guia-matthieu/clawfu-skills/ai-voice-design

J'ai besoin d'une voix pour ma pub [produit]. Le ton doit être [description]. Aide-moi à la designer.

Je veux cloner cette voix [description/échantillon]. Guide-moi à travers le process avec [ElevenLabs/Qwen3-TTS].

J'ai 3 personnages dans ma vidéo: [descriptions]. Crée le casting vocal.

## Comparatif ElevenLabs vs Qwen3-TTS
 
| Critère | ElevenLabs | Qwen3-TTS |
|---------|------------|-----------|
| **Prix** | $5-$330/mois | Gratuit (open-source) |
| **Qualité** | Excellente | Excellente |
| **Voice cloning** | 1-5 min audio | 3 sec audio |
| **Langues** | 29+ | 10 (EN, FR, DE, ES, IT, PT, RU, ZH, JP, KO) |
| **Latence** | ~200ms | 97ms (streaming) |
| **Self-hosted** | Non | Oui |
| **Voice design** | VoiceLab | Description textuelle |
| **API** | Cloud | Local ou cloud |
 
### Arbre de décision
 
**Q1: Budget disponible?**
- $0 (gratuit) → Qwen3-TTS
- $5-$100/mois → ElevenLabs Starter/Creator
- $100+/mois → ElevenLabs Pro
 
**Q2: Besoin de self-hosting?**
- Oui (données sensibles) → Qwen3-TTS
- Non → ElevenLabs ou Qwen3-TTS
 
**Q3: Langue requise parmi FR, EN, DE, ES, IT, PT, RU, ZH, JP, KO?**
- Oui → Les deux fonctionnent
- Non (autre langue) → ElevenLabs
 
**Q4: Latence critique (real-time)?**
- Oui → Qwen3-TTS (97ms)
- Non → Les deux

## Template de Description de Voix
 
### Caractéristiques de base
**Genre:** [ ] Masculin [ ] Féminin [ ] Non-binaire
**Âge apparent:** [20s / 30s / 40s / 50s / 60s+]
**Registre:** [ ] Grave [ ] Medium [ ] Aigu
 
### Qualités vocales
**Texture:**
[ ] Lisse/Veloutée [ ] Rauque/Gravelly
[ ] Nasale [ ] Claire [ ] Résonante
 
**Énergie:**
[ ] Calme/Posée [ ] Dynamique [ ] Intense
[ ] Chaleureuse [ ] Froide/Distante
 
**Rythme:**
[ ] Lent/Délibéré [ ] Modéré [ ] Rapide
[ ] Varié (storytelling)
 
### Accent/Origine
**Accent:** [Ex: Français neutre, British RP, Southern US, etc.]
**Particularités:** [Ex: légèrement rauque le matin, sourire dans la voix]
 
### Contexte d'utilisation
**Marque/Produit:** ________________________________
**Ton de la campagne:** ________________________________
**Personnage (si fiction):** ________________________________
 
### Exemples de référence (optionnel)
**Voix similaire à:** [Célébrité, personnage, pub connue]
**Éviter:** [Ce qu'on ne veut pas]

## Voice Brief: Pub NeuroBoost
 
**Profil:**
Homme, 40s, registre grave-medium
 
**Qualités:**
- Texture résonante et autoritaire mais pas intimidante
- Énergie posée, confiante, légèrement inspirante
- Rythme délibéré avec pauses stratégiques
 
**Accent:**
Français international (pas d'accent régional marqué)
Diction parfaite, articulation claire
 
**Références:**
- Similaire à: Morgan Freeman mais version française
- Éviter: Ton commercial agressif, urgence artificielle
 
**Notes:**
Cette voix doit incarner l'expertise et la confiance.
Le spectateur doit sentir qu'il reçoit un conseil d'un
mentor plutôt qu'un pitch de vendeur.

## Process de clonage ElevenLabs
 
### Instant Clone (1-5 min audio)
**Qualité:** Bonne (80% fidélité)
**Usage:** Tests, itération rapide
 
1. Préparer audio source:
   - 1-5 minutes de parole claire
   - Pas de musique de fond
   - Qualité minimum: 128kbps
   - Formats: MP3, WAV, M4A
 
2. Dans ElevenLabs:
   - Voice Lab → Add Voice → Instant Clone
   - Upload audio
   - Nommer la voix
   - Tester avec phrase sample
 
### Professional Clone (30+ min audio)
**Qualité:** Excellente (95%+ fidélité)
**Usage:** Production commerciale
 
1. Préparer corpus audio:
   - 30-60 minutes idéalement
   - Variété d'émotions et tons
   - Phrases complètes, pas de mots isolés
   - Studio quality (256kbps+, pas de bruit)
 
2. Soumettre pour training
   - Délai: 24-48h
   - Coût: Inclus dans plan Pro+
 
### Paramètres de génération
- **Stability:** 50-70% (naturel) / 80%+ (consistant)
- **Clarity:** 75%+ recommandé
- **Style:** 0-100% selon expressivité souhaitée

## Process de clonage Qwen3-TTS
 
### Zero-shot Clone (3 sec audio)
**Qualité:** Très bonne
**Usage:** Toute production
 
1. Préparer référence:
   - 3-10 secondes de parole claire
   - Pas de bruit de fond
   - Émotion neutre ou représentative
 
2. API Python:

 
### Voice Design par texte

 
### Paramètres avancés
- **emotion:** "neutral", "happy", "sad", "angry", "surprise"
- **speed:** 0.5 (lent) à 2.0 (rapide)
- **pitch:** -10 à +10 (demi-tons)

## Casting Vocal Multi-personnages
 
### Template de casting
 
| Personnage | Description | Voix | Source |
|------------|-------------|------|--------|
| [Nom] | [Description physique/personnalité] | [Specs vocales] | [Clone/Design/Stock] |
 
### Exemple: Pub avec 3 personnages
 
| Personnage | Description | Voix | Source |
|------------|-------------|------|--------|
| CEO Emma | 35 ans, confiante, leader | Femme, medium, autoritaire-warm | Design: "Confident female executive..." |
| Dev Tom | 28 ans, geek enthousiaste | Homme, medium-aigu, rapide | Stock: "Young professional male" |
| Client Marc | 50 ans, sceptique puis convaincu | Homme, grave, hésitant→assuré | Design: "Skeptical older businessman..." |
 
### Règles de différenciation
- **Registres variés:** Grave, Medium, Aigu
- **Rythmes différents:** Lent vs Rapide
- **Accents distincts:** Si approprié au contexte
- **Énergies contrastées:** Calme vs Dynamique
 
### Workflow multi-voix
1. Générer chaque réplique séparément
2. Nommer fichiers: `P1_Emma_Line01.wav`
3. Assembler dans timeline audio
4. Vérifier cohérence de volume (normaliser à -6dB)

## Intégration Voix + Vidéo IA
 
### Option A: Veo 3.1 (Audio natif)
La voix est générée par Veo avec la vidéo.
 

 
Limitation: Moins de contrôle sur la voix exacte.
 
### Option B: Kling 2.6 Motion Control
Lip-sync depuis vidéo "driving".
 
1. Enregistrer vous-même le dialogue
2. Utiliser Kling avec driving video
3. Le lip-sync suit votre performance
4. Remplacer audio par voix IA en post
 

 
### Option C: Génération séparée + Post-sync
Pour contrôle maximum.
 
1. Générer vidéo sans audio (Runway, Pika)
2. Générer voix séparément
3. Synchroniser en post-production
4. Ajuster timing manuellement si besoin
 
Outils de sync:
- DaVinci Resolve (gratuit)
- Adobe Premiere
- D-ID (sync automatique)
 
### Checklist Lip-sync
- [ ] Timing voix correspond au mouvement des lèvres
- [ ] Pauses naturelles alignées
- [ ] Volume équilibré avec ambiance
- [ ] Pas de décalage visible (max 2-3 frames)

## Spécifications Audio Finales
 
### Format de sortie
- **Codec:** AAC ou WAV
- **Sample rate:** 48kHz (standard vidéo)
- **Bit depth:** 24-bit (WAV) ou 256kbps (AAC)
- **Channels:** Stereo ou Mono selon usage
 
### Niveaux recommandés
- **Voiceover:** -6dB à -3dB peak
- **Dialogue:** -12dB à -6dB
- **Ambiance:** -18dB à -12dB
- **Musique:** -12dB à -9dB (sous voix)
 
### Mastering basique
1. Normaliser tous les clips voix à -6dB
2. Appliquer compression légère (ratio 2:1)
3. EQ: couper sous 80Hz, boost léger 2-4kHz (clarté)
4. Limiter à -1dB pour éviter clipping
 
### Deliverables

Genre: Masculin
Âge: 55-65 ans
Registre: Grave, profond

Texture: Résonante, veloutée, avec légère patine
         (comme un bois noble ou un cuir vintage)
 
Énergie: Posée, contemplative, jamais pressée
         Chaque mot est choisi, chaque pause est intention
 
Rythme: Très lent, délibéré
        4-5 mots par respiration
        Pauses de 1-2 secondes entre phrases
 
Diction: Parfaite, aristocratique sans être snob
         Consonnes précises, voyelles riches

Create a distinguished male voice in his 60s.
Deep, resonant baritone with natural gravitas.
Speaking style: slow, deliberate, contemplative.
British Received Pronunciation with slight warmth.
Texture like aged whiskey - smooth with depth.
The voice of someone who has seen much and
speaks only when it matters.