Doublage IA avec montage des dialogues et mixage — Varsovie

Le doublage IA tient aujourd’hui en un bouton : on dépose une vidéo, un fichier revient quelques minutes plus tard. Si vous devez sortir un même programme en plusieurs langues — un module de formation, un film institutionnel, un documentaire, une chaîne vidéo —, vous avez sans doute déjà essayé, et quelque chose a sonné faux sans qu’on puisse dire quoi. Dans notre studio de postproduction sonore à Varsovie (Żoliborz), notre travail commence exactement là où celui du générateur s’arrête.

Le modèle produit une première version — le doublage commence après. Nous détaillons les seize opérations qui séparent l’une de l’autre, avant même de vous faire un devis. Une génération brute est une matière première, pas un livrable : elle a un timbre et un texte, mais ni synchronisme, ni respiration, ni acoustique de scène, ni place dans un mixage avec la musique et les effets.

Ce travail est mené par Olga Pasternak et Yohan Boisgontier, qui montent des dialogues et dirigent des séances de postsynchronisation sur des longs métrages et des séries. Nous abordons le doublage IA comme une version linguistique fabriquée en studio : le même métier que pour nos enregistrements de voix et de voix-off , avec une matière vocale obtenue autrement — et sous la même direction humaine.

Ce qui sépare le doublage IA d’une voix de générateur

Dans les conversations sur l’IA, plusieurs notions se confondent, et ce sont pourtant elles qui déterminent la charge de travail et le devis. Remettons-les à leur place :

• Synthèse vocale (TTS, text to speech) — conversion d’un texte écrit en parole par un modèle ; le résultat est une voix qui lit une réplique, sans aucun rapport avec l’image.
• Clonage vocal — construction d’un modèle reproduisant le timbre d’une personne à partir de ses enregistrements ; cela permet de parler avec sa voix, mais ne dit rien du droit de le faire.
• Speech-to-speech — un comédien joue la réplique au micro et le modèle ne remplace que le timbre ; le jeu, le rythme et l’émotion restent humains.
• Synchronisme labial (lip-sync) — concordance de la réplique avec le mouvement des lèvres à l’écran ; en doublage, c’est lui qui décide si le spectateur croit que le personnage parle sa langue.
• Prosodie — la mélodie de la phrase : accentuation, silences, débit, courbe d’intonation ; c’est ce qui distingue une phrase lue d’une phrase dite.
• Ambiance de lieu (room tone) — le bruit propre et discret de chaque espace ; sans lui, la voix n’a rien sur quoi se poser et l’on entend qu’elle a été collée sur l’image.
• V.I. (version internationale), ou M&E — la bande complète de musique et d’effets sans dialogues ; c’est la base de toute version linguistique.
• Stems — les couches séparées du mixage fini (dialogues, musique, effets), livrées avec le mixage pour les usages ultérieurs.
• Montage des dialogues — la mise en place de toutes les répliques dans le temps, leur nettoyage et leur insertion dans le rythme et l’acoustique de la scène.

Un générateur transforme un texte en son, et son rôle s’arrête là. Le doublage, lui, suppose une adaptation, un casting de timbre, une direction d’interprétation, un synchronisme, un montage des dialogues et un mixage — et, avant tout cela, une réponse à la question de savoir d’où vient la voix qui sort de la bouche du personnage. L’écart entre les deux ne tient pas à la qualité du modèle, mais au nombre d’étapes que quelqu’un a dû assurer.

Ce que fait la machine, ce que fait l’équipe

La France a une tradition de doublage ancienne, un vrai métier derrière et des raisons solides de se méfier de cette technologie. Nous partageons cette méfiance sur le fond, et notre réponse tient en une phrase : la synthèse est un outil de studio, pas un remplaçant de comédien. Nous ne la proposons pas pour faire l’économie d’une voix sur un rôle qui en réclame une, mais sur des programmes qui, faute de budget, ne seraient pas doublés du tout — un module e-learning remis à jour chaque trimestre, une quinzaine de marchés pour une même vidéo produit.

Cela dit, refuser de voir ce que ces modèles savent faire ne serait pas plus sérieux. Rendons-leur donc ce qui leur revient :

• Le timbre et le caractère de la voix — le modèle tient un même grain sur l’ensemble du programme, sans fatigue et sans écart d’un jour à l’autre.
• Le débit de base et une lecture juste — chiffres, dates et longues phrases construites sont lus régulièrement, ce qui compte sur des heures de narration.
• Toutes les langues en même temps — la première version de la bande naît en parallèle sur toutes les versions, au lieu d’une séance après l’autre.
• L’échelle — plusieurs dizaines de minutes de narration ou une quinzaine de versions linguistiques d’une même vidéo cessent d’être une question de planning de cabine.
• Le coût d’une modification — une ligne corrigée dans une formation actualisée chaque trimestre n’oblige plus à reconvoquer qui que ce soit.

Le reste est de notre côté. Ce n’est pas une liste de souhaits, mais l’inventaire de ce qui ne s’entend que lorsqu’on ne l’a pas fait :

• Les respirations et les silences — le modèle ne les prévoit pas, faute de poumons et d’intention ; posés mécaniquement ils font tic, entièrement supprimés ils font automate.
• L’accent de phrase — l’appui tombe là où il tombe statistiquement le plus souvent, pas là où se trouve le sens de la phrase dans cette scène précise.
• L’ironie, le chuchotement, l’effort, le rire — tout ce qui repose sur l’écart entre ce qui est dit et la façon de le dire ressort plat.
• L’allongement et la contraction des répliques pour la bouche — le modèle ne voit pas le visage à l’écran et ignore quand le personnage referme les lèvres.
• L’acoustique du lieu — une génération naît dans le vide : ni réverbération de la pièce, ni plan sonore proche ou lointain, ni transitions entre les plans.
• La dynamique des scènes de groupe — plusieurs voix générées séparément forment une nappe uniforme, au lieu d’un premier et d’un second plan.
• La rencontre avec la musique et les effets — c’est seulement au mixage qu’on découvre que le dialogue disparaît sous la musique ou passe devant l’image.

Les seize opérations entre une voix générée et un doublage livrable

Voici tout le chemin qui va du fichier sorti du modèle à une bande diffusable, avec l’indication de qui assure chaque étape. Nous publions cette liste parce que c’est la réponse la plus honnête à la question « on paie pour quoi », et le moyen le plus simple de mettre un nom sur ce qui manquait dans le rendu bon marché revenu avec des remarques.

1. Repérage (spotting) — humain — nous parcourons le programme plan par plan : rôles, répliques à l’image et hors champ, endroits qui exigent un synchronisme labial, répliques qui se chevauchent. C’est le repérage qui fixe le périmètre et le devis.
2. Vérification de la liste de dialogues et attribution des répliques — humain — nous rectifions les noms propres et la terminologie métier, nous marquons les réactions, les respirations et les rumeurs de foule, qui ne sont pas du dialogue et n’ont rien à faire dans la synthèse.
3. État de la V.I. — humain — nous vérifions si la production dispose d’une version internationale sans dialogues. Sinon, nous prévoyons la reconstruction des fonds comme une étape distincte (n° 15), annoncée avant le devis et non après coup.
4. Adaptation des dialogues — humain — ce n’est pas une traduction de sous-titres. La réplique doit sonner comme de la parole, tenir dans la durée du plan et dans le souffle du personnage, et pas seulement restituer fidèlement la phrase d’origine.
5. Écriture pour la bouche (synchronisme labial) — humain — sur les plans où le visage est visible, nous repensons l’ordre des mots et choisissons le vocabulaire en fonction des ouvertures labiales et des syllabes accentuées, pour que le début et la fin de la réplique tombent juste. Le doublage français a codifié ce travail sous les noms de détection et d’écriture rythmo ; le principe reste le même, quelle que soit l’origine de la voix.
6. Validation du texte par le client — humain — un temps de remarques sur le texte, dont le périmètre est convenu à l’avance, avant que quoi que ce soit ne sonne. Une correction à ce stade coûte une minute ; la même correction après le mixage coûte une journée.
7. Casting du timbre et choix de la source vocale — humain — nous préparons des échantillons et ajustons le timbre au personnage et au marché visé. C’est aussi ici que se décide par laquelle des deux voies la voix est obtenue.
8. Génération des versions linguistiques — machine — le modèle produit une première version de la bande, sur toutes les langues à la fois. C’est la seule étape qu’il exécute seul.
9. Choix des prises et direction de l’interprétation — humain aux commandes — nous faisons plusieurs propositions sur chaque réplique, nous réglons le débit, l’accent de phrase et l’émotion, puis nous sélectionnons les prises exactement comme lors d’une séance avec un comédien en cabine.
10. Retakes et postsynchronisation en cabine — humain — les répliques que le modèle ne porte pas — ironie, chuchotement, cri, rire, effort — sont enregistrées en direct dans notre cabine insonorisée , face à l’image et avec direction.
11. Montage des dialogues et synchronisation à l’image — humain — nous décalons, coupons et étirons les répliques jusqu’à ce qu’elles entrent dans le rythme de la scène et dans le mouvement des lèvres. C’est le même travail que sur des dialogues enregistrés en tournage.
12. Respirations, silences et réactions — humain — nous les plaçons là où le personnage reprend réellement son souffle, et nous les retirons là où elles sonnent mécaniquement. Sans cette étape, la bande est à la fois correcte et morte.
13. Inscription de la voix dans l’acoustique de la scène — humain — ambiance de lieu, plans proche et lointain, réverbération de la pièce, transitions entre les plans. Sans cela, la voix repose sur l’image au lieu d’être dans le cadre.
14. Nettoyage et réparation de la piste — humain aux commandes — nous retirons les artefacts de synthèse, les clics sur les raccords et les sifflantes saturées, et nous rattrapons les écarts de dynamique, avec les mêmes outils que pour la restauration audio .
15. Reconstruction des fonds et complément de V.I. — humain — lorsque la version internationale est absente ou incomplète, nous rebâtissons les ambiances, le bruitage et les effets sous la nouvelle bande dialogue, en nous appuyant sur le sound design et la sonothèque.
16. Mixage, loudness et livraison — humain — nous installons le dialogue entre la musique et les effets, réalisons le mixage en stéréo et en 5.1, amenons le matériel à la norme EBU R128 et exportons les stems ainsi que la V.I.

La machine assure une de ces seize opérations. Sur deux autres, nous sommes assis à côté d’elle et nous choisissons. Les treize restantes sont de la postproduction sonore classique — exactement la même que sur un film entièrement tourné en son direct.

À qui appartient cette voix

Avant que quoi que ce soit ne sonne, il faut savoir d’où vient la voix. Nous traitons ce point comme une étape de fabrication ordinaire, au même titre que le repérage, et non comme des conditions générales accrochées à la fin. Pour la synthèse, nous employons des outils commerciaux du marché — nous n’avons ni modèle propre, ni bibliothèque de voix qui nous appartienne. Il n’y a donc que deux voies possibles :

• Une voix issue de la bibliothèque de l’outil — un timbre proposé dans l’outil que nous utilisons. Le droit de l’employer découle de la licence de cet outil, et non d’un contrat conclu par nous : c’est l’éditeur de l’outil qui se règle avec les titulaires des voix qu’il propose. Notre travail consiste à vérifier avant de commencer que le timbre provient d’une source légitime et que la licence couvre l’usage prévu — le canal de diffusion, les langues et les territoires.
• La voix d’une personne identifiée — comédien, dirigeant, formateur ou voix interne. Nous ne prenons ce travail que sur consentement écrit de cette personne, mentionnant explicitement la synthèse vocale, à périmètre et à échéance définis. C’est une condition d’acceptation de la commande, et non une formalité à régulariser en cours de route : sans ce document, nous ne commençons pas. La solution fonctionne bien en communication interne et sur des formations maintenues pendant des années.

Sur chaque projet, la voie retenue est documentée. La profession du doublage s’est organisée en France autour d’une exigence précise — le consentement de l’artiste-interprète sur l’usage de sa voix — et nous n’avons aucune raison de travailler contre elle : c’est exactement le document que nous réclamons avant de lancer quoi que ce soit. Nous revenons plus bas sur ce point, dans la partie sur la livraison.

Ce que nous ne ferons pas

Certaines commandes, nous ne les prendrons pas, et nous préférons le dire tout de suite plutôt qu’au moment du devis :

• nous ne clonerons pas la voix d’un comédien ou d’une voix-off vivante sans son consentement écrit couvrant la synthèse vocale ;
• nous ne recréerons pas la voix d’une personne décédée sans l’accord des ayants droit ;
• nous ne fabriquerons pas de voix « troublante de ressemblance » avec une personne identifiable, y compris lorsque, formellement, ce n’est pas sa voix ;
• nous ne remplacerons pas une distribution déjà engagée par contrat sur la production concernée.

Ce n’est pas une position morale affichée pour la vitrine, c’est une condition de travail. Une bande sonore sur laquelle plane un doute quant aux droits sur les voix revient en production plus vite qu’un dialogue mal synchronisé — et, sur le marché francophone, elle abîme durablement la relation avec les équipes qui font ce métier.

Quand le doublage IA a du sens, et quand nous enregistrons des comédiens

Tous les programmes ne se prêtent pas à ce service, et nous n’allons pas prétendre le contraire. C’est pertinent sur :

• l’e-learning et la formation, en particulier les contenus repris chaque trimestre, qui exigeraient sinon une nouvelle séance à chaque modification ;
• les contenus d’entreprise et produit — présentations, notices, communication interne ;
• une même vidéo déclinée en une quinzaine de langues, là où un doublage classique supposerait autant de castings distincts ;
• la narration pédagogique et informative, où prime la clarté et non la création d’un personnage ;
• les voix de fond et de second plan ainsi que les rumeurs de foule qui remplissent l’espace d’une scène.

Nous le déconseillons sur les premiers rôles en fiction et en animation, sur la publicité de marque, sur les scènes qui portent une émotion, et systématiquement lorsqu’aucun accord documenté ne couvre la voix employée. Dans ces cas, nous proposons un enregistrement de voix en cabine , avec casting, direction d’acteurs et séance de postsynchronisation. C’est un service plus cher et nous le disons franchement : sur un matériel censé toucher le spectateur, c’est à cette étape que l’économie coûte le plus cher.

Pour quelles productions

Ce service convient :

• aux versions linguistiques de vidéos — un même programme, plusieurs ou une quinzaine de marchés ;
• à l’e-learning et à la formation — parcours, intégration des nouveaux arrivants, contenus de conformité ;
• aux contenus d’entreprise et produit — présentations, démonstrations, notices d’utilisation ;
• au documentaire et à la narration — commentaire hors champ, matériaux d’archives, films institutionnels ;
• aux chaînes vidéo et aux réseaux sociaux — publications régulières en plusieurs langues.

Si votre format n’entre dans aucune de ces cases, écrivez-nous : après visionnage, nous vous dirons si ce service est le bon, ou s’il vaut mieux aller vers un enregistrement de voix classique .

Ce que vous recevez

La livraison est matérielle et vérifiable. À la fin des travaux, nous remettons :

• des dialogues montés et synchronisés à l’image — prêts à la diffusion, et non une génération brute ;
• un mixage au format convenu — stéréo et 5.1, selon le canal de distribution ;
• les stems — couches séparées du mixage (dialogues, musique, effets) pour la suite des travaux ;
• la V.I. (M&E) — musique et effets sans dialogues, pour que la prochaine version linguistique ne reparte pas de zéro ;
• des versions conformes aux normes de loudness — EBU R128 et exigences techniques de la plateforme visée ;
• l’origine documentée de chaque voix — le relevé de la voie, parmi les deux, dont provient chaque voix employée dans le projet ;
• la mention de l’usage de la synthèse vocale dans la fabrication du matériel — préparée à votre demande ou lorsque la destination du programme l’exige.

Les deux derniers points font pour nous partie de la livraison, ce ne sont pas des formalités. Ce sont eux qui décideront de ce que vous pourrez faire du programme dans deux ans, et sur quels marchés vous pourrez l’exploiter.

Notre studio

Ce service n’est pas une couche de marketing posée sur l’outil d’un autre : c’est notre atelier de postproduction quotidien, dans lequel une étape est confiée à un modèle.

Olga Pasternak est spécialisée en montage des dialogues, ADR et montage son. Elle a débuté comme assistante du sound designer oscarisé Nicolas Becker, sur le film Kursk. Elle a travaillé comme supervising dialogue editor sur « The Substance », récompensé d’un Oscar, et a monté dialogues et postsynchronisation notamment sur la série Lupin, Le Tour du monde en 80 jours et Infiniti ; elle a également travaillé sur Une Année Difficile. Yohan Boisgontier assure le sound design, le bruitage et le mixage ; sur Triumph of the Heart, il a occupé avec Olga la fonction de supervising sound editor.

Nous travaillons dans une salle de montage et de mixage 5.1 à l’acoustique maîtrisée, sur Pro Tools Ultimate. Les retakes et la postsynchronisation sont enregistrés dans une cabine insonorisée équipée d’un microphone Neumann TLM 102, avec écran HD, caméra de direction et talkback relié à la régie de mixage. Pour le nettoyage des pistes, nous employons des outils de restauration de classe iZotope RX ; les fonds et les effets sont construits à partir d’une sonothèque de 4 To. Nous enregistrons et dirigeons en polonais, anglais, français et espagnol.

Notre studio de doublage se trouve à Varsovie, dans le quartier de Żoliborz, au 42 rue Śmiała. Les écoutes et la direction se font sur place ou à distance — vous suivez la séance et faites vos retours sans quitter votre bureau.

Pourquoi nous établissons un devis sur mesure plutôt qu’un tarif affiché

Nous n’avons pas de tarif de doublage, et nous y voyons un avantage plutôt qu’un manque. Une grille tarifaire devrait retenir l’hypothèse la plus lourde — vous paieriez alors aussi des étapes que votre programme ne comporte pas. Nous chiffrons exactement celles des seize opérations qui sont nécessaires, et nous disons clairement lesquelles tombent.

Ce qui détermine la charge de travail sur des services de doublage, c’est avant tout :

• la durée du programme et la densité des dialogues — une heure de conférence avec un seul intervenant n’est pas le même travail que vingt minutes de scènes où plusieurs personnages parlent en même temps ;
• le nombre de versions linguistiques — en localisation vidéo pour plusieurs marchés, une grande partie du travail (préparation de la piste, gabarit de mixage, raccords de fonds) est faite une fois et réutilisée dans chaque version : la langue suivante coûte donc moins que la première ;
• le niveau de synchronisation exigé — narration hors champ, calage sur le début et la fin des répliques, ou synchronisation labiale complète représentent trois charges de montage des dialogues différentes ;
• l’existence d’une V.I. (M&E) — avec musique et effets livrés séparément, nous posons le nouveau dialogue directement ; sans elle, il faut d’abord la reconstituer : retirer le dialogue du mixage, compléter les fonds, réenregistrer les effets manquants et le bruitage ;
• l’état des éléments source — un script et une liste de dialogues avec time-codes raccourcissent le travail ; sans eux, nous commençons par les relever à l’écoute ;
• le volume à enregistrer en cabine — quelques répliques, la postsynchronisation et l’ADR avec un comédien constituent une étape à part, absente de certains projets ;
• les mises à jour prévues — pour la formation et les vidéos produit, nous construisons le projet pour qu’une mise à jour consiste à ajouter un segment, non à tout réenregistrer.

Pour obtenir un devis, il nous suffit de la vidéo (ou d’un lien de visionnage), de la liste des langues cibles et de votre échéance. Si vous disposez d’un script, d’une liste de dialogues ou d’une V.I., joignez-les : nous donnons alors un montant et un planning précis, et non une fourchette.

Commander un doublage IA à Varsovie

Nous n’appliquons pas de tarif fixe — envoyez-nous le matériel et nous préparerons un devis et un planning, en précisant lesquelles des seize opérations sont nécessaires sur votre projet et lesquelles tombent. Écrivez à mail@allinsound.studio ou passez par la page contact , où figurent aussi les numéros directs d’Olga et de Yohan. Indiquez le nombre de versions linguistiques envisagées, l’existence ou non d’une V.I., et si le programme sera mis à jour par la suite.

Nous réalisons le doublage IA comme service à part entière ou dans le cadre d’une postproduction complète — avec les enregistrements de voix et de voix-off , le sound design , le mixage et le mastering et la restauration audio . Découvrez aussi l’offre complète du studio .

Vous souhaitez d’abord vous documenter ? Nous expliquons ce qu’est le doublage , ce qu’est l’ADR (postsynchronisation) et ce qu’est la postproduction sonore .

Équipement

• Pro Tools Ultimate — montage des dialogues, synchronisme et livraison
• Salle de montage et de mixage 5.1 à l'acoustique maîtrisée
• Cabine insonorisée, microphone Neumann TLM 102 — retakes et postsynchronisation
• Écran HD et caméra de direction, talkback relié à la régie de mixage
• Outils de restauration de classe iZotope RX et sonothèque de 4 To
• Versions PL, EN, FR, ES — livraison stéréo et 5.1, stems et V.I. (M&E), EBU R128