# Montage vlog en local — guide complet pour Claude Code (Mac) > Objectif : refaire sur ton Mac, avec ton Claude local, exactement le montage fait sur le serveur les 25–26 août 2026 : **son « micro studio »**, **captions mot par mot**, **textes POV** sur clips muets, **musique de fond avec ducking**, **textes pour les réseaux** — sans rien envoyer sur un serveur. > > Ce document est écrit pour être **suivi tel quel par Claude** : chaque étape a ses commandes. Donne-lui ce fichier et dis : *« Lis MONTAGE-VLOG.md, installe ce qui manque, puis fais le montage de la vidéo dans a-traiter »*. --- ## 0. Ce que contient le kit ``` ~/vlogs/ ├── kit/ │ ├── MONTAGE-VLOG.md ← ce guide │ ├── CLAUDE.md ← à copier dans ~/vlogs/ (Claude le lit automatiquement) │ ├── install.sh ← installe tout (macOS) │ ├── enhance.py ← son : nettoyage + voix studio │ ├── captions.py ← captions mot par mot (Whisper + ASS + ffmpeg) │ ├── pov.py ← clip muet : textes POV, ouverture, signature, (musique) │ ├── musique.py ← musique de fond sous une voix, avec ducking │ ├── fonts/Montserrat-ExtraBold.ttf │ ├── exemples/declinaisons.json ← déclinaisons POV du clip sayn.food (modèle) │ ├── exemples/mots.json ← format des captions (extrait) │ └── docs/vendakia-base-commerciale.md ← ce qu'on a le droit de promettre sur Vendakia ├── a-traiter/ ← dépose ici les vidéos brutes └── / ← un dossier par vidéo (source.mp4 + rendus/) ``` Tout repose sur **ffmpeg** (montage, encodage, incrustation), **Python 3.11** avec **DeepFilterNet 3** (nettoyage de voix par IA), **faster-whisper** (transcription horodatée), **Pillow** (rendu des textes POV). Pas de serveur, pas de Node, pas de Remotion nécessaires (voir §8). --- ## 1. Installation (une fois) — macOS ### 1.1 Automatique ```bash mkdir -p ~/vlogs && cd ~/vlogs unzip ~/Downloads/kit-montage-vlog.zip # crée ~/vlogs/kit cp kit/CLAUDE.md ~/vlogs/CLAUDE.md cd kit && chmod +x install.sh && ./install.sh ``` `install.sh` fait, dans l'ordre : Homebrew → `ffmpeg` (avec libass) et `uv` → un Python 3.11 isolé dans `kit/venv311` → les paquets Python épinglés → la police → un test d'import. Relançable sans risque. ### 1.2 À la main (si le script coince) ```bash brew install ffmpeg uv cd ~/vlogs/kit uv venv --python 3.11 venv311 uv pip install --python venv311/bin/python "torch==2.1.2" "torchaudio==2.1.2" "numpy<2" pillow "faster-whisper>=1.1" uv pip install --python venv311/bin/python "deepfilternet==0.5.6" curl -fL -o fonts/Montserrat-ExtraBold.ttf "https://github.com/JulietaUla/Montserrat/raw/master/fonts/ttf/Montserrat-ExtraBold.ttf" venv311/bin/python -c "import df, faster_whisper, PIL, numpy, torch; print('OK', torch.__version__)" ``` **Pourquoi ces versions précises** | Dépendance | Version | Raison | |---|---|---| | Python | **3.11** | DeepFilterNet n'a pas de binaire pour 3.12/3.13 (il faudrait compiler du Rust). | | torch / torchaudio | **2.1.2** | DeepFilterNet 0.5.6 importe `torchaudio.backend`, supprimé en 2.2. Plus récent = `ModuleNotFoundError`. | | numpy | **< 2** | torch 2.1 est compilé contre numpy 1.x. | | deepfilternet | 0.5.6 | Dernière version publiée ; binaires macOS arm64 disponibles. | | faster-whisper | ≥ 1.1 | Modèle `turbo` (large-v3-turbo) rapide sur CPU. Téléchargé au premier usage (~1,6 Go). | | ffmpeg | ≥ 6 | Filtres utilisés : `subtitles` (libass), `compand`, `deesser`, `loudnorm`, `afftdn`, `sidechaincompress`, `overlay`. Le ffmpeg de Homebrew les a tous. | Tout tourne sur CPU. Ordres de grandeur sur un Mac récent : nettoyage voix ≈ 20× temps réel, transcription ≈ 2× temps réel, rendu vidéo 1440×2560 @ 60 ≈ 5× temps réel (15 s → ~1 min 20). --- ## 2. Organisation du travail 1. La vidéo brute va dans `~/vlogs/a-traiter/`. 2. Claude crée `~/vlogs//`, y déplace la vidéo sous `source.mp4`, et ne la modifie **jamais**. 3. Tout ce qui est produit va dans `~/vlogs//` (`rendus/`, `mots.json`, `declinaisons.json`, `textes.md`). 4. Toujours lancer les scripts avec **`~/vlogs/kit/venv311/bin/python`** (pas `python3`). Commande utile au début — **comprendre la vidéo** (durée, résolution, y a-t-il de la voix ?) : ```bash ffprobe -v error -show_entries format=duration:stream=codec_type,width,height,r_frame_rate,channels -of default=noprint_wrappers=1 source.mp4 ffmpeg -v info -i source.mp4 -vn -af ebur128=framelog=quiet -f null - 2>&1 | grep -E "^\s+I:" # -70 LUFS = muet ffmpeg -v error -y -i source.mp4 -vf "fps=12/DUREE,scale=240:-2,tile=6x2" -frames:v 1 grille.jpg # 12 vignettes ``` --- ## 3. Le son — `enhance.py` (vlog parlé) ```bash cd ~/vlogs/ ~/vlogs/kit/venv311/bin/python ~/vlogs/kit/enhance.py source.mp4 --studio ``` Produit dans `source_enhance/` : `_classique`, `_ia`, **`_studio`**, **`_studio-max`** (chacun en `.wav` 48 kHz pour le montage, `.m4a` pour écouter, et `.mp4` = même vidéo, image copiée sans réencodage, avec la piste traitée). Ce que fait chaque chaîne : - **classique** — ffmpeg seul : coupe-bas 80 Hz, débruitage léger (`afftdn`), **expandeur** (`compand`) calé automatiquement sur le plancher de bruit mesuré (10ᵉ percentile des RMS 50 ms + 6 dB, plafonné 4 dB sous la parole la plus douce) qui atténue les traînes d'écho entre les mots, EQ anti-« boîte » (−3,5 dB à 350 Hz), présence (+2 dB à 3,2 kHz), dé-esseur, compression 3:1, normalisation **−16 LUFS** en 2 passes. - **ia** — **DeepFilterNet 3** (supprime bruit et une bonne partie de la réverbération), puis finition douce. - **studio / studio-max** — à partir de l'IA : **basses reconstruites** (shelf `bass` g=6 / g=9 à **f=320 Hz** — le filtre atteint son plein gain bien sous sa fréquence, à 115 Hz il ne faisait rien), creux à 440 Hz, présence, air, compression 4:1 / 5:1, limiteur −1 dB, −16 LUFS. **L'utilisateur veut `studio-max`** (voix radio, beaucoup de basses). Mesures obtenues sur le vlog du 25/08 (téléphone dans une pièce qui résonne) : écart voix ↔ pauses 14 dB à l'origine → 25 dB (classique) → **39 dB** (IA/studio). Options : `--gate-db N` force le seuil de l'expandeur ; `--pf` active le post-filtre DeepFilterNet (plus agressif). --- ## 4. Les captions mot par mot — `captions.py` ```bash V=~/vlogs/kit/venv311/bin/python; K=~/vlogs/kit $V $K/captions.py transcrire source_enhance/source_studio-max.wav mots.json # Whisper turbo, français # → relire mots.json (noms propres ! « Vandakia » → « Vendakia »), corriger à la main $V $K/captions.py rendre source.mp4 source_enhance/source_studio-max.wav mots.json rendus/-captions.mp4 ``` - `mots.json` : `{"mots": [{"start": 0.21, "end": 0.77, "text": "What's"}, …]}`. Pour corriger : modifier `text` ; pour supprimer : enlever l'entrée ; pour couper un mot en deux : deux entrées qui se partagent l'intervalle. - Style (en tête de `captions.py`) : **un mot à la fois**, capitales, Montserrat ExtraBold 116 px (espace 1080×1920, mis à l'échelle), contour noir 8 px, placé à ~70 % de la hauteur (sous le visage), petit « pop » 78 → 100 % en 90 ms. Un mot reste affiché jusqu'au suivant (ou 0,25 s après sa fin si la pause dépasse 0,6 s). Les mots longs sont réduits pour tenir dans la largeur. - Le rendu se fait **à la résolution et la cadence de la source** (défaut). `--hauteur 1920 --fps 30` seulement si demandé. `--preset fast --crf 21` pour aller plus vite. - `captions.py ass mots.json sortie.ass` génère juste le fichier de sous-titres (utile pour un montage dans une autre appli). --- ## 5. Clip muet → textes POV — `pov.py` Pour un b-roll sans voix (ex. sayn.food : le chef, l'équipe, les plats). Un JSON décrit les déclinaisons : ```json { "source": "source.mp4", "sortie": "rendus", "grade": "eq=contrast=1.04:saturation=1.12", "musiques": {}, "declinaisons": [ {"slug": "le-chef-nous-gate", "musique": null, "ouverture": {"debut": 8.9, "duree": 1.0}, "textes": [ {"style": "pov", "texte": "POV : quand on a un business de healthy food dans la startup studio", "debut": 0.0, "fin": 6.3}, {"style": "pov", "texte": "le chef nous gâte.", "debut": 6.35, "fin": 12.9}, {"style": "cta", "texte": "sayn.food", "sous": "Commande en ligne", "debut": 12.95, "fin": 99} ]} ] } ``` ```bash $V $K/pov.py declinaisons.json # toutes les déclinaisons $V $K/pov.py declinaisons.json --seulement le-chef-nous-gate ``` - **Repérer les coupes** avant d'écrire les temps : `ffmpeg -i source.mp4 -vf "select='gt(scene,0.25)',showinfo" -an -f null - 2>&1 | grep -o "pts_time:[0-9.]*"`. Puis vérifier avec des vignettes : la détection marque le début des plans, mais il faut regarder. - **Structure qui marche** : accroche POV sur les premiers plans → chute à l'arrivée du sujet (les plats) → signature (`cta`) sur le dernier plan. - **`ouverture`** : 1 s d'un plan de la source placé avant le montage → première image et vignette différentes par déclinaison (il poste les versions en décalé pour voir laquelle devient virale : sans ça, doublons). Les temps des textes sont décalés automatiquement ; celui qui démarre à 0 couvre l'ouverture. - **`"musique": null`** → piste silencieuse (il ajoute un son dans Instagram). Pour incruster une musique : `"musiques": {"fete": {"fichier": "/chemin/fete.mp3", "debut": "auto", "lufs": -14}}` et `"musique": "fete"` ; `"auto"` saute l'intro. - Styles (`STYLES` en tête de `pov.py`) : `pov` = boîtes blanches arrondies par ligne, texte noir, en haut à 15,5 % (zone sûre TikTok) ; `cta` = grand texte blanc à contour noir à 60 % + sous-ligne. Surchargeables dans le JSON (`"styles": {"pov": {"y": 0.2}}`). - Sortie : `rendus/.mp4` (résolution/cadence source) + `rendus/-720p.mp4` (aperçu léger). --- ## 6. Musique de fond sous une voix — `musique.py` ```bash $V $K/musique.py --voix source_enhance/source_studio-max.wav --musique ~/Music/titre.m4a --sortie rendus/-musique --video source.mp4 --debut 15 --niveau -24 --ducking 8 ``` Boucle la musique si elle est plus courte, fondus, **ducking** (`sidechaincompress` : la musique descend quand la voix parle ; ~13 dB sous la voix dans les pauses), mix normalisé −16 LUFS, remux dans la vidéo sans réencoder l'image. `--debut 15` = on démarre la musique à sa 15ᵉ seconde. La musique doit être **un fichier local** : YouTube bloque les téléchargements automatisés — `yt-dlp -f "bestaudio[ext=m4a]/bestaudio" URL` depuis le Mac fonctionne en général. --- ## 7. Les textes pour publier Rédiger à partir de la transcription (`mots.json` ou l'audio). Règles : - **Instagram** : accroche en 1ʳᵉ ligne, sauts de ligne, appel à commenter, **5 hashtags max** (limite officielle). **TikTok** : court, 5 hashtags max. **YouTube Shorts** : titre ≤ 100 caractères, 3 hashtags. **LinkedIn** : 1ʳᵉ ligne = tout se joue avant « voir plus », pas de lien dans le post (le mettre en premier commentaire), 3–5 hashtags. - **Voix collective** : « on », « nous », « notre » — jamais « je » ni « tu/ton » (le public peut être en « vous »). - **« la startup studio »**. - **sayn.food** : angle insider (« un des projets de la startup studio… le chef nous gâte »), pas « livraison à Dakar ». - **Vendakia** : uniquement ce qui est dans `kit/docs/vendakia-base-commerciale.md` — licence à vie 50 000 FCFA payée une fois, 100 crédits IA/mois inclus, 20 crédits offerts à l'inscription, jamais « gratuit », pas de formule mensuelle ; l'offre de lancement expirait le 31/08/2026 → demander le tarif en vigueur avant de citer un prix. --- ## 8. Et Remotion ? **Pas nécessaire** pour ce qui est décrit ici : ffmpeg + Pillow + libass couvrent captions, textes POV, ouverture, signature, musique. Remotion (vidéo programmée en React, rendue par Chrome headless) devient intéressant pour des **animations plus riches** : typographie cinétique, transitions, compteurs, logo animé, templates réutilisables. Si tu veux l'ajouter un jour : ```bash brew install node # Node 18+ cd ~/vlogs && npx create-video@latest remotion-overlays # choisir « Blank » ``` Façon de l'intégrer sans casser la chaîne : Remotion rend **un calque transparent** (`--codec prores --prores-profile 4444` ou `--codec vp8 --pixel-format yuva420p`) de la taille de la vidéo, puis ffmpeg l'incruste : `ffmpeg -i source.mp4 -i calque.mov -filter_complex "[0:v][1:v]overlay=0:0" …`. Les temps des mots de `mots.json` se passent à la composition Remotion en `props`. Compter des rendus nettement plus longs qu'avec ffmpeg seul. --- ## 9. Dépannage | Symptôme | Cause / remède | |---|---| | `ModuleNotFoundError: torchaudio.backend` | torchaudio trop récent → `uv pip install --python venv311/bin/python "torch==2.1.2" "torchaudio==2.1.2"`. | | `deepfilterlib` veut compiler / Rust | Python ≠ 3.11 → recréer le venv : `uv venv --python 3.11 venv311`. | | Sortie IA vide / « mesure de loudness dégénérée » | Pas de voix dans l'extrait (DeepFilterNet supprime tout ce qui n'est pas de la parole) : normal pour un clip muet ; utiliser `pov.py`. | | ffmpeg tué sans message pendant `pov.py` | Manque de mémoire : ne jamais faire un `trim` de la source dans le même graphe que le montage complet ; le script utilise une entrée séparée `-ss/-t` pour l'ouverture — garder ça. | | Captions décalées | Rendre avec la **même piste audio** que celle transcrite (la voix traitée), et ne pas couper la vidéo entre transcription et rendu. | | Mots coupés (« l » / « 'IA ») ou ponctuation seule | `captions.py` les recolle ; si un cas passe, corriger dans `mots.json`. | | « Vandakia », « vendre » pour « vend de », « vos devs » pour « vos DM » | Erreurs Whisper typiques : relire la transcription, corriger les noms propres. | | Vidéo refusée par Instagram/TikTok | S'assurer qu'il y a une piste audio (même silencieuse : `pov.py` l'ajoute) et `-movflags +faststart` (les scripts le font). | | Whisper lent | Modèle `--modele small` pour un brouillon, `turbo` pour la version finale. | --- ## 10. Comment lancer Claude dessus ```bash cd ~/vlogs && claude ``` Exemples de demandes qui suffisent : - « Nouvelle vidéo dans a-traiter, c'est un vlog parlé sur Vendakia : son studio-max, captions mot par mot, textes réseaux. » - « Nouvelle vidéo dans a-traiter, clip muet pour sayn.food : 4 déclinaisons POV angle studio + une sans texte, ouvertures différentes, pas de musique. » - « Reprends la déclinaison 2 avec cette phrase exacte : … » Claude lit `~/vlogs/CLAUDE.md` automatiquement (préférences, règles, pièges) et ce guide pour le détail.