Faire parler un fruit : voix IA (ElevenLabs ou OmniVoice en local) et synchro labiale

Un fruit photoréaliste, c'est joli. Un fruit qui parle avec une vraie voix, qui soupire, chuchote ou panique, c'est un personnage. Dans SerialKiwix, la voix compte autant que l'image : Kiwix est un narrateur calme et velouté, le commissaire Ananas soupire avant chaque phrase, la stagiaire Myrtille parle trop vite.

Voici comment on fait, avec deux outils (l'un dans le cloud, l'autre sur notre PC) et une recette de synchro labiale qui tient en quelques réglages.

Créer une voix qui colle au personnage

Toutes les voix de la série sont inventées, pas copiées sur quelqu'un : elles viennent du Voice Design d'ElevenLabs, qui fabrique une voix à partir d'une description écrite. Notre façon de faire :

1. Une description en anglais, précise sur le timbre et le jeu. Celle de Kiwix : « Deep, velvety, low voice, very calm, slow and elegant diction, almost whispering, polite but chilling ». Celle d'Ananas : « Very deep, raspy, gravelly, tired voice, slow and world-weary… sighing between sentences ».
2. Un texte test d'au moins 100 caractères, dans le ton du personnage : avec une phrase trop courte, on n'entend pas grand-chose.
3. Trois propositions, et KALEXEX choisit.
4. Des voix contrastées : hauteur et débit différents d'un personnage à l'autre. Dans une scène à quatre, le spectateur doit savoir qui parle sans regarder.

On a ainsi créé 15 voix, toutes en français natif, rangées dans notre bibliothèque ElevenLabs et réutilisables dans d'autres projets.

💡 Astuce : pour un jumeau ou un cousin, garde la même voix. Bertrand la Banane, le frère jumeau de Bruno dans l'épisode 4, parle avec la voix de Bruno.

Jouer la réplique, pas seulement la lire

Avec le modèle eleven_v3, on dirige l'acteur avec des balises directement dans le texte : [whispers], [sighs], [shouting], [excited], [nervous], [panicked], [softly], [laughs]… Un « Aucun pépin. » chuchoté ne raconte pas la même chose qu'un « Aucun pépin. » satisfait.

Ensuite, un petit script prépare les répliques pour le montage :

• il raccourcit les pauses trop longues ;
• il applique un effet « vieille télé » (voix plus grave, son abîmé, écho) quand un personnage passe dans le journal télévisé de Cerise, gratuitement, avec ffmpeg ;
• il fabrique les copies rallongées dont la vidéo locale a besoin (on y revient plus bas) ;
• il mesure les durées, qui fixent le rythme du montage.

ElevenLabs ou OmniVoice ?

ElevenLabs est un service en ligne sur abonnement. Nous sommes sur la formule Creator (30 emplacements de voix). Le 31/10/2026, la page des prix affichait 22 $ par mois pour Creator (11 $ le premier mois en promotion), hors taxes éventuelles : vérifie le prix au moment de t'abonner. Le 28/09/2026, ElevenLabs a sorti Eleven v4 et v4 Turbo (plus de 90 langues, balises mieux suivies, d'après son billet d'annonce). Nos 15 voix ont été faites avec la génération v3 : on n'a pas encore comparé.

OmniVoice est un modèle de voix ouvert qui tourne en local, sur la carte graphique du PC. Il est déjà installé chez nous et peut cloner gratuitement les échantillons de référence de nos voix. D'après sa fiche officielle (consultée le 31/10/2026), il couvre plus de 600 langues et clone une voix à partir d'un court extrait et de sa transcription.

	ElevenLabs	OmniVoice (local)
Coût	abonnement mensuel	gratuit (électricité), sur ton PC
Créer une voix de zéro	Voice Design, très simple	possible (genre, âge, hauteur, accent), à tester
Jeu d'acteur	balises d'émotion, très fiable chez nous	balises comme [laughter]
Bruitages et musique	oui, dans le même outil	non
Notre usage	toutes les voix de la saison 1	installé sur le PC, pas encore utilisé dans un épisode
Licence (au 31/10/2026)	licence commerciale incluse à partir de la formule Starter, selon la page des prix	code Apache 2.0, modèle CC-BY-NC (pas d'usage commercial)

Notre choix, décidé par KALEXEX : on garde ElevenLabs pour les voix de la série. Le jeu d'acteur est fiable, et on y fait aussi nos bruitages et nos musiques. OmniVoice reste une option intéressante à tester si ton budget est à zéro et que ton projet est non commercial.

⚠️ Piège : la fiche d'OmniVoice interdit expressément de cloner une voix sans autorisation. Clone ta propre voix ou une voix créée pour ton projet, jamais celle d'un acteur ou d'une personne réelle sans son accord.

La synchro labiale : faire bouger la bouche au bon moment

Une voix off ne suffit pas pour un dialogue. Sur notre premier épisode, la v1 a été jugée « pas assez série » : les voix n'étaient pas synchronisées avec les bouches. La v3 a ajouté 13 répliques en gros plan avec synchro labiale.

Dans le cloud (épisodes 1 à 4)

On utilisait Wan 2.7 via Higgsfield (environ 1,5 crédit par seconde) : une image de départ en gros plan, bouche fermée, plus le fichier de la réplique. Pour les 13 plans parlants de l'épisode 1, ça a coûté environ 85 crédits. Défaut : un filtre de contenu un peu nerveux. Pêche a été refusée trois fois sur l'épisode 4. Notre parade : après deux refus, on change d'image de départ (cardigan boutonné, rien près de la bouche) ou on passe la réplique en voix off.

En local (depuis l'épisode 5)

On anime avec MiniMax H3 sur la carte graphique du PC, en donnant la réplique ElevenLabs comme guide audio. La recette :

1. L'image de départ : gros plan, « MOUTH CLOSED, eyes open, static camera ».
2. La réplique rallongée de silence jusqu'à 5,6 secondes. Sans cette rallonge, H3 invente une suite à la réplique… souvent en anglais.
3. Le prompt décrit le geste, jamais les mots :

<personnage> is speaking with natural lip movements synchronized,
then stays silent with the mouth closed.

1. On coupe au montage. H3 sort au minimum environ 4,5 secondes de vidéo. Après la fin de la voix, le personnage change d'expression : on coupe à la durée réelle de la réplique, et on garde le son ElevenLabs, pas celui de H3.

Résultat sur l'épisode 5 : une synchro correcte et aucun refus, Pêche comprise. « Correcte » ne veut pas dire « garantie » : on relit chaque plan parlant.

✅ À retenir : bouche fermée sur l'image de départ, réplique rallongée de silence, jamais les mots dans le prompt, et coupe au montage.

Les règles de montage qui rendent les dialogues naturels

• Une réplique longue commence en voix off sur le plan large, puis continue sur le plan parlant, en reprenant la réplique au temps déjà écoulé. La synchro est conservée, et on évite un gros plan de 8 secondes.
• Une réplique ne déborde jamais sur le plan suivant, et elle se termine au moins 0,3 seconde avant un fondu.
• Deux couleurs de sous-titres : le vert est réservé à la narration de Kiwix en voix off, le blanc aux répliques dites à l'écran. Le spectateur sait toujours qui parle et d'où.
• La musique baisse sous les voix, automatiquement, et le volume final tourne autour de −14 LUFS.

Et le son du reste ?

Les bruitages (le mixeur qui casse, la bulle de Mangue qui éclate, le rideau qui tombe) viennent aussi d'ElevenLabs. Chacun est calé sur l'image exacte de l'impact, et aucun son n'est sans image. Sur l'épisode 5, le « pop » de la bulle tombait un quart de seconde trop tôt : on l'a recalé.

Pour aller plus loin

Nos descriptions de voix, le script qui prépare les répliques et la recette complète des plans parlants en local sont détaillés pas à pas dans l'École Fruise. Le début de chaque cours sera gratuit.