La VSL que tu viens de voir dure 1 min 55. Elle n'a pas été montée dans After Effects, ni par un motion designer. Elle a été écrite en code, scène par scène, avec Claude Code et HyperFrames, puis calée au centième sur ma vraie voix.
Ce guide te donne le process exact, dans l'ordre où on l'a fait, avec les prompts qu'on a utilisés et les pièges qui nous ont coûté des heures. Tu peux le suivre tel quel pour ta propre VSL.
0. Ce qu'il te faut
- Claude Code : c'est lui qui écrit les scènes, cale les timings et fait le contrôle qualité.
- HyperFrames : un moteur open source qui transforme une page HTML animée en MP4. Chaque scène est une page web, animée avec GSAP, et HyperFrames la filme image par image. Installation :
npx hyperframes init ma-vsl. - ffmpeg pour l'audio et les exports, Chrome pour le rendu.
- Ton téléphone pour enregistrer ta voix. Le mémo vocal de l'iPhone suffit, dans une pièce calme.
- Optionnel : une transcription mot à mot (Whisper tourne en local) et un clone de ta voix pour la voix témoin (on explique pourquoi à l'étape 3).
Compte une grosse journée pour la première version, puis quelques heures d'allers-retours.
1. La structure avant la moindre image
Le motion design ne sauve pas un mauvais script. On a donc validé la structure avant de produire quoi que ce soit :
- Le hook (10 s) : une situation que ton prospect vit, dite comme il la dirait.
- Le constat : tout le monde en parle, presque personne n'y arrive. Pourquoi.
- Les croyances qu'on démonte : ceux qui y arrivent ne sont pas des magiciens.
- À quoi ça ressemble quand ça marche : on montre le résultat, pas la méthode.
- La méthode : un plan, puis le build, puis la formation.
- La preuve : clients, équipe, vitesse.
- L'offre concrète : ce que tu livres, à quel rythme.
- Le CTA : une seule action.
Prompt à copier dans Claude Code « Je veux une VSL de 2 minutes pour vendre [ton offre] à [ta cible]. Propose-moi une structure en 8 blocs : hook, constat, croyances à démonter, résultat, méthode, preuve, offre, CTA. Pour chaque bloc, donne-moi une phrase de voix off dans un ton parlé, en tutoiement, sans jargon. Ne produis rien d'autre tant que je n'ai pas validé. »
2. Le hook : 10 secondes, un ton parlé
Le nôtre :
« Bon... Ça fait des mois que tout le monde parle d'IA à tout va. Au boulot, sur les réseaux, entre amis, en famille, et même... au dodo. Le truc, c'est qu'entre en parler et l'intégrer dans sa boîte... y'a un monde. Et la plupart des gens restent coincés au milieu. »
Ce qui le fait marcher :
- Une liste qui monte vers l'absurde (boulot, réseaux, amis, famille... dodo), puis une chute.
- Un visuel par mot : une interface Slack sur « au boulot », un post Instagram sur « les réseaux », une conversation de groupe, un SMS de tonton, puis des Z qui explosent en logo Claude sur « dodo ».
- Un silence avant la chute : sur « et même... », l'écran s'éteint. Le vide fait exister ce qui suit.
3. Une voix témoin avant ta vraie voix
Tu ne peux pas animer sans timing, et tu ne veux pas réenregistrer à chaque changement de texte. On a donc monté toute la vidéo sur une voix témoin générée avec un clone de ma voix, puis on l'a remplacée par ma vraie voix à la fin.
Le piège qui nous a coûté une demi-journée : ne mets jamais de « ... » dans le texte envoyé à la synthèse vocale. Les points de suspension produisent des blancs cassés, et les questions sortent plates (« Mais alors, comment on fait ? » ne montait pas). Génère des blocs continus, avec des virgules et des points. Fais deux prises, et garde celle dont l'intonation monte vraiment sur les questions.
Ensuite, fais transcrire la voix mot à mot avec les horodatages. C'est la colonne vertébrale de tout le reste : chaque animation sera accrochée à un mot.
4. La DA en tokens, pas au feeling
Avant la première scène, on a posé la charte sous forme de variables CSS :
:root {
--bg: #141111; /* fond */
--fg: #f2f2f2; /* texte */
--muted: #9da2b3; /* texte secondaire */
--accent: #ff5527; /* UNE couleur d'accent, réservée aux mots clés */
}
Trois règles :
- Une seule couleur d'accent, et seulement sur le mot qui porte la phrase (« d'IA », « plan », « concret »).
- Les polices en fichier local (
@font-facevers un.woff2). Une police chargée depuis Internet peut manquer au rendu, et la mise en page casse sans prévenir. - Titres en deux tons : la première moitié en blanc, la seconde en gris. C'est ce qui donne ce rendu éditorial sans effort.
5. Une scène, une idée, un mot déclencheur
Chaque scène est un fichier HTML qui porte une seule idée. Et chaque apparition est déclenchée par le mot exact de la voix off. Quelques exemples tirés de notre VSL :
| Le mot | Ce qui se passe à l'écran |
|---|---|
| « y'a un monde » | deux points s'écartent sur une ligne, puis une planète se pose entre eux |
| « coincés au milieu » | une foule part d'« En parler » et se fait capturer en orbite autour de la planète |
| « chez eux » | une porte s'ouvre, la caméra la traverse et entre dans l'app |
| « les leads arrivent déjà qualifiés » | quatre leads entrent un par un dans le tableau de bord, enrichis et scorés |
| « tu remplaces tout le reste » | les logos de douze outils sont aspirés dans le cockpit |
| « couronner le tout » | une couronne tombe sur la recette de l'app |
| « moi-même » | la photo floutée se révèle d'un coup |
Deux conseils :
- Cherche la métaphore visuelle littérale. « Un monde » devient une planète, « en mode Out of Office » devient un transat au coucher du soleil. C'est ce qui fait sourire et ce qui fait retenir.
- Les interfaces doivent être reconnaissables, les données fictives. On a reconstitué un Slack, un post Instagram et un cockpit complet, mais tous les noms et tous les chiffres sont inventés. Aucune vraie donnée client n'est jamais filmée.
Prompt à copier « Voici ma voix off avec les horodatages mot à mot. Pour chaque phrase, propose une idée visuelle littérale et le mot exact qui la déclenche. Puis écris la scène en HTML pour HyperFrames, avec GSAP, en utilisant uniquement les variables de ma charte. Chaque apparition doit tomber sur l'horodatage de son mot. »
6. Le mouvement qui fait pro : trois règles
- Une seule direction pour les transitions. Toutes nos scènes sortent vers la gauche et la suivante entre par la droite, en pleine vitesse : sortie en
power4.in, entrée enpower4.out, sur environ 12 % de la largeur. L'œil suit un seul mouvement de caméra au lieu d'une pile de diapos. - Pas d'animation « qui respire » pour meubler. Si une scène n'a plus rien à dire, c'est un problème de rythme, pas un problème de décoration. Chaque seconde, quelque chose de signifiant doit bouger : une ligne qui se remplit, un compteur qui monte, un élément qui arrive.
- Un temps de silence avant le climax : 0,3 à 0,75 s d'immobilité juste avant l'effet principal. C'est la virgule dramatique.
7. Le sound design
C'est ce qui fait passer une vidéo « faite par une IA » à une vidéo « produite ». Notre kit tient en six sons :
- Un clic d'obturateur à chaque transition. Jamais de whoosh : ça sonne pub.
- Un pop discret pour chaque apparition (une carte, un logo, un badge).
- Une notification quand un message arrive à l'écran.
- Une montée sous les moments de tension, qui s'arrête net sur le mot clé. Le silence qui suit est ce qui donne l'impact.
- Un carillon léger pour les révélations.
- Une musique de fond qui s'efface sous la voix.
Pour la musique, le réglage qui a marché après plusieurs essais : une compression pilotée par la voix, qui baisse la musique d'environ 4 dB quand tu parles, avec une attaque lente (350 ms) et un retour lent (1,4 s).
ffmpeg -i musique.mp3 -i voix.wav -filter_complex \
"[0:a]loudnorm=I=-25.5[m];[1:a]lowpass=f=3000[sc];\
[m][sc]sidechaincompress=threshold=0.06:ratio=2:attack=350:release=1400:knee=8[o]" \
-map "[o]" musique-sous-voix.wav
8. Enregistrer ta vraie voix
On a préparé un script avec deux repères : / pour une respiration courte, // pour une vraie pause d'une seconde, placée là où l'image a besoin de temps (une porte qui s'ouvre, un écran qui se remplit).
Enregistre d'une traite, et ne t'arrête pas quand tu te trompes : reprends simplement la phrase. On coupe ensuite en gardant toujours la dernière prise, la plus complète. La règle de relecture : le texte final doit se lire d'un trait, sans aucune phrase redite ni faux départ.
Pour les bruits de micro, cette chaîne suffit :
ffmpeg -i brut.wav -af "highpass=f=85,adeclick,afftdn=nr=10:nf=-52,\
deesser=i=0.3,acompressor=threshold=-24dB:ratio=2.2:attack=12:release=180:makeup=3" propre.wav
Évite la porte de bruit (agate) : elle coupe les fins de mots.
9. Le vrai secret : recaler l'image sur ta voix
Tu vas parler plus lentement ou plus vite que la voix témoin, et jamais de façon régulière. Deux mauvaises solutions : accélérer ta voix (elle sonne faux) ou tout réanimer à la main (des jours de travail).
Ce qu'on a fait : on a comparé, mot par mot, où tombait chaque mot dans la voix témoin et où il tombe dans ta voix. Ça donne une courbe de temps. On rejoue ensuite chaque scène sur cette courbe, ce qui garde chaque animation accrochée à son mot.
Le piège : si la courbe change de vitesse à chaque mot, toutes les animations continues deviennent saccadées. Chez nous, la vitesse variait de 0,25x à 9,9x. La solution : lisser la courbe (lissage gaussien d'environ 0,8 s, vitesse bornée entre 0,6x et 2x) et forcer quelques points de passage exacts sur les mots qui déclenchent un effet. Résultat : 48 moments clés tombent pile sur la voix, et le reste suit en douceur.
Prompt à copier « J'ai la transcription mot à mot de la voix témoin et de ma vraie voix. Construis la courbe de temps qui associe chaque mot de l'une à l'autre, lisse-la, borne la vitesse entre 0,6x et 2x, et force un passage exact sur ces mots : [liste de tes mots déclencheurs]. Applique-la aux timelines de toutes les scènes, aux fenêtres d'affichage des scènes et aux départs des effets sonores. »
Sur ce dernier point, ne l'oublie pas : la courbe doit s'appliquer aux animations, mais aussi aux moments où chaque scène apparaît et disparaît, et à chaque effet sonore. Sinon une scène s'anime avant d'être visible.
10. Le contrôle qualité automatique
Ne te fie pas à un seul visionnage. On a fait mesurer la vidéo par Claude Code :
- Les sauts d'image : on compare chaque image à la précédente. Un saut isolé beaucoup plus fort que ses voisins, hors transition voulue, c'est un à-coup.
- Les images figées en plein mouvement.
- Les trous : des passages où l'écran n'affiche que le fond.
- Les sons qui se chevauchent sur une même piste : le second coupe le premier.
- Le niveau final : -14 LUFS pour YouTube et les réseaux, avec des crêtes sous -1 dB.
Chaque défaut détecté se vérifie ensuite à l'œil, avec l'image d'avant, l'image du saut et l'image d'après.
11. Exporter pour ton site et pour LinkedIn
Pour ton site : un encodage léger, avec l'en-tête placé au début du fichier pour que la lecture démarre avant la fin du téléchargement. Notre VSL passe de 34 Mo à 12 Mo en 1080p, sans perte visible.
ffmpeg -i vsl.mp4 -c:v libx264 -preset slow -crf 24 -movflags +faststart \
-c:a aac -b:a 128k vsl-web.mp4
Choisis bien l'affiche (l'image avant la lecture) : c'est souvent l'élément le plus lourd de la page, et sur mobile la vidéo est recadrée. Prends une image dont le sujet est au centre.
Pour LinkedIn : on a ajouté un bandeau fixe en bas, « Commente « Motion » sous ce post », sur une pilule en verre sombre qui floute l'image derrière. Teste-le sur les images où le bas de l'écran est chargé : chez nous, il cachait trois éléments importants, qu'on a remontés dans cette version.
Les 10 pièges qui nous ont coûté du temps
- Des « ... » dans le texte de la synthèse vocale : blancs cassés et questions plates.
- Une police chargée depuis Internet : absente au rendu.
- Le logo de la marque qu'on fait tourner comme un soleil : une charte interdit presque toujours de pivoter un logo.
- Une métaphore faite d'emojis (une marmite et un chef) : ça fait amateur. Une vraie illustration change tout.
- Garder une prise ratée dans le montage : relis toujours la transcription finale.
- Une borne de coupe qui garde un mot de la prise jetée : tout l'alignement se décale derrière.
- Une courbe de temps non lissée : animations saccadées partout.
- Oublier de recaler les fenêtres d'affichage des scènes : une animation qui joue avant que la scène soit visible.
- Le mixage automatique de la musique qui « pompe » entre chaque phrase.
- Un bandeau d'appel à l'action posé sans vérifier ce qu'il cache.
Tu as maintenant le process complet. Si tu veux gagner les deux jours qu'on a passés à le mettre au point, on peut aussi la faire avec toi.













