Comment créer une vidéo avec voix off : guide étape par étape
Découvrez comment créer une vidéo avec voix off : enregistrez une narration claire, synchronisez-la avec vos images, ajoutez des sous-titres et exportez un son impeccable sur tous les appareils.

Vous avez enregistré un tutoriel sur tableur, mais au visionnage, le rendu manque de naturel. Vous expliquez une formule alors que le curseur est encore en train d'ouvrir un menu, puis vous survolez le résultat à toute vitesse parce que l'enregistrement d'écran est déjà passé à la suite. Apprendre comment faire une voix off sur une vidéo commence par séparer ces deux étapes, afin de pouvoir ajuster la narration sans avoir à réenregistrer toute la démonstration.
Sommaire
- Les deux pistes derrière chaque vidéo avec voix off
- Choisir une narration humaine ou par IA avant d'enregistrer
- Comment enregistrer et monter la narration pas à pas
- Synchroniser la narration avec les visuels sur la timeline
- Sous-titres et audiodescription pour le visionnage sans le son
- Tester l'export sur de vrais appareils avant le rendu
Les deux pistes derrière chaque vidéo avec voix off
Une vidéo avec voix off associe des séquences visuelles à une piste de narration enregistrée séparément. Vous les planifiez ensemble, mais vous les montez indépendamment. C'est ce qui vous permet de remplacer une phrase, de prolonger une capture d'écran ou de vous attarder sur un graphique sans avoir à tout recommencer.
Pour le tutoriel sur tableur, écrivez ce que le spectateur doit comprendre avant d'enregistrer le moindre clic. Expliquez l'objectif de la formule, montrez l'action, puis décrivez le résultat. Lisez le script à voix haute avec un chronomètre, et supprimez tout ce qui retarde l'information utile.
Règle pratique : Raccourcissez un script trop long avant d'y associer des images. Accélérer la voix résout rarement le problème d'une explication surchargée d'informations.
Servez-vous de la narration finale pour caler le rythme de vos enregistrements d'écran, graphiques, images fixes et plans de coupe (B-roll). Les tutoriels et les démonstrations de produit ont besoin de cette séparation pour que le public puisse suivre les actions ; les vidéos explicatives et les formats documentaires en ont besoin car la voix apporte le contexte que l'image ne peut pas montrer.
Vous n'avez pas besoin d'une installation de studio professionnel pour publier. Le récit de HistoryTools sur les débuts de la vidéo en ligne montre comment la mise en ligne ouverte a réduit les barrières de diffusion, rendant accessibles des flux de travail simples pour les créateurs.
Préparer le message et les ressources
Si vous adaptez un article existant, le guide pour convertir un lien en vidéo peut vous aider à transformer un contenu écrit en séquence visuelle. Pour affiner vos choix concernant l'audience et la présentation, les analyses en marketing vidéo de LunaBloom AI vous apportent un éclairage supplémentaire pour votre planification.
Avant d'enregistrer, validez cette checklist :
- Script prêt : chaque court passage exprime une idée complète et sonne naturel à l'oral.
- Lieu d'enregistrement prêt : un micro, un casque et une pièce calme sont à disposition.
- Visuels rassemblés : les captures d'écran, images, graphiques ou vidéos viennent appuyer des phrases précises.
- Logiciel de montage prêt : DaVinci Resolve, Premiere Pro ou un autre logiciel propose des pistes audio et vidéo séparées.
Ne peaufinez pas encore les transitions. Vérifiez d'abord que chaque phrase donne au spectateur une bonne raison de continuer à regarder.
Choisir une voix humaine ou IA avant l'enregistrement
Une voix synthétique réaliste n'est pas automatiquement un choix digne de confiance. Si les auditeurs ne peuvent pas reconnaître une voix clonée, l'autorisation et la transparence deviennent encore plus indispensables.
D'après des expériences résumées dans l'analyse de Creative AI News sur la transparence du clonage vocal, les voix clonées ont été jugées humaines dans 58% et 70% des cas, contre 62% et 72% pour les voix réelles, sans différence statistiquement significative ; les voix de synthèse génériques ont quant à elles recueilli environ 39%–41% de jugements humains. Il s'agit là d'avis d'auditeurs recueillis lors de ces tests, et non de garanties de précision pour l'outil que vous choisirez.
Type de narration et proportion d'auditeurs l'ayant jugée humaine
| Type de narration | Jugée humaine lors des tests | Idéale pour |
|---|---|---|
| Véritable voix humaine | 62% et 72% | Contenu factuel, émotionnel, médical, politique ou témoignages |
| Voix clonée autorisée | 58% et 70% | Scripts consentis avec autorisation documentée et mention claire |
| Voix de synthèse générique | 39% à 41% | Contenus à faibles enjeux où la mention est claire et les exigences de qualité modestes |
L'exigence d'autorisation est un garde-fou pour la production, et non une catégorie expérimentale distincte. Un clone convaincant nécessite toujours une permission explicite couvrant les scripts, la diffusion et les contextes dans lesquels vous l'utiliserez.
Faire d'abord le choix de la confiance
J'opterais pour un enregistrement humain dès lors que la responsabilité personnelle ou les nuances émotionnelles entrent en jeu. Une explication médicale ou un témoignage client ne doit pas donner l'impression qu'une personne cautionne des propos qu'elle n'a jamais validés. Conservez toujours une étape de validation humaine pour les contenus sensibles, quel que soit le mode de production de la narration.
Pour des tutoriels logiciels de routine, la narration synthétique peut faciliter les révisions. Comparez la prononciation et les possibilités de contrôle à l'aide du guide des modèles text-to-speech, plutôt que de vous fier uniquement à un extrait bien peaufiné. Si vous cherchez à créer des vidéos sans visage avec l'IA, ClipNova AI propose une solution adaptée, mais ce format ne dispense en rien d'une mention de transparence.
Avant de fixer votre choix sur une voix :
- Testez les formulations complexes : incluez des noms propres, des abréviations, des termes produits ainsi qu'une phrase explicative complète.
- Validez chaque langue : faites vérifier la prononciation et le sens par un locuteur natif.
- Documentez les autorisations : conservez le consentement, les scripts approuvés, les enregistrements originaux et un historique des versions.
- Signalez la narration de synthèse : insérez une mention explicite dans la vidéo ou la description.
Préservez le sens voulu par l'intervenant lors du nettoyage audio. Une hésitation peut exprimer un doute, et la supprimer risque de transformer une affirmation prudente en certitude absolue.
Comment enregistrer et monter une voix off étape par étape
Enregistrez une voix propre avant d'ajouter des effets. Une pièce calme et une position de micro constante sont bien plus efficaces que d'essayer de corriger l'écho, la saturation et le bruit de fond après coup.
Ce visuel résume les étapes de l'enregistrement.

Créer une piste de voix off propre
Les repères techniques ci-dessous s'inspirent du guide d'AudioUtils sur le son pour les créateurs vidéo, avec notamment une session à 48 kHz, un filtrage autour de 80–100 Hz, une compression aux alentours de 2:1–3:1, un limiteur proche de −1 dBTP, et des cibles de niveau intégré final autour de −14 LUFS ou −16 LUFS.
Rédigez et chronométrez le script. Lisez-le à voix haute à un rythme naturel, en repérant les moments où le public a besoin de temps pour observer l'écran. Réécrivez les phrases trop chargées plutôt que de vous forcer à parler plus vite.
Créez la session au taux d'échantillonnage indiqué ci-dessous avant d'importer vos prises. Dans Audacity ou l'espace audio de votre logiciel de montage, vérifiez que les réglages du projet et ceux de l'enregistrement correspondent bien.
Enregistrez dans la pièce la plus calme possible. Coupez les bruits évitables, utilisez un filtre anti-pop et placez le micro légèrement désaxé par rapport à votre bouche. Enregistrez un peu de silence pour capter le bruit ambiant, et conservez assez de marge (headroom) pour que les mots plus appuyés ne saturent pas.
Supprimez les faux départs et remplacez les mots mal prononcés en reprenant des phrases complètes dès que possible. Conservez les pauses utiles et les respirations naturelles ; appliquez de courts fondus aux points de coupe pour éviter les clics.
Ne traitez que ce qui doit l'être. Commencez par le filtre passe-haut, utilisez la compression pour lisser les phrases irrégulières, et placez le limiteur vers la fin de la chaîne. Écoutez le résultat après chaque réglage au lieu d'appliquer un preset à l'aveugle.
Gardez de la marge pendant le montage au lieu de normaliser chaque extrait trop tôt. Montez la séquence visuelle autour de la voix validée, puis glissez la musique en dessous sans masquer les intonations naturelles de la voix off.
Mesurez le mixage final avant l'export. Choisissez la cible de volume intégré adaptée, vérifiez les crêtes vraies (true peaks) et réécoutez toute la piste traitée. Un fichier plus fort n'est pas forcément plus facile à comprendre.
Valeurs cibles pour une piste de voix off
| Réglage | Cible | Pourquoi c'est important |
|---|---|---|
| Taux d'échantillonnage de la session | 48 kHz | Standard pour la vidéo, évite les conversions inutiles |
| Filtre passe-haut | 80–100 Hz | Élimine les grondements dans les graves ; ajustez si la voix devient trop fine |
| Compression | 2:1 à 3:1, quelques dB de réduction de gain | Harmonise les phrases sans écraser le dynamisme |
| Limiteur de crête vraie (True-peak) | Environ −1 dBTP | Laisse de la marge pour les pics de lecture |
| Volume pour diffusion web | Environ −14 LUFS | Cible intégrée pratique pour la vidéo sur le web |
| Volume pour réseaux sociaux axés sur la voix | Environ −16 LUFS | Cible courante pour les contenus parlés et les réseaux sociaux |
Sachez vous arrêter avant d'abîmer le son
Une réduction de bruit trop agressive peut donner à la voix un rendu aqueux ou métallique. Un limiteur trop poussé détruit la dynamique naturelle, tandis que supprimer le moindre silence rend les explications épuisantes à suivre.
Une piste de voix off propre sonne de manière homogène, pas aseptisée. Préservez la netteté des consonnes, gardez un bruit ambiant stable et laissez respirer les pauses utiles.
Pour un autre guide pratique sur l'enregistrement, consultez le tutoriel de Tutorial AI sur la voix off. Si vous générez la voix au lieu de l'enregistrer, le guide de téléchargement text-to-speech vous explique comment préparer un fichier audio prêt à être intégré dans votre montage.
Synchroniser la voix off avec les visuels sur la timeline
Commencez par la piste vocale validée, et non par le brouillon du script. Le rythme parlé varie selon l'intonation, la prononciation et les pauses : caler les séquences sur un texte provisoire ne ferait que vous imposer des retouches inutiles.
Gardez la voix et l'image sur des pistes séparées pendant ces ajustements.

Faire correspondre les phrases aux actions visibles
Imaginons que vous réalisiez une démonstration produit présentant un tableau de bord, un filtre et une fonction d'exportation. Placez des repères sur la timeline là où la voix mentionne chaque fonctionnalité. Déplacez la capture d'écran correspondante sur ce repère, puis ajustez son point de départ pour que les spectateurs puissent identifier l'interface avant que l'action ne se produise.
Ne forcez pas un changement visuel à chaque phrase. Restez sur un écran utile pendant que la voix l'explique, et coupez quand le spectateur a besoin d'une nouvelle information.
Pour un tutoriel, synchronisez le curseur avec l'action décrite. Si la voix indique de sélectionner le menu d'exportation, le curseur doit s'approcher de ce menu ou cliquer dessus, et non être déjà en train d'ouvrir le fichier téléchargé. Supprimez les temps morts, mais conservez suffisamment de mouvement pour que l'on comprenne où se trouve la commande.
Une démonstration sur la timeline peut vous aider à bien visualiser ces correspondances dans un logiciel de montage.
Laisser respirer et vérifier l'alignement
Avant un changement visuel majeur, laissez une courte pause pour permettre au spectateur de déplacer son attention. Si une étape demande plus d'explications, prolongez une image fixe ou enregistrez une démonstration plus lente plutôt que d'étirer la voix de façon artificielle.
Suivez cet ordre sur la timeline :
- Repères : Identifiez les fins de phrases et les mots qui introduisent des actions importantes.
- Visuels : Placez la capture, le graphique ou le plan d'illustration (B-roll) pertinent en face de chaque repère.
- Pauses : Laissez le temps d'observer les résultats, surtout après un calcul ou un changement d'interface.
- Ducking musical : Baissez la musique lorsque la voix commence, avec des fondus fluides plutôt que des variations de niveau brutales.
- Vérification du décalage : Contrôlez le début, le milieu et la fin pour repérer d'éventuelles actions désynchronisées ou des erreurs visibles de synchronisation labiale.
Quand l'enregistrement d'écran et la voix ne correspondent pas, déterminez quel élément est en cause. Déplacez la vidéo si l'explication est claire ; réécrivez la phrase si elle décrit une action que le spectateur ne voit jamais. Ne masquez pas une incohérence factuelle avec un plan de coupe purement décoratif.
Sous-titres et audiodescription pour le visionnage sans le son
Des recherches résumées dans un 2025 article universitaire publié par SAGE indiquent que 85% des utilisateurs de Facebook regardent les vidéos sans le son, et que les consommateurs étaient 12% plus enclins à interagir lorsque des sous-titres étaient disponibles. Ces conclusions confirment qu'il vaut mieux concevoir les sous-titres en même temps que la voix off, plutôt que de les considérer comme une simple option ajoutée à la publication.
Générez les sous-titres à partir de la version audio finale, puis corrigez-les manuellement. Le script initial ne reflète pas toujours chaque mot modifié, et la transcription automatique peut mal interpréter les noms de produits, les accents, les abréviations et le vocabulaire technique.
Servez-vous de la liste de contrôle visuelle comme point de départ, tout en distinguant bien les rôles : les sous-titres rendent la parole accessible sans le son ; l'audiodescription décrit les éléments visuels pour les personnes aveugles ou malvoyantes.

Intégrez les sous-titres à l'image
Synchronisez les sous-titres avec les paroles prononcées et coupez les lignes aux limites naturelles des phrases pour assurer une bonne lisibilité. Décalez-les pour ne pas masquer les totaux d'un tableur, les boutons d'interface ou les libellés importants pour le spectateur. Identifiez les intervenants et indiquez les effets sonores significatifs dès que cela s'avère nécessaire pour comprendre la scène.
- Exactitude : vérifiez les noms, les termes techniques, les expressions idiomatiques et les mots prononcés avec des accents particuliers.
- Lisibilité : laissez chaque sous-titre à l'écran suffisamment longtemps et évitez les blocs de texte trop chargés.
- Positionnement : prévisualisez le rendu sur un téléphone pour vous assurer que les sous-titres ne masquent aucun détail important.
- Traduction : faites relire les sous-titres traduits pour en vérifier le sens, et pas seulement la substitution mot à mot.
Décrivez les informations que la voix ne mentionne pas
La transcription des sous-titres ne peut pas expliquer un graphique sans légende ou un changement d'état silencieux. Pour l'audiodescription, rédigez des descriptions concises des informations visuelles essentielles et placez-les pendant les silences, sans recouvrir les dialogues.
Une étude de l'ACM sur les préférences en matière d'audiodescription a montré que les attentes varient selon le type de contenu : les descriptions préenregistrées sont privilégiées pour le divertissement, tandis que les descriptions déclenchées par l'utilisateur sont utiles pour les vidéos éducatives, de sport ou de cuisine. Dans la mesure du possible, conservez l'audiodescription sur une piste distincte, et envisagez une version descriptive dédiée si la piste audio principale ne comporte aucun silence exploitable.
Test d'accessibilité : écoutez sans regarder, puis regardez sans le son. Ces deux tests révèlent des manques différents.
Lors du test sans le son, assurez-vous que les sous-titres, les libellés et les visuels suffisent à faire comprendre le message. Lors du test à l'écoute seule, vérifiez si la narration ou l'audiodescription transmet bien les résultats visuels indispensables. Ajouter une audiodescription ne résoudra pas un problème de visionnage sans le son ; un libellé visible ou un sous-titre, en revanche, le fera.
Testez l'export sur de vrais appareils avant le rendu
Exportez un extrait exigeant avant de lancer le rendu de la vidéo complète. Intégrez-y une explication dense, un nom peu familier, un passage musical et un changement visuel important, plutôt que de choisir la section la plus facile.
Un aperçu sur un autre appareil peut révéler des problèmes que votre configuration de montage masque.

Le document technique de l'AES sur le loudness et l'intelligibilité identifie la mesure ITU-R BS.1770 comme l'approche standard pour le loudness numérique et recommande un calage basé sur les dialogues. Utilisez un loudness meter compatible, mais ne prenez pas une mesure conforme pour des paroles compréhensibles.
Vérifiez le fichier, pas seulement la timeline
Écoutez à un niveau sonore normal, sans ajuster le volume en permanence. Si la musique masque des mots plus faibles, baissez-la ou retravaillez-la plutôt que de pousser tout le mixage dans le limiteur. Vérifiez que l'export n'a pas introduit de consonnes coupées, de respirations brutales, d'erreurs de prononciation synthétique ou de décalages temporels.
Pour les séquences générées, prévoyez le temps de production et le coût dans votre planning de livraison. Avec notre génération vidéo, la création d'une vidéo prend d'environ 30 secondes à plusieurs minutes ; le coût correspond au prix par seconde multiplié par la durée demandée du clip, et la réponse à la requête indique le coût maximal avant le début de la génération.
Terminez par cette vérification sur vos appareils :
- Exportez le clip de test. Utilisez les paramètres de diffusion prévus et incluez les sous-titres sous la forme exacte où les spectateurs les recevront.
- Lisez-le au casque, sur les haut-parleurs d'un ordinateur portable et sur un téléphone. Vérifiez la clarté des voix, l'emplacement des sous-titres et la lisibilité des détails visuels.
- Mesurez le loudness et vérifiez le coût. Confirmez le loudness intégré et le true peak par rapport aux normes cibles choisies, puis validez le budget de génération avant de demander des séquences de remplacement.
- Corrigez, puis lancez le rendu. Rectifiez les problèmes dans le projet, lancez le rendu du fichier complet et inspectez le début, la fin, les sous-titres et l'audio avant la publication.
MartLLM propose des modèles de synthèse vocale et de génération vidéo via une API unifiée, vous permettant de créer la narration et les visuels d'illustration au sein du même flux applicatif. Rendez-vous sur MartLLM pour comparer les résultats des modèles dans le playground, tester votre script et choisir les options audio et vidéo adaptées à votre production.