Ce qu'est une photo parlante
Une photo parlante part de deux éléments : une image fixe d'une personne et une piste audio. Un modèle vidéo IA lit l'onde sonore de la voix, associe les phonèmes aux mouvements de la bouche et génère de nouvelles images vidéo où la personne sur la photo prononce la réplique.
Les anciens outils se contentaient de coller une bouche animée sur un visage figé. La mâchoire bougeait, les joues restaient immobiles et les yeux fixaient le vide. Les modèles vidéo actuels guidés par l'audio animent toute l'image. Quand la voix reprend son souffle, la poitrine et les épaules se soulèvent. Quand un mot monte dans les aigus, les sourcils se haussent et la tête s'incline. Les paupières clignent entre les phrases et les mains bougent si elles sont visibles à l'écran.
Dans Doppelshot, tu n'as pas besoin d'enregistrer une vidéo de référence ni d'envoyer dix angles de ton visage. Tu ouvres la carte Dis-le, tu envoies un selfie ou tu choisis un portrait IA déjà créé dans l'application, tu tapes le texte à prononcer et tu choisis une voix. L'application génère d'abord la piste vocale, puis transmet la photo et l'audio au modèle vidéo. Tu obtiens une vidéo verticale prête pour TikTok, Instagram Reels ou YouTube Shorts.
Choisir la photo
Le modèle vidéo ne peut travailler qu'avec ce qui est visible sur l'image de départ. Chaque détail caché force l'IA à deviner, et c'est là que les visages commencent à se déformer.
Utilise une photo de face où la personne regarde droit vers l'objectif ou légèrement de côté. La bouche doit être bien visible. Une bouche fermée et détendue ou un léger sourire offre le point de départ le plus propre. Si la personne rit à pleine bouche, le modèle considère cette mâchoire ouverte comme le visage au repos, ce qui rend les pauses entre les mots étranges.
Garde le visage dégagé de tout obstacle :
- Pas de main qui couvre le menton ou la joue.
- Pas de micro, de tasse de café ni de nourriture devant les lèvres.
- Pas d'ombre marquée qui coupe la bouche ou les yeux.
- Pas de lunettes de soleil, car le regard fait la moitié du travail pour rendre la parole crédible.
Tu peux utiliser un simple selfie pris au téléphone, un portrait studio ou une image stylisée générée sur une carte photo Doppelshot, comme un portrait argentique vintage ou une affiche de film. Les gros plans comme les plans taille fonctionnent. Un gros plan concentre l'attention sur les yeux et la synchronisation labiale. Un plan taille laisse au modèle la place de bouger les épaules et les mains pendant la prise de parole. Chaque personne présente sur une photo envoyée doit être majeure (18+) et avoir accepté d'apparaître dans du contenu généré par IA.
Écrire pour neuf secondes
La plupart des courts clips parlants durent neuf ou dix secondes. Dans une conversation normale, neuf secondes correspondent à environ 20 à 25 mots.
Si tu colles un paragraphe de 60 mots dans un clip court, le générateur vocal va soit débiter le texte à toute vitesse, soit être coupé au milieu d'une phrase à la fin de la vidéo. Si tu écris trois mots, la personne parle pendant une seconde et passe les huit secondes restantes à cligner des yeux en silence.
Écris comme on parle, pas comme on rédige un e-mail :
- Fais des phrases courtes. Deux phrases de dix mots sonnent beaucoup plus naturelles qu'une seule phrase de vingt mots avec trois propositions.
- Utilise la ponctuation pour contrôler la respiration. Une virgule crée une brève pause dans la voix. Un point fait fermer la bouche, baisser légèrement le menton et reprendre son souffle avant la phrase suivante.
- Écris les nombres et les abréviations en toutes lettres pour que la voix les lise exactement comme tu le souhaites.
- Lis ton texte à voix haute à un rythme normal et posé en regardant un chronomètre. Si tu dépasses neuf secondes, retire quelques mots.
Quand tu as besoin d'un monologue plus long ou d'une annonce, passe sur un modèle qui accepte les durées longues, ou crée un dialogue à deux sur la carte Créer un podcast.
La voix : en choisir une ou cloner la tienne
Le réalisme d'une photo parlante dépend autant de la piste audio que des pixels de la vidéo. Comme le modèle vidéo se cale sur l'onde sonore, une voix plate et robotique produit un visage plat et figé.
Doppelshot utilise ElevenLabs (Eleven v4) pour sa bibliothèque de voix. Tu peux choisir parmi une trentaine de voix de différents styles et tons, ou laisser le sélecteur sur Auto pour que l'application choisisse une voix adaptée à la personne sur ta photo. La voix parle dans la langue dans laquelle tu écris ton texte. Tu peux aussi donner une indication de jeu à la voix, comme doux, amusé ou essoufflé, pour que la réplique semble parlée plutôt que lue sur une feuille.
Si la photo te représente, entendre la voix d'un inconnu sortir de ton visage peut sembler bizarre à tes proches. Tu peux cloner ta propre voix directement dans l'application. Tu enregistres une seule fois un court extrait de consentement dans ton navigateur, et le clone est prêt en quelques minutes. Il s'ajoute aux voix de la bibliothèque et fonctionne sur toutes les cartes parlantes.
Donner une direction de jeu
Une personne qui parle face caméra reste rarement figée dans la même posture du premier au dernier mot. Elle lève les yeux en réfléchissant, hoche la tête sur un mot important ou sourit après une chute.
Plusieurs modèles parlants te permettent d'ajouter une courte indication de mise en scène à côté de ton texte. Cette direction indique au modèle vidéo ce que font la personne et la caméra pendant la lecture de l'audio.
Garde une direction simple et physique. Décris une ou deux petites actions qui tiennent en neuf secondes :
- "Regarde droit vers l'objectif, hoche la tête une fois, puis sourit à la fin."
- "Parle calmement en penchant légèrement la tête, lumière intérieure chaude."
- "Tient une tasse de café, lève les yeux vers la caméra et parle doucement."
Évite d'accumuler plusieurs grandes actions dans un clip court. Demander à une personne de se lever, traverser une pièce, faire signe de la main et se rasseoir en neuf secondes provoque des mouvements rapides et artificiels qui détournent l'attention du visage et cassent la synchronisation labiale.
Quel modèle choisir : OmniHuman, LTX, HeyGen, Kling, Creatify
Chaque carte parlante dans Doppelshot tourne sur un moteur par défaut, et tu peux changer de modèle avant de lancer la génération. Chaque modèle est conçu pour un type de plan différent. Le prix s'affiche avant de lancer.
OmniHuman 2.0 (ByteDance). Conçu pour la parole expressive, le langage corporel et le chant. Il suit la voix de près en calant les lèvres, la respiration et les gestes des mains sur l'audio. Comme il accepte une direction écrite, tu peux indiquer à la personne comment réagir en parlant. Il fonctionne sur les gros plans comme sur les plans en pied, avec des durées de 10, 20 ou 30 secondes.
LTX 2.5 (Lightricks). Conçu pour un plan cinématographique jusqu'à 9 secondes (environ 25 mots). Alors que la plupart des moteurs d'avatars se concentrent uniquement sur le sujet, LTX traite le clip comme un réalisateur : il anime la personne qui parle au sein d'une scène complète avec cadrage, éclairage, mouvement de caméra et ambiance sonore mixée ensuite. Choisis-le quand l'environnement autour de la personne compte autant que les mots.
HeyGen Avatar 4. Réglé pour l'expression du visage, le mouvement des sourcils et le contact visuel. Il conserve le rendu de la photo d'origine tout en donnant à la personne la présence d'un animateur face caméra. Il fait aussi tourner la carte Trois émotions, où ta photo prononce la même réplique de trois façons différentes dans un seul clip.
Kling Avatar et Kling Avatar Pro (Kuaishou). Le choix pratique pour les textes longs. Kling Avatar gère des vidéos parlantes de 10 à 60 secondes, facturées par tranche de 10 secondes. La version standard est le moyen le plus économique de produire une longue annonce ou une intro ; la version Pro conserve des détails du visage plus fins et un mouvement plus stable sur les longues prises.
Creatify Aurora. Entraîné sur des vidéos de présentateurs et des publicités UGC. Il donne à la personne une adresse directe et assurée face à la caméra, pensée pour les présentations de produits et les accroches vidéo sur les réseaux sociaux jusqu'à 20 secondes.
Pour suivre les étapes de création de ton premier clip, consulte la page d'aide sur comment faire parler ou chanter une photo.
Pourquoi ça rate, et comment corriger
Même les bons modèles échouent quand les éléments fournis les poussent hors de ce pour quoi ils ont été entraînés. Voici les problèmes les plus fréquents et comment les éviter avant de dépenser des crédits.
Le visage se déforme quand la tête tourne. Tu as envoyé une photo de profil ou de trois-quarts où seuls un œil et la moitié de la bouche sont visibles. Quand la personne se tourne vers la caméra, l'IA doit inventer la moitié manquante du visage. Solution : utilise une photo de face où les deux yeux et les deux coins de la bouche sont bien dégagés.
Les dents ou les lèvres sont floues. La photo d'origine est en basse résolution, très compressée ou trop sombre autour de la bouche. Solution : pars d'un selfie bien éclairé, ou passe d'abord la photo dans l'outil d'agrandissement pour donner au modèle des contours nets au niveau des lèvres.
La parole est coupée à la fin. Le texte contient trop de mots pour la durée de clip sélectionnée. Solution : réduis le texte à environ 20 ou 25 mots par tranche de 10 secondes, ou passe le sélecteur de durée sur 20 ou 30 secondes.
La voix prononce mal un nom ou un acronyme. Les modèles vocaux devinent la prononciation à partir de la langue du texte. Solution : écris le mot difficile phonétiquement dans le champ de texte pour que le générateur audio lise exactement les sons voulus.
La personne a l'air figée entre les phrases. Il y a un long silence dans le texte ou aucune direction n'a été donnée. Solution : supprime les pauses vides en resserrant le texte, ou passe sur OmniHuman et ajoute une indication d'action simple comme "sourit légèrement à la fin."
FAQ
Est-ce que je peux faire parler une photo avec ma propre voix ?
Oui. Tu enregistres une seule fois un court extrait vocal dans l'application web Doppelshot. Ta voix clonée est prête en quelques minutes et apparaît à côté des 30 voix de la bibliothèque sur toutes les cartes parlantes.
Quelle peut être la durée d'une vidéo de photo parlante IA ?
Jusqu'à 60 secondes, selon le modèle choisi. LTX 2.5 crée des clips jusqu'à 9 secondes, Creatify Aurora va jusqu'à 20 secondes, OmniHuman monte jusqu'à 30 secondes et Kling Avatar accepte des textes de 10 à 60 secondes.
Faut-il envoyer 20 selfies pour créer une vidéo parlante ?
Non. Une seule photo nette prise de face suffit pour toutes les cartes qui parlent ou qui chantent. Tu n'utilises 10 à 20 selfies que si tu veux d'abord créer un jumeau IA réutilisable pour générer de nouvelles scènes en photo.
Est-ce que je peux utiliser la vidéo parlante pour des projets commerciaux ou des publicités sur les réseaux sociaux ?
Oui. Chaque résultat payant sur Doppelshot inclut une licence commerciale sans filigrane visible et comporte un marqueur IA lisible par machine conforme aux règles européennes. Les aperçus gratuits comportent une marque visible et sont réservés à un usage personnel.
