La musique sous une vidéo parlée échoue d’une façon précise et prévisible. Vous choisissez un morceau, vous réglez son volume pour que l’intro semble vivante, vous exportez — et la vidéo finie est une bagarre. Non que la musique soit mauvaise : c’est qu’un niveau constant est la mauvaise forme pour de la parole. Une voix n’est pas constante : elle monte vers une pointe, retombe en fin de phrase, disparaît entièrement pendant que vous respirez. Un tapis musical tenu à une seule hauteur est trop fort dès que vous parlez doucement et trop faible à l’instant où vous vous taisez, si bien que l’oreille du spectateur renégocie sans fin quel son suivre. Pire : la voix et la musique habitent au même endroit. Les instruments qui rendent un morceau chaleureux — guitares, claviers, cordes, la plupart des voix chantées — occupent les mêmes quelques octaves que la parole humaine ; les deux ne s’empilent pas, ils se masquent. Baisser tout le morceau ne résout rien ; cela déplace seulement la bagarre vers un volume plus bas, et les pauses semblent désormais vides au lieu d’être mises en musique. Le problème n’est pas le niveau. C’est que le niveau ne change jamais.
La radio et la télévision ont résolu cela il y a des décennies, avec une main sur un fader. Écoutez de près n’importe quel documentaire bien fait : la musique n’est jamais à un seul volume. Quelqu’un en régie la conduit — nettement baissée sous le premier mot de la parole, tenue là tant que la voix continue, remontée dans les pauses qui sont vraiment des pauses, celles entre les sections plutôt qu’entre les mots. L’auditeur ne remarque jamais les mouvements, et c’est là le métier : les rampes sont assez lentes pour être invisibles, une fraction de seconde de glissement plutôt qu’un claquement. L’effet est exactement ce que promet le nom anglais — la musique se baisse, ducks, comme une personne debout entre vous et une scène se baisse quand la pièce commence. Ce que l’auditeur éprouve n’est pas « la musique a baissé » mais « la voix est importante ». Bien fait, le ducking n’est pas une astuce technique mais une déclaration de priorité, émise en continu, soixante fois par vidéo, sans une seule pensée consciente du public. Fait à la main, c’est aussi un après-midi de travail par vidéo — et c’est pour cela que l’automatisation existe.
L’automatisation faite grossièrement a son propre mode d’échec, et il a un nom : le pompage. Un ducker naïf suit la voix trop littéralement. Chaque trou dans la parole, si petit soit-il, est lu comme du silence, alors la musique remonte entre vos mots et replonge à la syllabe suivante — haut, bas, haut, bas, au rythme de votre respiration. Le morceau cesse d’être un tapis et devient un battement de cœur, et l’auditeur, incapable de dire ce qui cloche, sait que quelque chose cloche. Le remède est une distinction que la version grossière rate : tous les trous ne sont pas des pauses. L’espace entre deux mots n’est pas une pause ; le temps où vous reprenez de l’air au milieu d’une phrase non plus. Une vraie pause — la fin d’une pensée, une frontière de section, la seconde de silence délibérée avant un argument — est assez longue pour que le retour de la musique veuille dire quelque chose. La règle qui sépare le bon ducking du pompage est donc simple à énoncer : les trous plus courts qu’une respiration doivent rester baissés. Ce n’est que lorsque le silence est assez long pour être intentionnel que le tapis a le droit de remonter.
L’éditeur de Talk2Camera intègre cette règle. Posez une piste musicale sous le montage, activez le ducking, et le mixage se conduit tout seul : pendant que vous parlez, la musique descend à environ un quart du niveau que vous lui avez fixé, et dans les vraies pauses elle remonte, avec des rampes d’environ un tiers de seconde pour que les mouvements glissent au lieu de claquer. Les trous plus courts qu’une respiration restent baissés, si bien que le tapis ne pompe jamais au rythme de votre phrasé. Ce qui compte comme « pendant que vous parlez » vient de la prise elle-même : sur iPhone, de la transcription de la prise ; sur Android, de l’analyse de l’audio de la prise — ce qui veut dire que cela fonctionne même si vous avez enregistré sans script et qu’il n’y a aucun texte sur lequel s’appuyer. Et comme tout ce qui vit dans la chaîne d’exportation, c’est une décision, pas un engagement : l’enregistrement original reste intact, vous pouvez donc exporter avec ducking pour le tutoriel, sans pour la bande-annonce, ou changer entièrement de musique, le tout depuis la même prise.
Les décisions restantes vous appartiennent, et elles sont musicales plutôt que techniques. Réglez le niveau du morceau pour les pauses, pas pour la parole — le ducking s’occupera de la parole ; le niveau que vous choisissez est celui que le spectateur entend quand vous vous taisez, et c’est là qu’un tapis trop fort se trahit. Préférez une musique qui a les moyens d’être un fond : instrumentale plutôt que chantée, car une deuxième voix sous la vôtre est le masquage sous sa pire forme ; régulière plutôt que dramatique, car un morceau plein de montées se bat contre le travail honnête du ducker avec ses propres effets de théâtre. Puis réécoutez une fois, les yeux fermés. Si vous pouvez suivre chaque mot sans effort et remarquer malgré tout, dans les pauses, que la vidéo a une humeur, le mixage est juste. Si vous remarquez la musique pendant que vous parlez, elle est trop forte à son niveau de base ; si les pauses semblent vides, elle est trop faible. Un seul passage de ce test suffit en général — ce qui, à côté d’un après-midi de fader tenu à la main, est tout l’argument.