Making-of : une scène de Kiwix fabriquée sur un PC, réglage par réglage

Une petite scène inédite de SerialKiwix, fabriquée de bout en bout le 31 octobre 2026 pour l'École Fruise : Kiwix, derrière le comptoir du bar « Pressé ! », pose un jus d'orange, regarde la caméra et lâche sa réplique. Puis un gros plan sur le verre… et le pépin noir.

Kiwix présente le jus du jour : la scène finale, 13,6 secondes

• Durée : 13,6 s (3 plans de 3,3 à 4,2 s + 2,8 s de carte de fin), 720x1280, 24 images/s, H.264 + AAC, ≈ −14 LUFS, 4,1 Mo.
• Image et vidéo : 100 % en local, sur le PC de KALEXEX (RTX 5080, 16 Go de VRAM), avec WanGP.
• Voix, bruitages, musique : ElevenLabs (cloud, abonnement Creator).
• Coût de calcul : 0 €, ≈ 7 min de carte graphique (≈ 0,01 € d'électricité, estimation : 7 min × 0,5 kW × 0,194 €/kWh).

Le découpage

Plan	Durée	Ce qu'on voit	Son
P1	3,6 s	Kiwix pose le verre de jus et le pousse vers nous, puis croise les mains	ambiance du bar, verre qui glisse, musique
P2	4,2 s	gros plan : il essuie un verre (son tic) et parle à la caméra	« Orange pressée minute… Elle n'a rien senti. » (synchro labiale)
P3	3,3 s	gros plan sur le verre, un pépin noir posé à côté	Kiwix en voix off : « Aucun pépin. », petit « ting »
fin	2,8 s	carte : ce qui a été fait en local, ce qui vient du cloud	fin de la musique

💡 Astuce : la chute reprend la signature de la série (le pépin noir + « Aucun pépin. »). Un gag récurrent fait plus rire qu'une blague nouvelle.

Étape 1 — Les images clés (Qwen Image 2.1, en local)

Références (dans l'ordre, décor d'abord) : <image1> = le décor du bar (03_DECORS/Bar_a_jus_Presse/Bar_ref_jour.png), <image2> = Kiwix au bar déjà validé dans l'épisode 2 (S01E02_P30.png). On n'a pas pris la fiche « tenue de jour » de Kiwix : son fond porte l'enseigne « FRESH SQUEEZE », qui contamine les images (règle notée dans la bible de la série).

Réglages (ceux de l'épisode 5) : qwen_image_21_7B, 864x1536, LoRA p_qwen_image_2.1_8step_v0.1 (Pruna), num_inference_steps 8, sample_solver "pruna", guidance_scale 1, video_prompt_type "I", custom_settings {"qwen21_kv_cache": "Disabled", "rgba": "Disabled"}.

Prompt du plan large (graines 81001 et 81101) :

Same juice bar as <image1>, bright morning light. Medium shot from the customer side of the counter: the kiwi barman from <image2> (an anthropomorphic kiwi fruit: egg-shaped body covered in scruffy matted golden-brown kiwi fur, large bulging round eyes with bright green irises, heavy furrowed brows, thick black handlebar mustache, wide unsettling toothy grin, thin furry brown arms, stubby furry legs; warm golden-brown fur, not olive, no beard, lime-green apron over a white short-sleeved shirt, small dark green bow tie) stands BEHIND the light wood counter and sets down on the counter, right in front of the camera, ONE tall glass of fresh orange juice with an orange slice on the rim, one furry hand still on the glass, polite proud smile, eyes wide open looking straight into the camera. Behind him the chrome citrus presses, a basket of oranges and the green neon sign of <image1> on the wall. He fills at least half of the frame height. He holds NOTHING else. Photorealistic anthropomorphic fruit characters, high-end 3D animated film look, cinematic lighting, vertical 9:16. No text, no letters, no logo, no watermark.

Prompt de l'insert (graines 81003 et 81103, référence : le décor seul) :

Same juice bar as <image1>, bright morning light. Close-up insert on the light wood counter: ONE tall glass of fresh orange juice with an orange slice on the rim, and right next to the glass, a single small shiny BLACK seed lying on the wood. Shallow depth of field, the bar softly blurred behind. [+ même fin de prompt : STYLE]

Temps mesuré : 4 images en 91 s au total, chargement du modèle compris (≈ 40 s la première fois), puis ≈ 10 à 15 s par image (débruitage 8 pas : 13,5 s avec 2 références, 8,6 s avec une seule).

Choix :

• 81101 retenue (image 02-image-cle-plan-large-graine-81101.jpg) : Kiwix bien derrière le comptoir, verre devant lui. Sur la 81001, ses pieds dépassent au-dessus du comptoir, on croirait qu'il est debout dessus.
• 81103 retenue pour l'insert. Raté : la 81003 a dessiné deux verres alors qu'on demandait « ONE tall glass » — d'où l'intérêt de toujours lancer 2 graines.
• Bonne surprise : Qwen a recopié l'enseigne lumineuse « Pressé ! » du décor, lisible. On ne lui demande jamais d'écrire un texte (il écrit mal), mais il recopie bien un texte présent dans une référence.

Étape 2 — Le gros plan parlant (et ce qui a raté)

On applique la règle de la série : le gros plan est généré à partir du plan large (<image1> = l'image 81101, <image2> = Kiwix de l'épisode 2), avec « MOUTH CLOSED, eyes open » pour préparer la synchro labiale.

Same juice bar and same kiwi barman as <image1>, exact same face, fur color and eye size. Medium close-up of the kiwi barman from <image2> ([bloc canonique + tenue]) BEHIND the counter, face and shoulders and his hands visible: he slowly wipes an empty drinking glass with a white cloth, head slightly tilted, a polite and slightly too wide smile, MOUTH CLOSED, eyes open, looking straight into the camera. Static camera. He holds NOTHING else. [+ STYLE]

Graines 81002 et 81102 : 53 s pour les deux.

• Raté : Qwen a gardé le cadrage du plan large. Les deux images sont des plans moyens, pas des gros plans, et la 81002 montre les dents (bouche ouverte).
• Correction gratuite : au lieu de relancer, on a recadré la 81102 (bouche presque fermée) : une découpe de 540x936 autour du visage et des mains. Comme le modèle vidéo travaille en 480x832, la découpe reste plus grande que ce qu'il utilise : aucune perte de qualité. Image 03-gros-plan-recadre-graine-81102.jpg (le cadre jaune = la découpe).
• La bonne formule pour la prochaine fois (règle X de la série) : « TIGHT close-up, face and shoulders only ».

✅ À retenir : avant de relancer une génération, demande-toi si un recadrage, un ralenti ou une coupe au montage ne suffisent pas. C'est gratuit et immédiat.

Étape 3 — La voix de Kiwix (ElevenLabs)

• Voix « SK - Kiwix » (02_VOIX/casting.json), modèle eleven_v3, sortie mp3_44100_192.
• Deux prises de la réplique : A = Orange pressée minute… Elle n'a rien senti. (3,47 s) ; B = la même avec [softly] et [pause] (4,13 s).
• Raté : la prise B a « mangé » le début (« …range près ses minutes »). On l'a repéré en transcrivant les prises avec Whisper (modèle small, sur le processeur du PC, pour laisser la carte graphique libre). Prise A retenue, prononcée parfaitement.
• Voix off du P3 : [whispers] Aucun pépin. (1,3 s).
• Rallonge pour MiniMax H3 : la prise A complétée de silence jusqu'à 5,6 s (ffmpeg -af apad=whole_dur=5.6). Sans rallonge, H3 invente une suite (souvent en anglais).

Étape 4 — Les plans vidéo (MiniMax H3 + LoRA Pika merge lite, en local)

Réglages (réglage par défaut de la série depuis le 30/10) : minimax_h3_fl2va_pruned, 480x832, video_length 124, image de départ (image_prompt_type "S"), LoRA pika_h3_flex_turbo_4step_fl2va_lite_r32 (310 Mo), num_inference_steps 4, guidance_scale 1, flow_shift 6, sample_solver "euler". Plans muets : audio_prompt_type "" ; plan parlant : audio_prompt_type "A" + audio_guide = la rallonge de 5,6 s.

Graine	Image de départ	Prompt (partie « integrated_multimodal_description »)	Retenu
82001 / 82101	81101	[Shot 1] Animated film style. In a sunny juice bar, the furry kiwi barman behind the counter slides the glass of orange juice a little toward the camera, lets go of it, then folds his hands and stares into the camera with a polite, too-wide smile. He does not speak. Static camera unless stated.	82101
82002 / 82102	recadrage 81102	[Shot 1] Animated film style. The furry kiwi barman with a black mustache, behind the counter, slowly wiping a glass with a white cloth, looks into the camera and is speaking with natural lip movements synchronized, then stays silent with the mouth closed. Static camera unless stated.	82002
82003	81103	[Shot 1] Animated film style. Close-up of a glass of orange juice on a wooden counter, a single black seed beside it. Very slow push-in, tiny bubbles rising in the juice. Static camera unless stated.	82003

Chaque prompt se termine par overall_soundscape: … (ex. « Juice bar morning ambience, a glass sliding on a wooden counter. ») et non_diegetic_music: N/A. On ne garde pas le son de H3 au montage.

Temps mesuré : 5 plans en 4 min 30 (270 s), chargement compris. Le détail du journal est instructif :

• encodage du texte : 32 à 50 s chaque fois que le prompt change… et 0 s quand on relance le même prompt avec une autre graine ;
• débruitage (4 pas) : ≈ 12 s ; décodage de l'image (VAE) : ≈ 9 s.

💡 Astuce : une deuxième graine du même plan ne coûte qu'environ 22 s, contre ≈ 55 s pour un nouveau plan. Lance toujours tes 2 graines à la suite, dans le même lot.

Relecture (6 images par plan, à 0,2 / 0,8 / 1,6 / 2,6 / 3,6 / 4,6 s) :

• P2 réussi : la bouche suit bien « Orange pressée minute… », puis sur « Elle n'a rien senti. » Kiwix plisse les yeux avec un grand sourire inquiétant. Exactement le jeu voulu, sans l'avoir demandé (image 04-plan-parlant-h3-graine-82002.jpg). 82102 est correct mais moins expressif.
• Raté : sur les deux versions du P1, Kiwix ouvre la bouche pendant la première seconde comme s'il parlait, alors qu'il est muet. Correction au montage : P1 commence à 0,9 s dans la source.
• Dérive : en fin de plan, ses yeux deviennent plus petits et plus gentils que sur la référence. Pas gênant ici (on coupe à 4,5 s), mais c'est la limite connue du modèle : un plan peut démarrer juste et dériver à la fin.
• Raccord imparfait : à la coupe P1 → P2, le verre de jus posé est remplacé par un verre vide qu'il essuie. Ça passe parce que c'est son tic de barman, mais sur un vrai épisode, la checklist de cohérence l'aurait signalé.

Étape 5 — Bruitages et musique (ElevenLabs)

Son	Commande (/v1/sound-generation ou /v1/music)	Durée	Calage
verre qui glisse	A tall glass of orange juice set down on a wooden bar counter and slid forward a short distance, soft glass on wood, close-up, no music	2,5 s	pic du son à 1,46 s, calé sur le verre qui glisse (on coupe les 0,9 premières secondes)
« ting » du pépin	Tiny bright crystal ting, a single small sparkle chime, short and soft, cartoon	1 s	1,9 s après le début du P3, juste après « Aucun pépin. »
musique	Short quirky lounge jazz cue for a comedy horror cartoon set in a sunny juice bar: pizzicato strings, soft vibraphone, brushed drums, walking upright bass, playful but with a slightly creepy undertone, ends on a sly final note. Instrumental only. (16 s, force_instrumental)	16 s	démarrée à 0,9 s pour que sa note finale tombe sur la carte de fin
ambiance du bar	réutilisée depuis la bibliothèque de la série (06_MUSIQUE_SFX/ambiances/bar_a_jus_matin.mp3)	15 s	passe-bas 6 kHz, très bas

Étape 6 — Le montage (ffmpeg, sur le serveur)

• Les plans 480x832 sont agrandis en 738x1280 (lanczos) puis recadrés en 720x1280, passés à 24 images/s.
• Textes (étiquette « École Fruise · démo », sous-titres, carte de fin) : des calques PNG transparents dessinés en HTML/CSS (polices Anton et Poppins) et photographiés par Playwright + Chrome, puis superposés avec overlay. Tout texte est composé au montage, jamais demandé à l'IA.
• Sous-titres : blancs pour la réplique à l'écran, vert kiwi pour la voix off de Kiwix (règle de la série).
• Son : la musique est « sidechainée » (elle s'efface quand Kiwix parle), puis normalisation en deux passes à −14 LUFS, limiteur, AAC 48 kHz.
• Script complet : scripts/videos/demo/montage_demo.py ; calques : scripts/videos/demo/calques.html + calques.mjs.

Ce qui a raté au montage (et comment on l'a corrigé) :

1. Le fondu vers la carte de fin refusait de se faire (xfade : bases de temps différentes entre les plans et l'image fixe) → fps=24,settb=1/24 sur les deux entrées.
2. La musique s'arrêtait net à la fin de la voix : le compresseur « sidechain » s'arrête quand sa clé (la voix) s'arrête. Correction : rallonger la voix de silence jusqu'à la fin (apad) avant de s'en servir comme clé. Le même piège existait dans les vidéos explicatives : corrigé partout.
3. Au premier montage, musique + ambiance étaient à 3 dB seulement sous la voix : baissées (musique 0,2, ambiance 0,4), la musique remonte sur la carte de fin.

Contrôle final : ffmpeg -af loudnorm=print_format=summary → −14,4 LUFS, pic −1,3 dBTP ; relecture image par image (2 images/s).

Bilan

Poste	Valeur mesurée
Images Qwen	6 générées (3 retenues, dont 1 recadrée) — 91 s + 53 s
Plans vidéo H3 + Pika	5 générés, 3 retenus — 270 s
Carte graphique au total	≈ 414 s ≈ 7 min (chargements compris)
Coût de calcul	0 € (électricité ≈ 0,01 €, estimation)
Quota ElevenLabs	94 crédits relevés dans les réponses de l'API (voix : 19 + 26 + 10 = 55, dont la prise ratée ; bruitages : 28 + 11 = 39) + 1 musique de 16 s (l'API ne renvoie pas son coût : à lire dans l'historique du compte ElevenLabs)

⚠️ Piège : licences. Les modèles locaux utilisés ici ont des licences à lire avant tout usage commercial (lues le 31/10/2026) : MiniMax H3 et le LoRA Pika = licence « Community » dont le territoire exclut l'Union européenne ; Qwen Image 2.1 = licence de recherche, non commerciale. Une démo pédagogique gratuite ne pose pas les mêmes questions qu'une vidéo vendue : à trancher par KALEXEX avant de mettre cette vidéo derrière un paiement.

La fabrication en images

Et toi ?

Chaque étape de ce making-of est détaillée pas à pas dans l'École Fruise : le cours « Produire gratuitement en local » pour WanGP, Qwen Image et MiniMax H3, et le cours « Voix, bruitages et musique qui font pro » pour le son. La première leçon de chaque cours est gratuite.