AI VFX Studio de Pixazo est un traducteur vidéo IA qui va de bout en bout : donnez-lui une vidéo que vous possédez déjà et il traduira les dialogues dans une autre langue, clonera la voix même du locuteur à partir de ce clip, prononcera la réplique traduite et recalera la bouche sur le nouvel audio. Le démarrage est gratuit — un essai de 7 jours sans carte bancaire et 100 crédits offerts. Lors d’un essai mesuré de l’anglais vers l’espagnol le 29 juillet 2026, un clip de cinq secondes avec un seul locuteur a demandé environ quinze minutes, et les deux clips sont sur cette page, avec le son.
Illustration
Essai mesuré · 29 juillet 2026
Il conserve l’image et la voix même du locuteur, remplace la langue et recale la bouche sur le nouvel audio — les deux clips ci-dessous sont la sortie authentique d’un seul essai réalisé le 29 juillet 2026, et comme la preuve est sonore, il faut appuyer sur lecture.
Le fichier du clip dure environ cinq secondes ; le transcripteur a signalé 5.68 secondes de parole. Nous reproduisons les deux exactement comme ils sont revenus, sans chercher à les concilier.
| Étape | Ce que l’agent a appelé | Ce qui est revenu | Temps mesuré |
|---|---|---|---|
| 01 Transcrire | pixazo_transcribe |
« Detected English, 5.68 seconds, 1 speaker », plus la transcription horodatée « Welcome to our community. We’re so glad you’re here. » | 13 s |
| 02 Traduire | l’agent lui-même — aucun modèle de traduction distinct | « Bienvenidos a nuestra comunidad — nos alegra mucho que estés aquí. », formulée pour tenir dans la durée de parole qu’il avait mesurée | non chronométré séparément |
| 03a Extraire l’audio source | pixazo_extract_audio |
La piste source, réutilisée comme référence pour le clone vocal | 9 s |
| 03b Cloner la voix | pixazo_add_voice |
Une voix construite à partir de la parole du clip lui-même — aucun échantillon vocal distinct n’a été fourni | ~10 min (le goulot d’étranglement) |
| 03c Faire parler | synthèse vocale avec la voix clonée | La réplique traduite dans cette voix | 42 s |
| 04 Recaler la bouche | pixazo_lip_sync, sync_mode « remap » |
L’image recalée temporellement sur le nouvel audio | 3 min 09 s |
| De bout en bout ≈ 15 minutes · session entière $1.88, génération du clip source incluse · cet essai n’a pas révélé quel modèle éditeur a assuré la synthèse vocale ni la synchronisation labiale, cette page n’en nomme donc aucun. | |||
Ces deux clips sont la seule sortie de doublage authentique de cette page. Toutes les autres images et boucles sont des illustrations générées pour expliquer une étape ; chacune porte une mention « Illustration » visible et le précise dans son texte alternatif.
Quatre postes
Quatre postes s’enchaînent dans l’ordre — transcription, traduction, voix, puis synchronisation labiale — et chacun transmet sa sortie directement au suivant : c’est pourquoi une seule instruction donnée à l’agent suffit pour récupérer un doublage fini. C’est cette chaîne qui distingue un traducteur vidéo IA d’une simple voix off : l’ancienne image n’est pas laissée à la dérive, la bouche est reconstruite face à la nouvelle piste parlée.
Poste 01 · Transcription
13 s
Illustration
L’agent écoute le clip que vous lui avez confié et note ce qui est réellement dit, timecodes à l’appui.
Poste 02 · Traduction
aucun appel distinct
Illustration
Il n’y a aucun modèle de traduction distinct dans la chaîne — l’agent formule directement la nouvelle réplique.
Poste 03 · Voix
~10 min
Illustration
La piste source est extraite, utilisée comme référence de clonage, puis amenée à dire la réplique traduite.
le goulot d’étranglement
Poste 04 · Resynchro
3 min 09 s
Illustration
Remap recale les images sur la prise traduite pour que la bouche tombe là où arrivent les nouveaux mots.
Ce qui tourne où
AI VFX Studio est le seul endroit qui exécute toute la chaîne : le playground n’a ni reconnaissance vocale ni modèle de traduction, donc y piloter les modèles à la main ne couvre que la voix et la resynchro, et vous devez apporter votre propre script traduit.
Donnez à AI VFX Studio un clip et une langue cible et il parcourt lui-même les quatre postes. Dans le playground, vous ouvrez un modèle à la fois : la transcription et la traduction doivent donc arriver déjà écrites — rien là-bas ne peut produire l’une ou l’autre.
Illustration
Illustration — générée pour figurer l’étape de resynchro, ce n’est pas une sortie de doublage
| Tâche | AI VFX Studio (une seule instruction) | Playground, modèles pilotés à la main |
|---|---|---|
| Transcription par reconnaissance vocale | Couvert. Couvert | Non disponible. Non disponible — apportez votre propre transcription |
| Traduction | Couvert. Couvert — l’agent la rédige lui-même | Non disponible. Non disponible — aucun modèle de traduction ici |
| Référence pour le clone vocal | Couvert. Couvert — extraite de l’audio du clip lui-même | Non vérifié. Capacité non vérifiée ici — l’essai mesuré n’a jamais cloné de voix depuis une référence dans le playground |
| Parole en voix clonée | Couvert. Couvert | Couvert. Couvert — Chatterbox v1, 4 crédits |
| Resynchro labiale sur le nouvel audio | Couvert. Couvert | Couvert. Couvert — MultiTalk, à partir de 104 crédits |
| Séparer les dialogues de la musique et des effets | Non disponible. Non disponible | Non disponible. Non disponible |
| Export de sous-titres ou de fichier SRT | Non disponible. Non disponible — la transcription horodatée est affichée à l’écran, pas exportée en fichier de sous-titres | Non disponible. Non disponible |
| Remplacer le texte incrusté dans l’image | Non disponible. Non disponible | Non disponible. Non disponible |
Mesuré, pas estimé
Parce que le clonage de la voix est le goulot d’étranglement — environ dix de ces quinze minutes servent à construire une voix à partir de la parole du clip, et tous les autres postes se terminent en quelques secondes.
La largeur des barres correspond à la part de chaque poste dans environ 850 secondes de temps d’étape mesuré, le clonage vocal d’environ dix minutes étant compté pour dix minutes tout rond ; l’étape de traduction n’a pas été chronométrée séparément, elle n’entre donc pas dans ce total. Il s’agit d’un seul essai mesuré le 29 juillet 2026, pas d’un benchmark — un clip plus long, davantage de locuteurs ou une autre paire de langues ne donneront pas les mêmes chiffres.
La voix, à la main
Ouvrez le poste Chatterbox v1 dans le playground pour 4 crédits, collez-y la réplique traduite que vous avez déjà, et vous obtenez l’audio parlé sans exécuter le reste de la chaîne. Utilisé ainsi, c’est un traducteur vocal IA pour vidéo plutôt que la chaîne complète — le playground ne peut ni transcrire ni traduire à votre place, le script doit donc être le vôtre. Vos 100 crédits d’inscription couvrent ce poste de nombreuses fois.
Un modèle, une ligne de texte, une prise — utile quand la traduction existe déjà et qu’il ne vous manque que la parole.
Ce qu’il fait. Il prononce une ligne de texte que vous fournissez, pour 4 crédits par exécution. Il couvre la même tâche que le poste 03 — prononcer une réplique — sous la forme d’un modèle que vous lancez vous-même, ce qui permet d’itérer sur une prise sans relancer une transcription ni une resynchro. Le modèle utilisé à l’intérieur de la chaîne n’a jamais été divulgué : c’est donc une comparaison de tâches, pas une identification.
Ce qu’il ne fait pas. Il ne transcrira pas votre clip et ne traduira rien — le playground n’a ni reconnaissance vocale ni modèle de traduction, le script traduit doit donc arriver déjà écrit. Il ne touche pas non plus à l’image : la bouche continue de dire les mots d’origine jusqu’à ce que vous lanciez une resynchro. Le clonage d’une voix à partir d’une référence que vous téléversez n’a pas été testé par l’essai mesuré, cette page n’affirme donc pas que ce poste le fait.
Ouvrir le poste de voixLe point de contrôle
C’est vous, et c’est le seul point de contrôle qui existe — l’agent affiche la transcription et la réplique traduite à l’écran avant de générer une seule seconde d’audio, parce que personne ne les a relues et qu’aucun taux de précision n’a été publié pour la transcription ni pour la traduction.
Le seul point de contrôle
Illustration
Comparez-la à ce qui est réellement dit à l’image. Le transcripteur est le premier maillon de la chaîne : un mot mal entendu devient un mot sur lequel la traduction se construit.
Vérifiez le sens, et vérifiez qu’elle peut être dite dans la durée mesurée par le transcripteur. L’agent formule pour tenir dans cette durée, ce qui est un choix d’interprétation que vous validez.
Tout ce qui vient après ce point hérite de ce que vous avez validé, dans une voix clonée. Le poste de voix et la resynchro ne relisent pas le script ; ils le transmettent exactement tel qu’il a été validé.
À qui ça s’adresse
À toute personne qui possède déjà des images finies dans une langue et qui a besoin du même locuteur les disant dans une autre. Outil de traduction IA pour le montage vidéo et les équipes de contenu vidéo, il convient aux équipes de cours et de tutoriels, aux responsables du support et de l’onboarding, au marketing produit, aux chaînes de créateurs, à la communication interne et aux responsables de localisation qui testent une langue avant de commander un doublage en studio.
Vous partez d’un enregistrement de leçon terminé, avec un seul formateur face caméra, et vous voulez le même formateur dans une deuxième langue.
Vous partez d’un court tutoriel de votre centre d’aide, où la voix compte plus que l’image.
Vous partez d’un montage validé et verrouillé, et il vous faut une deuxième langue sans rouvrir le montage.
Vous partez de vos propres images face caméra : la voix est la vôtre, libre d’être clonée, et la question de l’autorisation ne se pose pas.
Vous partez d’un message de direction ou de politique interne enregistré une seule fois, et il doit atteindre des équipes qui ne parlent pas cette langue.
Vous partez d’un clip représentatif et voulez entendre une langue avant de commander un doublage en studio pour toute la bibliothèque.
Tient / échoue
Elle tient sur un locuteur unique cadré de face et raisonnablement immobile, et elle ne tient pas sur un cadrage de profil, sur un plan où deux personnes parlent, ni sous un flou de mouvement marqué — remap recale l’image sur le nouvel audio, il ne repeint pas un visage.
Tient
Illustration
Un visage, face caméra, bouche dégagée — la resynchro dispose d’une référence nette pour travailler.
Échoue
Illustration
De profil, la bouche est à peine dans le cadre, et le flou de mouvement détruit ce qu’il reste de la référence.
Échoue
Illustration
Avec deux locuteurs dans le même plan, la resynchro n’a aucun moyen de savoir quelle bouche animer.
Ce qu’il fait. Il resynchronise une bouche dans des images existantes sur une piste audio que vous lui donnez, à partir de 104 crédits par exécution. Il couvre la même tâche que le poste 04 — recaler l’image sur un nouvel audio — sous la forme d’un modèle que vous lancez vous-même, ce qui permet de recaler un clip sur une prise produite ailleurs. Le modèle utilisé à l’intérieur de la chaîne n’a jamais été divulgué : c’est donc une comparaison de tâches, pas une identification.
Ce qu’il ne fait pas. Il ne traduira pas, ne transcrira pas et ne produira pas la voix — l’audio doit exister d’abord. Il ne sauvera pas non plus un cadrage qu’il ne peut pas lire : les plans de profil, plus d’un locuteur dans le cadre et un flou de mouvement marqué restent peu fiables, et aucun réglage n’y change quoi que ce soit.
Ouvrir le poste de synchronisation labialeLe verdict Tient est ce que l’essai mesuré a montré, sur un seul clip face caméra avec un locuteur unique. Les deux verdicts Échoue sont des limites connues du recalage remap, pas des résultats de cet essai — il ne contenait aucun cadrage de profil, aucun second locuteur et aucun flou de mouvement marqué. Rien ici n’est un jeu de test noté, et aucun taux de réussite n’a été publié.
Limites assumées
Quatre choses, catégoriquement : il ne peut pas ressortir les dialogues d’une piste déjà mixée, il ne peut pas remplacer le texte incrusté dans l’image, il ne peut pas promettre une synchronisation labiale fiable sur un cadrage de profil, sur des plans à plusieurs locuteurs ou sous un flou de mouvement marqué, et il ne peut pas vous garantir un taux de précision pour la transcription ou la traduction.
L’agent n’a nommé que les outils propres à Pixazo. Le catalogue liste plusieurs familles de modèles de parole et de synchronisation labiale, mais cet essai n’en prouve aucune : cette page n’affirme donc pas quel modèle éditeur a prononcé ni resynchronisé le clip ci-dessus.
| Ce qu’il vous faut | Pourquoi c’est important | Qui doit donner son accord |
|---|---|---|
| L’autorisation de cloner la voix du locuteur | Une voix clonée est la voix de cette personne ; consentir à apparaître n’est pas consentir à être revoixé | Le locuteur |
| Une licence qui couvre le redoublage | Une licence d’utilisation d’un clip ne va pas jusqu’à mettre de nouveaux mots dans la bouche de son locuteur | Le détenteur des images |
| La validation de la réplique traduite | La traduction de l’agent est ajustée à la durée mesurée : c’est un choix de formulation, pas une glose littérale | Le détenteur du message |
| Coûts de l’essai vérifié : $1.88 pour toute la session, génération du clip source incluse ; à la main, 4 crédits au poste de voix et à partir de 104 crédits au poste de synchronisation labiale. Aucun tarif à la minute ou par langue n’est publié pour un doublage. | ||
Votre premier doublage
Quatre étapes : téléversez un clip face caméra avec un seul locuteur, lisez la transcription et la réplique traduite que l’agent affiche, validez-les, puis laissez tourner le clonage de la voix — comptez environ quinze minutes pour un clip court.
Illustration
Un clip face caméra, une instruction, une relecture de ce qui s’affiche — puis environ quinze minutes d’attente, essentiellement le clonage de la voix.
Un locuteur, face caméra, bouche dégagée. C’est ce cadrage dont l’étape de resynchro aura besoin plus tard : autant le réussir avant que quoi que ce soit d’autre ne tourne.
Une seule instruction suffit ; l’agent choisit les postes. Vous ne sélectionnez pas de modèles et vous ne câblez pas la chaîne vous-même.
La transcription et la réplique traduite apparaissent avant qu’aucun audio n’existe. C’est votre seul point de contrôle — lisez vraiment les deux.
Environ dix minutes sur un clip court, sans surveillance ; cette pause est normale, ce n’est pas un blocage. La resynchro qui suit a pris 3 min 09 s lors de l’essai mesuré.
FAQ
Ces dix questions couvrent les durées, les échantillons de voix, les paires de langues et le sens de la traduction, ce qu’un doublage laisse intact, le coût et l’offre de démarrage gratuite, les autorisations, l’utilisation d’une vidéo YouTube comme source, et ce que l’essai n’a pas révélé.
Environ quinze minutes de bout en bout pour un clip de cinq secondes avec un seul locuteur lors de l’essai mesuré du 29 juillet 2026, et environ dix de ces minutes n’étaient que le clonage de la voix.
La transcription a pris 13 secondes, l’extraction de l’audio source 9 secondes, la prononciation de la réplique traduite 42 secondes et la resynchro de la bouche 3 minutes 9 secondes. Un clip plus long, davantage de locuteurs ou une autre paire de langues ne donneront pas les mêmes chiffres.
Non — l’essai a cloné la voix à partir de la parole du clip lui-même, sans aucun échantillon distinct fourni.
La piste source est extraite avec pixazo_extract_audio puis réutilisée comme référence de clonage, ce qui signifie aussi qu’un original bruyant ou très chargé en musique donne au clone une moins bonne référence.
L’agent rédige lui-même la traduction au lieu d’appeler un modèle de traduction distinct, et l’essai vérifié allait de l’anglais vers l’espagnol.
Comme il n’y a aucun modèle de traduction distinct dans la chaîne, il n’existe aucune liste publiée de paires prises en charge à citer, ni de taux de précision pour la traduction. Notez aussi que le playground n’a ni reconnaissance vocale ni modèle de traduction — seul AI VFX Studio exécute toute la chaîne.
Il remplace toute la bande son et recale l’image, et il ne touche à rien d’autre.
Il ne peut pas séparer les dialogues de la musique et des effets dans une piste déjà mixée, et il ne peut pas remplacer le texte incrusté dans l’image — les titres, les synthés et les sous-titres incrustés restent dans la langue d’origine.
La session vérifiée complète est revenue à environ $1.88, et ce chiffre comprend la génération du clip source, pas seulement le doublage.
Si vous pilotez les postes à la main, Chatterbox v1 coûte 4 crédits et MultiTalk à partir de 104 crédits par exécution. Aucun tarif de doublage à la minute ou par langue n’est publié.
Oui — cloner la voix d’une personne réelle exige l’autorisation de cette personne, et une licence d’utilisation d’images ne couvre pas leur doublage.
Obtenez les deux séparément avant de doubler quoi que ce soit que vous n’avez pas tourné vous-même.
Non divulgué : l’agent n’a nommé que les outils propres à Pixazo — pixazo_add_voice, pixazo_lip_sync.
Le catalogue liste plusieurs familles de modèles de parole et de synchronisation labiale, mais cet essai n’en prouve aucune : cette page n’attribue donc aucune des deux étapes à un éditeur.
Dans les deux sens. L’étape de transcription détecte elle-même la langue source — lors de l’essai mesuré, elle a signalé « Detected English » sans qu’on le lui dise — vous nommez donc la langue que vous voulez en sortie et il part de ce qui est entré.
L’essai présenté ici allait de l’anglais vers l’espagnol. De l’espagnol vers l’anglais, ou toute autre paire, c’est la même instruction avec une autre langue cible ; la couverture de la langue cible dépend du modèle de parole qui prononce la réplique, pas de Pixazo.
Il vous faut le fichier vidéo, pas un lien. Rien dans l’essai mesuré n’a été importé depuis une URL : exportez donc le clip depuis YouTube — ou utilisez votre propre master — et téléversez-le.
C’est un locuteur unique face caméra que l’étape de resynchro gère le mieux : un plan buste se double donc beaucoup plus proprement qu’un montage au découpage rapide.
Oui, le démarrage est gratuit : un essai de 7 jours sans carte bancaire et 100 crédits offerts, comme l’indique la page tarifs. Ces crédits vont loin au poste de voix — Chatterbox v1 coûte 4 crédits par réplique.
Restez toutefois réaliste sur la chaîne entière. Le poste de resynchro labiale démarre à 104 crédits : une exécution complète de bout en bout demande donc plus que la dotation d’inscription. L’essai mesuré présenté ici a coûté environ $1.88 dans AI VFX Studio, et les détails des offres actuelles sont sur la page tarifs de Pixazo.
Deepak Joshi
Spécialiste du marketing de contenu · Pixazo
Deepak documente les modèles de parole, de clonage vocal et de synchronisation labiale de Pixazo en les exécutant plutôt qu’en lisant leurs fiches techniques. Le doublage présenté ici est son propre essai dans AI VFX Studio le 29 juillet 2026 — la transcription, la traduction, les temps par étape et le coût de session de $1.88 sont tous repris de cet essai, et les deux clips en sont la sortie réelle. Là où l’essai n’a rien révélé, par exemple sur le modèle éditeur qui a prononcé la réplique, cette page le dit au lieu de deviner.
Explorer
Ceux qui créent ou prolongent les images que vous doublez — commencez en amont s’il vous manque encore la vidéo, et passez par l’annuaire si vous cherchez une tout autre tâche.
Illustration
Recalez une bouche dans des images que vous avez déjà sur une piste audio que vous avez déjà — le poste 04 tout seul.
Illustration
Travaillez la voix séparément, quand c’est la voix du locuteur qu’il vous faut et pas l’image.
Illustration
Créez les images en premier lieu. Le clip anglais en haut de cette page a commencé ici.
Illustration
Partez d’une image fixe plutôt que d’un tournage, puis ramenez le résultat ici pour le doubler.
Déposez un clip face caméra avec un seul locuteur dans AI VFX Studio et validez la transcription et la traduction qu’il affiche — c’est exactement ainsi que les deux clips en haut de cette page ont été réalisés.
Ouvrir AI VFX Studio
