Vous avez tourné la vidéo, vous avez l'idée, et le résultat reste plat parce que personne ne parle. Une voix off TikTok change ce rapport en quelques secondes : elle impose un rythme, elle dit ce que l'image ne montre pas, et elle retient le spectateur au delà de la troisième seconde. La difficulté arrive juste après, quand vous ouvrez l'outil de synthèse intégré et que votre vidéo se met à sonner comme les cinquante précédentes du fil.
Trois questions se posent alors, dans cet ordre. Quelle voix choisir. Quoi lui faire dire. Comment poser le fichier sur la vidéo sans décaler le montage. Vous trouverez ici des réponses chiffrées et reproductibles, pensées pour le format vertical court. Si le fonctionnement des moteurs de synthèse vous intéresse d'abord, notre guide complet de la voix off IA le décrit en détail.
Voix off TikTok : la réponse courte
Trois chemins existent, et un seul convient vraiment à un compte qui publie souvent. La synthèse intégrée à l'application se pose en deux gestes, mais elle offre peu de voix, toutes déjà entendues, et elle ne vous laisse aucun fichier. Votre voix au micro reste la plus attachante, au prix d'une prise à refaire à chaque correction. Une voix générée dans un studio, exportée en MP3 puis importée dans votre montage, donne un ton précis, un texte corrigeable et une continuité d'une vidéo à l'autre. Quel que soit le chemin, la règle de calibrage ne bouge pas : comptez environ 150 mots par minute de lecture, donc à peu près 75 mots pour une vidéo de trente secondes.
Trois façons de faire parler une vidéo verticale
Le choix se joue moins sur la beauté des voix que sur ce que vous comptez produire. Une vidéo isolée ne demande pas la même chaîne qu'un compte qui poste tous les jours, et une chaîne sans visage ne pose pas les mêmes contraintes qu'un créateur qui apparaît à l'écran.
Un détail règle souvent la question : le fichier. La synthèse de l'application vit à l'intérieur de l'application, alors qu'un MP3 se replace dans un montage, se réutilise dans une version longue, se recycle en épisode de podcast ou en annonce. Dès que la même voix doit servir ailleurs, la génération externe s'impose.
Ce que la synthèse intégrée ne sait pas faire
Elle fait ce qu'elle promet : vous saisissez votre texte, vous ouvrez les options du calque, vous demandez la lecture automatique, et la voix se cale toute seule. La liste reste courte, elle varie selon les pays, et elle appartient à la plateforme. Elle est aussi partout, donc elle ne vous distingue de personne. Sur l'origine de ces voix, un épisode mérite d'être connu : en 2021, la comédienne canadienne Bev Standing a poursuivi ByteDance en affirmant que ses enregistrements avaient servi à la synthèse vocale de l'application sans son accord, et la procédure s'est réglée après le remplacement de la voix concernée.
L'autre limite est le ton. La synthèse intégrée lit, elle ne joue pas. Elle ne sait ni ralentir sur une chute, ni chuchoter une confidence, ni prendre l'énergie d'une annonce. Un moteur de voix externe accepte au contraire une consigne de jeu, et c'est ce réglage qui sépare une lecture plate d'une narration : les réglages qui sortent une voix IA du rendu robotique valent d'être connus avant de générer quoi que ce soit.
La voix se choisit d'après le format, pas d'après votre goût
Une voix n'est ni bonne ni mauvaise en soi, elle est adaptée ou non au contenu qu'elle porte. Le réflexe qui fait perdre des heures consiste à écouter tout un catalogue en cherchant la plus belle. Partez du format, la liste se réduit immédiatement.
- Récit personnel ou histoire à rebondissements : une voix proche, moyennement grave, qui prend son temps sur les silences.
- Tutoriel et explication : une voix claire et régulière, bien articulée, sans effet de style.
- Présentation de produit : une voix énergique mais tenue, qui accélère sur les bénéfices et ralentit sur la dernière phrase.
- Motivation et citations : une voix grave, posée, presque solennelle, portée par une musique discrète.
- Détente, méditation et récit du soir : une voix douce, souffle audible, débit lent.
- Actualité et résumé : une voix de présentateur, rythmée, sans emphase.
Ce classement vaut aussi pour les formats publicitaires, où quinze secondes suffisent rarement à installer deux idées. Nous avons détaillé cette contrainte dans notre méthode pour trouver le ton d'une voix off publicitaire, et elle s'applique telle quelle aux vidéos sponsorisées en vertical.
Le budget de mots d'une vidéo de trente secondes
Une voix off ne se mesure pas en signes, mais en secondes. Une narration lue posément avance à environ 150 mots par minute, soit deux mots et demi par seconde. Trente secondes de vidéo valent donc à peu près 75 mots, et soixante secondes environ 150. Écrire 120 mots pour trente secondes ne produit pas une vidéo dense : cela produit une vidéo précipitée, dont la dernière phrase passe à la trappe.
Le découpage compte autant que le total. Les trois premières secondes portent la promesse, donc huit à dix mots au maximum. La dernière phrase ne contient qu'une seule consigne. Entre les deux, une idée par phrase, dans l'ordre où l'image la montre. Pour ouvrir plusieurs versions d'une même vidéo, ces accroches classées par niche donnent de quoi tester sans réécrire le script entier.
Écrire pour l'oreille, pas pour l'écran
Un texte écrit pour être lu des yeux s'entend immédiatement quand une machine le prononce : phrases longues, propositions empilées, chiffres posés au mauvais endroit. La synthèse lit la ponctuation comme un comédien lit une partition. Elle respire là où vous mettez un point, elle enchaîne là où vous n'en mettez pas. Voici les règles qui tiennent sur tous les moteurs.
- Une idée par phrase, quinze mots en moyenne, jamais plus de vingt-cinq.
- Un point partout où vous voulez une respiration, y compris là où la grammaire accepterait une virgule.
- Les nombres écrits comme ils se disent, pour éviter les lectures approximatives.
- Les sigles espacés ou écrits phonétiquement quand la lecture automatique les avale.
- Aucune indication de mise en scène dans le texte : elle serait lue à voix haute.
- Une relecture à voix haute avant de générer : ce qui vous essouffle essoufflera la voix.
Générer la voix et récupérer le fichier
La suite est mécanique. Dans le studio EasyVids, la voix off se génère depuis le mode voix : vous collez le texte, vous choisissez une gamme de voix, vous écoutez un extrait de celle que vous visez avant de lancer, puis vous téléchargez le MP3. Le champ accepte jusqu'à 100 000 caractères d'un coup ; au delà de trois mille, le texte est découpé, généré en parallèle et réassemblé en un seul fichier, ce qui sert surtout aux formats longs que vous redécoupez ensuite en séquences verticales.
Trois gammes cohabitent, et elles ne servent pas au même usage. La première accepte une consigne de lecture en langage naturel et propose le plus grand choix de timbres. La deuxième aligne des voix françaises de narration, taillées pour les longues lectures. La troisième héberge vos voix clonées. Générer le même texte dans deux gammes différentes prend moins de temps que de chercher la voix idéale à l'oreille dans un catalogue entier.
Le style de lecture, le réglage qui fabrique le ton
C'est le réglage le plus négligé. Au lieu de chercher une voix « joyeuse » dans une liste, vous écrivez la direction : Lis comme un conteur captivant, d'une voix chaleureuse et posée, ou Lis comme un présentateur de journal télévisé, ton sérieux et rythmé. Le moteur applique cette consigne à tout le texte. La même voix devient alors deux voix différentes selon la direction donnée, et une chaîne garde son identité sonore en réutilisant la même phrase à chaque vidéo.
Une précaution : la consigne décrit le jeu, pas le contenu. « Lis avec enthousiasme » fonctionne. « Parle du produit avec enthousiasme » finit souvent lu à voix haute dans le fichier.
Deux personnages qui se répondent
Le format conversation fonctionne particulièrement bien en vertical : une question posée par une voix, la réponse par une autre, et le spectateur reste pour connaître la fin de l'échange. Un mode dialogue permet d'écrire cet échange ligne par ligne, le nom du personnage puis sa réplique, et de distribuer jusqu'à cinq voix différentes. Vous recevez un seul fichier audio, déjà dans l'ordre, au lieu d'aligner cinq exports à la main dans une timeline.
Poser la voix sur la vidéo sans décaler le montage
Deux méthodes cohabitent. La plus simple consiste à importer le MP3 au moment de la publication, en son ajouté, puis à baisser le son d'origine de la vidéo. La plus sûre passe par un éditeur : vous posez la piste, vous coupez les silences de début et de fin, vous calez les plans sur les respirations plutôt que l'inverse. C'est cette seconde méthode qui donne des vidéos dont les coupes tombent juste, parce que la voix commande la durée de chaque plan.
Sur le mélange, une règle suffit. La voix reste devant, toujours. La musique passe nettement en dessous, autour d'un cinquième de son niveau, et ne remonte que dans les silences. Une musique trop haute reste la cause la plus banale d'un abandon à la cinquième seconde, avant même que le texte ait eu le temps de convaincre.
Les sous-titres font la moitié du travail
Une part importante des vues se fait sans le son, dans les transports ou dans une pièce partagée. Une voix off sans sous-titres perd donc ces spectateurs, quelle que soit sa qualité. La transcription automatique règle le problème en une étape : l'audio est transcrit en fichier de sous-titres avec des segments courts, sept mots au maximum, ce qui correspond à ce que l'œil lit en vertical sans effort.
Deux détails changent le résultat. Gardez le texte au centre, hors des zones basses et latérales occupées par l'interface et les boutons de l'application. N'affichez jamais plus de deux lignes à la fois. Le style animé mot à mot, décrit dans notre guide des sous-titres qui retiennent l'attention, reste le plus efficace sur ce format, à condition de ne pas caricaturer l'effet.
Ce que la plateforme demande quand la voix est générée
Les règles communautaires de TikTok imposent d'indiquer clairement qu'un contenu est généré ou retouché par l'intelligence artificielle lorsqu'il montre des scènes ou des personnes d'apparence réaliste, et l'application propose une étiquette dédiée au moment de la publication. TikTok a par ailleurs annoncé en mai 2024 l'adoption des Content Credentials de la norme C2PA, qui permettent de reconnaître certains contenus générés et de les étiqueter automatiquement. Une narration synthétique posée sur des images que vous avez filmées n'est pas la même situation qu'un visage entièrement fabriqué, mais l'étiquette ne coûte rien et vous met à l'abri d'un signalement pour information trompeuse.
Le clonage demande plus de rigueur encore. Cloner votre propre voix ne pose aucune difficulté ; celle d'un tiers exige son accord explicite ; celle d'une personnalité connue reste interdite dans la quasi totalité des cas. Le règlement européen sur l'intelligence artificielle impose depuis le 2 août 2026 d'informer le public lorsqu'un contenu audio ou vidéo a été généré ou manipulé artificiellement, et plusieurs autres juridictions ont adopté des exigences comparables. Le détail des situations se trouve dans notre article sur la légalité du clonage de voix.
Les erreurs qui font décrocher
- Un texte trop long pour la durée : la fin est coupée et l'appel à l'action disparaît.
- Une voix différente à chaque publication : l'audience ne reconnaît plus la chaîne.
- Aucune respiration : trente secondes sans un seul silence fatiguent l'oreille.
- Une musique au même niveau que la voix, qui rend les mots flous sur un téléphone.
- Des sous-titres collés en bas de l'écran, cachés par l'interface de l'application.
- La prononciation des noms propres jamais vérifiée avant la publication.
Questions fréquentes
Peut-on ajouter une voix off à une vidéo déjà publiée ?
Non. L'audio d'une vidéo en ligne ne se remplace pas après coup : il faut retirer la publication, remonter la vidéo avec sa nouvelle piste et publier à nouveau. C'est une raison de plus de préparer la voix off avant l'export, et non au moment de poster.
Une voix off générée est-elle gratuite ?
La synthèse intégrée à l'application ne coûte rien. Un studio externe fonctionne le plus souvent avec un essai gratuit, puis un système de crédits proportionnel à la longueur du texte, ce qui reste très économique sur des formats de trente secondes. Le détail de nos formules se trouve sur la page des tarifs.
Une voix générée réduit-elle la portée d'une vidéo ?
Rien n'indique qu'une voix de synthèse soit pénalisée en tant que telle. Ce que les plateformes sanctionnent, c'est le contenu répétitif produit en masse sans apport, et l'absence de déclaration quand un contenu réaliste a été fabriqué. Une narration soignée sur un montage original entre dans les règles.
Combien de mots faut-il pour une vidéo d'une minute ?
Environ 150 mots pour une lecture posée, un peu moins si votre voix accélère ou si vous ménagez de vrais silences. Le plus fiable reste de générer la voix, de lire sa durée réelle, puis d'ajuster le texte plutôt que la vitesse de lecture.
Peut-on utiliser sa propre voix clonée sur ses vidéos ?
Oui. Un échantillon audio propre d'une quinzaine de secondes suffit à créer une voix réutilisable dans tous vos projets, visible de vous seul. Vous restez responsable du consentement : cloner la voix d'une autre personne sans son accord explicite est interdit, et entraîne la fermeture du compte sur la plupart des services.
Une voix off n'est pas un habillage ajouté à la fin. C'est elle qui fixe la durée, le rythme et le ton de la vidéo, et le montage suit. Écrivez le texte d'abord, calibrez le nombre de mots, gardez la même voix d'une publication à l'autre, et votre chaîne devient reconnaissable avant même la première image. Pour tester une voix sur votre prochain script, la création d'un compte ouvre le studio complet, et le studio EasyVids réunit l'écriture, la voix, les sous-titres et le montage au même endroit.