Fini la séparation manuelle des voix masculines et féminines ? Automatisez la création de podcasts vidéo avec Irodori-TTS et HeyGen.

本ページはプロモーション（広告）を含みます。

❓ N'est-il pas difficile de créer des vidéos de conversations entre hommes et femmes ?

Créer des vidéos de podcast avec deux personnes qui parlent est assez complexe. Comme l'audio de la conversation combine les voix masculine et féminine en une seule piste, la création d'une vidéo en synchronisation labiale nécessite de séparer manuellement ces voix. J'ai réalisé de nombreuses vidéos de ce type, mais ce processus m'a toujours pris énormément de temps.

Est-ce vraiment si difficile de séparer les voix ? D'après ce que j'ai compris, vous vous contentez de les couper. Mais si l'orateur change des dizaines de fois dans une même vidéo, je comprends que ce soit fastidieux. N'y avait-il pas une meilleure solution ?

🎙️ L'Irodori-TTS en vogue et la barre des 30 secondes

C'est alors que je me suis intéressé au très populaire logiciel de synthèse vocale japonaise « Irodori-TTS ». Il fonctionne sur mon ordinateur et la prononciation japonaise est très naturelle. Cependant, en l'essayant, j'ai constaté une limitation : il ne peut générer que 30 secondes d'audio à la fois. Il est donc impossible de lire un podcast de 10 minutes en entier.

Attendez, seulement 30 secondes ? Ça veut dire que je ne peux pas l'utiliser pour un long podcast vidéo ? C'est dommage, car la voix est tellement naturelle. Si je veux faire une vidéo de 10 minutes, je vais devoir la découper et la refaire plusieurs fois.

💡 En cas de blocage de la parole, 30 secondes suffisaient.

Moi aussi, au début. Mais en relisant le script, j'ai réalisé quelque chose. La conversation se résume à la répétition de « Kenny parle » et « Erika répond », chaque intervention durant au maximum 30 secondes. En attribuant une voix à chaque intervention, en les ordonnant et en remplaçant les silences par des silences, on peut obtenir des pistes avec uniquement des voix masculines ou féminines dès le départ.

Je vois. Donc, si vous les créez séparément dès le départ, vous n'aurez pas besoin de les séparer ensuite. C'est intéressant de constater que la limite de 30 secondes fonctionne bien comme une ligne de démarcation. Alors, comment transformer ces deux pistes en vidéo ?

🎬 Des scripts aux vidéos, tout dans une seule application.

En animant la bouche de l'avatar sur chaque piste, vous pouvez créer des vidéos en synchronisation labiale d'hommes et de femmes. Nous avons utilisé l'API HeyGen pour la synchronisation labiale. Nous avons fait appel à ChatGPT pour la conception et confié le développement à Codex ; ainsi, tout, de la saisie du script à l'exportation de la vidéo finale, est intégré dans une seule application de bureau. Vous pouvez également ajouter des séquences d'ouverture et de fermeture.

J'ai aussi vu la vidéo que tu as faite avec cette application. Au début, quand vous parliez tous les deux en même temps, votre synchronisation était un peu décalée, mais à la fin, vous étiez parfaitement synchronisés, ce qui était un soulagement. Je suis curieux de savoir comment tu as fait.

👉 Des détails sur la sélection technologique et les défis sont disponibles dans la note.

J'ai résumé le choix des technologies, les spécifications et les difficultés rencontrées lors du développement de l'application dans un article. J'y explique en détail pourquoi j'ai opté pour une application de bureau, pourquoi j'ai choisi une interface d'édition similaire à Canva, et même comment Irodori-TTS a soudainement transformé ma voix en celle d'un vieil homme. Vous pouvez également visionner la vidéo finale dans l'article.

L'histoire de la voix du grand-père m'intrigue beaucoup ! Il semblerait que les voix artificielles ne parviennent pas toujours à reproduire fidèlement n'importe quelle voix naturelle. Si la création de vos propres podcasts vidéo ou le développement d'applications avec l'IA vous intéressent, poursuivez votre lecture.

👉 Lire l'article original
[Irodori-TTS] Nous avons essayé de créer une vidéo de podcast entièrement automatisée avec synchronisation labiale en utilisant le TTS japonais tendance et l'API HeyGen.
https://note.com/gentle_hawk873/n/n3caaa9e760c4