration des pistes à la vidéo se fait dans un logiciel de montage externe, n'importe lequel, en répétant le même flux pour chaque langue :

1. Dupliquez une timeline par langue (ou créez un projet), et importez les images plus toutes les pistes de cette langue.
2. Alignez chaque réplique sur son image selon le tableau source, en vérifiant surtout que le commentaire ne chevauche pas les gestes clés.
3. Écoutez la version complète d'affilée ; volumes et enchaînements réglés, exportez le film final de cette langue.

Les sous-titres se produisent séparément par langue, et sur la bande son réelle du film final de chaque langue, jamais depuis le script source — traductions revues, pauses réglées, vitesses adaptées : la timeline ne correspond plus depuis longtemps. Générez les sous-titres de chaque version finale avec Vidéo vers SRT, puis repassez noms propres et ponctuation dans le logiciel de montage.

Questions fréquentes

L'outil traduit-il automatiquement le script saisi ?

Non. Text to speech lit uniquement le texte saisi ; les versions linguistiques s'achèvent dans un flux externe de traduction et de relecture, puis se collent pour génération. Dans l'outil se règlent voix, vitesse et volume, jamais le texte lui-même.

Peut-on garder exactement la même voix dans toutes les langues ?

Ce n'est pas exigé, et prononciation et ton optimaux ensemble restent rares. Les voix se choisissent par langue, le menu de langues reflétant le catalogue propre à chaque moteur : des voix différentes selon les langues sont normales. Le critère est une prononciation exacte et un ton de marque cohérent, pas la reconnaissance d'une même personne.

La traduction ne tient pas dans la durée d'un plan, que faire ?

Traitez dans l'ordre : supprimez d'abord les fioritures du script et ajustez les pauses ; s'il manque encore un peu, complétez par une légère hausse de vitesse ; en dernier recours, faites glisser la réplique sur le plan suivant, ou retouchez légèrement le rythme de l'image pour cette langue. Les gestes clés de la démonstration ne se coupent pas pour cela.

Commencez par l'ouverture en deux langues

Inutile de traiter tout le film d'un coup. Prenez le segment d'ouverture : structurez éléments fixes et texte à traduire, produisez les versions orales en deux langues, choisissez la voix de chaque langue, générez une piste pour chacune, puis comparez leurs durées mesurées avec la fenêtre d'image. Ce segment maîtrisé, les autres segments et langues ne font que répéter le même cycle.

Ouvrir Text to speech.