J’ai confié le montage de mes vacances à une IA : 451 clips, un film de 15 minutes

En quelques jours et six versions, une IA a transformé 451 clips de vacances en un film de famille de 15 minutes et un Reel Instagram de 2 minutes. Je n’ai ouvert aucun logiciel de montage. Voici comment je m’y suis pris, ce que ça donne, et ce que ça change.

Vingt ans de films de vacances, toujours la même corvée

Cet été, nous avons passé trois semaines en Floride, de Miami à Orlando en passant par Naples, Sarasota et Clearwater. Au retour, j’avais 451 clips sur mon téléphone, soit 1 h 56 de rushes, majoritairement en 4K.

Cela fait 20 ans que je monte systématiquement mes films de vacances, une à deux fois par an. J’ai utilisé tour à tour différentes applications, mais deux choses n’ont jamais changé : cela me prenait énormément de temps, et je galérais, parce que je ne suis pas monteur.

Cette fois, j’ai voulu tester autre chose. Je savais déjà que Claude, l’IA d’Anthropic, savait fabriquer des vidéos : je l’avais vu produire du motion design à partir du code source d’une application. Mais je ne l’avais jamais éprouvé sur du vrai contenu, filmé à la caméra.

Je lui ai donc confié mes rushes, avec une demande précise : un montage dynamique, façon vlog, de 10 à 15 minutes, avec musique et coupes. Il a accepté, en me disant honnêtement ce qu’il ferait moins bien qu’un monteur.

L’IA fait le travail fastidieux, je garde les décisions

Tout s’est passé sur mon Mac, dans un dossier partagé avec Claude. La méthode tient en huit étapes.

1. Préparer le terrain. J’ai déposé tous les clips dans un dossier, sans les renommer, ainsi que les quatre morceaux de musique que je voulais. J’ai ajouté l’itinéraire du voyage, exporté depuis Trip Control, notre application de gestion de voyages, avec chaque étape et ses dates. Ce brief tient en dix lignes.
2. Faire l’inventaire. Pour chaque clip, l’IA a lu la date, la durée, le format et la position GPS. Grâce à la date de création de chaque fichier, elle a rattaché chaque clip à la bonne étape et à sa ville, repéré les vidéos reçues par WhatsApp et corrigé le décalage horaire de la Floride.
3. Regarder les rushes. L’IA ne regarde pas une vidéo en continu. Elle extrait quatre images par clip et les assemble en planches contact, qu’elle examine une par une. Elle a ainsi « vu » les 451 clips.
4. Écouter ce qui se dit. Un détecteur de voix repère les passages parlés. Ensuite, un modèle de transcription, Whisper, écrit mot à mot ce que chacun dit, avec l’horodatage de chaque mot. C’est ce qui permet de couper à la fin d’une phrase et de choisir les meilleures répliques.
5. Proposer un storyboard. Avant de monter quoi que ce soit, l’IA m’a soumis un plan écrit, avec un chapitre par étape, les temps forts et la musique de chaque partie. C’est le point de contrôle le plus important.
6. Monter. Chaque plan est découpé puis calé sur le tempo de la musique. Les plans verticaux reçoivent un fond flouté et les couleurs HDR de l’iPhone sont corrigées. La musique baisse automatiquement quand quelqu’un parle.
7. Itérer. J’ai regardé chaque version et envoyé mes retours avec le minutage, par exemple « à 4 min 24, ma fille est coupée ». L’IA ne recalcule que les plans concernés, donc chaque nouvelle version arrive vite.
8. Finir. J’ai validé un étalonnage sur un comparatif d’images, puis l’IA a recalculé tout le film depuis les originaux 4K. Elle a enfin décliné un Reel vertical sans aucun membre de la famille, pour Instagram.

Six versions et une cinquantaine de retours pour passer de correct à percutant

Le film final est la sixième version. Entre la première et la dernière, j’ai envoyé une cinquantaine de retours, toujours en langage naturel et avec le minutage. Trois moments ont tout changé.

Lire les dialogues plutôt que les deviner

La première version était déjà bien rythmée, mais les passages parlés sonnaient faux. Certaines coupes tombaient au milieu d’un mot, et les répliques gardées n’étaient pas toujours les bonnes.

La raison était simple. L’IA savait où quelqu’un parlait, grâce au détecteur de voix, mais pas ce qu’il disait. Elle coupait donc à l’aveugle, en arrondissant chaque passage au temps de musique le plus proche.

Quand je lui ai fait la remarque, elle a posé le diagnostic et m’a proposé d’installer Whisper. Le téléchargement automatique était bloqué depuis ma machine : elle m’a donc indiqué les quatre fichiers à récupérer moi-même, environ 480 Mo, et le dossier où les déposer.

En une vingtaine de minutes, les 205 clips où l’on parle étaient transcrits mot à mot. Trois choses ont alors changé :

• Les coupes tombent en fin de phrase. Sur la version suivante, plus aucune coupe ne tombait au milieu d’un mot.
• L’IA choisit les répliques. Elle a lu les 1 100 lignes de dialogue et retenu les meilleures, comme le petit-déjeuner à 73 dollars, les premières impressions à Miami ou les interviews de fin de séjour.
• Le film raconte une histoire. Au lieu de passages parlés pris au hasard, chaque séquence a un début et une chute.

C’est le moment où le montage est passé de correct à percutant.

Corriger en langage naturel, comme avec un monteur

Je n’ai jamais touché à une timeline. Je regardais la version, je notais le minutage et je décrivais ce que je voulais. Deux exemples montrent bien comment ça se passe.

Le panier de basket. Dans un stand de fête foraine, mon fils tente un panier. La première version coupait avant que la balle ne retombe. J’ai simplement écrit : « montre l’intégralité du geste, jusqu’à ce qu’on voie la balle tomber dans le panier ». L’IA a extrait une série d’images du rush pour repérer le moment exact du tir et de l’entrée de la balle, puis elle a recalé le plan sur ce passage.

L’université de Miami. Je trouvais que la séquence sur le campus n’exploitait pas assez les rushes. Je lui ai dit ce que je voulais : plus de contexte, une incrustation avec le lieu et la date, et des plans des stands. Elle est allée chercher dans les clips du jour les plans de stands, de la boutique et du parc, les a intégrés autour du passage parlé et a prolongé la réplique coupée jusqu’à la fin de la phrase.

Le reste des retours était du même ordre :

• « regroupe toutes les vidéos du petit-déjeuner, puis demande l’avis » ;
• « laisse le plan monter jusqu’à ce qu’on voie toute la montagne de poussettes » ;
• « avance un peu le plan pour qu’on la voie chanter » ;
• « ajoute le moment où elle lâche la boule de bowling sans faire exprès ».

À chaque fois, l’IA retrouvait le bon passage dans les rushes, le vérifiait à l’image et ne recalculait que les plans concernés. Une nouvelle version arrivait en quelques minutes.

Choisir l’étalonnage sur des images fixes

Une fois le montage validé, j’ai demandé un rendu plus cinématique, avec des couleurs plus vibrantes. Plutôt que de recalculer 15 minutes de film pour chaque essai, l’IA a procédé comme un étalonneur :

1. Elle a choisi six images clés du film : une piscine en plein soleil, une fresque, un coucher de soleil, une scène de nuit, un visage en extérieur et un plan de groupe.
2. Elle m’a présenté trois looks sur une planche contact, côte à côte avec l’original : un teal & orange cinéma, un look « été vibrant » et un rendu « film doux ».
3. Je lui ai demandé un mélange des deux premiers, plus mesuré et avec des peaux naturelles. Elle m’a proposé une deuxième planche en deux intensités.
4. J’ai choisi la plus légère. Elle a alors recalculé tout le film depuis les originaux 4K, en appliquant l’étalonnage avant les titres pour qu’ils restent bien blancs.

En deux allers-retours sur des images fixes, la décision était prise. Le calcul complet n’a eu lieu qu’une seule fois.

Le résultat : un film de 14 min 52 et un Reel de 2 min 06

Les deux vidéos sont tirées des mêmes 1 h 56 de rushes.

Le film suit la chronologie du voyage, en cinq chapitres titrés avec leurs dates. Les lieux marquants ont leur incrustation, comme Wynwood, l’University of Miami, la maison de Barbie ou Universal Studios. Il se termine sur nos interviews de fin de séjour, puis sur un récap où 85 photos tombent les unes sur les autres au rythme de la musique.

Le Reel, lui, ne montre que des décors : couchers de soleil, fresques, voitures, Disney Springs, Universal. J’ai préféré ne pas exposer ma famille sur un réseau public.

Je suis passé de monteur à réalisateur

Je n’ai jamais déplacé un clip sur une timeline. Mon travail a consisté à dire ce que je voulais, puis à regarder et à corriger. Les retours ressemblaient à ceux qu’on ferait à un monteur humain : « regroupe le petit-déjeuner », « laisse le plan monter jusqu’en haut », « on ne voit pas assez certains membres de la famille ».

Le temps passé n’est plus au même endroit. Trier 451 clips, transcrire les dialogues et caler chaque coupe sur le tempo m’aurait pris plusieurs week-ends. Ici, mon temps est allé au visionnage et aux décisions. Les calculs tournaient pendant que je faisais autre chose.

La transcription fait toute la différence. Tant que l’IA choisissait les passages parlés sans comprendre ce qui se disait, elle coupait parfois au milieu des mots. Dès qu’elle a pu lire les dialogues, les coupes sont tombées en fin de phrase et les répliques choisies sont devenues les bonnes.

C’est la même leçon que dans mes 75 jours avec un assistant IA personnel : déléguer l’exécution marche d’autant mieux qu’on garde la main sur les décisions qui comptent.

Les limites sont réelles, et il faut les connaître

• L’IA juge sur des images échantillonnées. Avec quatre images par clip, elle a parfois gardé un plan inutile ou raté un moment fort, comme le lancer de bowling raté de ma fille, que j’ai dû lui signaler.
• Elle ne retrouve pas ce qu’elle n’a pas vu. Le Cybertruck que je voulais intégrer n’a jamais été trouvé dans les rushes.
• Il faut une machine allumée. Le calcul tourne sur l’ordinateur, et chaque mise en veille a interrompu le travail.
• La musique commerciale pose problème sur les réseaux. Le Reel existe donc aussi en version muette, à sonoriser depuis la bibliothèque d’Instagram.
• Le regard humain reste indispensable. Sans mes six séries de retours, le film aurait été correct. Avec, il nous ressemble.

Cinq règles si vous voulez essayer

• Donnez un brief court mais précis. Indiquez la durée visée, le ton, les lieux avec leurs dates, les musiques et le format.
• Exigez un storyboard écrit avant le montage. C’est là qu’on corrige le plus vite.
• Donnez vos retours avec le minutage. « À 8 min 46, laisse le plan monter » est immédiatement actionnable.
• Validez l’étalonnage sur un comparatif d’images plutôt que sur le film entier.
• Gardez le dernier mot. L’IA propose et exécute, c’est vous qui savez ce qui compte.

L’IA supprime la corvée, pas le regard

Ce projet personnel illustre exactement ce que je défends avec Levolia : l’IA ne remplace pas le regard, elle supprime la corvée qui nous empêchait de passer à l’acte. C’est aussi ce que j’avais vécu en créant ma première app iPhone sans être développeur.

Ces 451 clips auraient dormi dans mon téléphone. Aujourd’hui, ils sont devenus un film que ma famille regarde.