Un prompt peut-il remplacer Colossyan ?

Construis un générateur local de vidéos de formation : un script entre, un MP4 sous-titré avec diapositives et narration sort. Pas d’avatar, pas de visage.

Format d’entrée : un script Markdown où chaque titre de niveau deux est une scène. Sous un titre, la prose devient la narration et un bloc encadré déclare le visuel de cette scène : une liste à puces, un chemin d’image, un exemple de code, ou une carte de titre. Une scène peut aussi déclarer une question de contrôle des connaissances avec des options et la bonne réponse.

Narration : rends la prose de chaque scène avec un modèle TTS local (Piper ou Kokoro), téléchargé à la première utilisation. Expose la voix, le débit et un dictionnaire de prononciation que l’utilisateur maintient pour les noms de produits et acronymes, ce qui fait la différence entre utilisable et gênant dans un contexte d’entreprise. Ne livre aucune voix clonée ni voix de célébrité ou personnalité publique, et n’accepte que des modèles avec une licence documentée.

Cadencement : mesure chaque segment de narration rendu et construis la timeline à partir de ça, plutôt que de demander à l’utilisateur de deviner les durées. Une liste à puces révèle une puce à la fois, synchronisée sur les limites de phrase dans la narration. Insère une courte pause entre les scènes.

Rendu : compose les diapositives comme du SVG à partir d’un fichier de thème (polices, couleurs, espacement) et rastérise-les ; assemble vidéo et audio avec ffmpeg. Produis un MP4 en 1080p plus un fichier de sous-titres WebVTT généré depuis le texte de narration avec les vrais timings — les sous-titres sont une exigence légale pour la formation en entreprise dans beaucoup d’endroits, et les générer depuis le texte source plutôt qu’en re-transcrivant est à la fois moins cher et exact.

Contrôles de connaissances : rends une question déclarée comme une carte à la fin de sa section avec les options visibles et une pause, puis une carte révélant la réponse. Produis aussi l’ensemble complet des questions comme un fichier JSON pour que le même script puisse alimenter un quiz dans un système d’apprentissage.

Provenance : écris un fichier JSON annexe par rendu enregistrant le hash du script, le modèle et la voix TTS, le thème, et le hash de sortie. Intègre un avis visible de média synthétique dans la dernière image indiquant que la narration est générée par machine.

Hors périmètre : toute génération de tête parlante ou d’avatar, cloner une voix, la traduction automatique dans d’autres langues, le packaging SCORM ou xAPI, et tout service hébergé.