La voix en montage vidéo : la chaîne de traitement que les monteurs négligent

Le montage est verrouillé, l’étalonnage est propre, les titres sont calés — et la voix sonne encore exactement comme le fichier sorti de l’enregistreur. La situation est tellement répandue qu’elle est devenue la norme : dans la majorité des chaînes de production vidéo, le dialogue traverse tout le pipeline sans que personne ne le traite vraiment. On a soigné la prise, on a mis un bon micro à la bonne distance, on a surveillé le niveau à l’enregistrement, et on en conclut que le travail audio est fait.

Il ne l’est pas. Une prise correcte est une matière première, pas un résultat. Entre le fichier brut et une voix qui tient face à une nappe musicale, dans un casque comme sur le haut-parleur d’un téléphone, il y a une chaîne de traitement de cinq à six étages. C’est elle qui manque presque toujours, et c’est elle que cet article détaille, outil par outil.

Le problème n’est pas la prise, c’est l’absence de chaîne

Un monteur vidéo traite l’image par couches successives : balance des blancs, primaire, secondaires, masques, grain. Personne ne prétendrait qu’un plan est étalonné parce qu’on a monté l’exposition d’un demi-diaphragme. Sur l’audio, pourtant, le geste s’arrête souvent là : on tire le fader jusqu’à ce que ça s’entende, et on passe au plan suivant.

Or la voix parlée est un signal à très forte dynamique. Entre une syllabe attaquée en début de phrase et une fin de proposition soufflée, il y a couramment 20 à 30 dB d’écart. Aucune position de fader ne rattrape cela : si le début de phrase est au bon niveau, la fin passe sous la musique ; si la fin est audible, le début sature. Le fader règle un niveau moyen, il ne règle pas une dynamique.

Les deux symptômes qui trahissent l’absence de chaîne sont toujours les mêmes. D’abord, l’intelligibilité s’effondre dès qu’un lit musical arrive, parce que la voix n’a pas été dégagée dans les fréquences où la musique la masque. Ensuite, le niveau perçu saute d’une séquence à l’autre, parce que les prises viennent de journées, de pièces et parfois de micros différents, et qu’aucun étage n’a été chargé de les ramener à un dénominateur commun.

La chaîne, dans l’ordre

Cette séquence n’est pas une convention esthétique, c’est une contrainte logique. Un réducteur de bruit analyse un spectre : si vous l’égalisez avant, vous lui donnez à analyser un spectre déjà déformé. Un compresseur suit une enveloppe : si vous ne lui avez pas retiré les infrabasses du micro-cravate qui frotte, il déclenche sur des événements que personne n’entend. Un de-esser cherche des sifflantes : si vous le placez en amont, il travaille sur un signal dans lequel les sifflantes ne sont pas encore devenues gênantes, et il les laissera repasser dès l’étage suivant.

Étape 1 — nettoyer avant de traiter

Quatre nuisances reviennent systématiquement sur les prises de dialogue tournées en conditions réelles : le souffle large bande (préampli poussé, micro peu sensible), le bruit de fond continu (ventilation, climatisation, circulation), la ronflette secteur à 50 Hz et ses harmoniques, et la réverbération de la pièce. Les trois premières se traitent bien. La quatrième reste la plus difficile, parce qu’elle est corrélée à la voix elle-même.

Dans l’ordre, on retire d’abord le continu, ensuite le transitoire. Un réducteur de bruit apprenant sur un profil (deux secondes de silence de la même prise, pas d’une autre) fait le gros du travail avec 6 à 9 dB de réduction — pas plus. Au-delà, l’oreille entend le traitement avant d’entendre la voix : les fins de mots deviennent métalliques et l’ambiance disparaît brutalement entre deux répliques. Un dé-ronfleur réglé sur la fondamentale secteur nettoie ensuite les 50 Hz et leurs multiples. Enfin, les clics de bouche et les respirations trop marquées se traitent au coup par coup, à la main ou avec un module dédié.

Étape 2 — l’égalisation commence par ce qu’on enlève

Le réflexe le plus répandu, et le plus contre-productif, consiste à ouvrir un égaliseur et à remonter les aigus jusqu’à ce que la voix « sorte ». Elle sort effectivement, avec le souffle, les sifflantes et le bruit de bouche. La bonne méthode est inverse : on retire d’abord ce qui encombre, et on ne relève qu’ensuite, beaucoup moins fort que prévu.

Le coupe-bas se règle en premier, avec une pente raide, entre 70 et 90 Hz sur une voix masculine, entre 100 et 120 Hz sur une voix féminine. La méthode fiable consiste à monter la fréquence de coupure jusqu’à entendre la voix maigrir, puis à redescendre d’un cran. Tout ce qui se trouve sous la fondamentale n’apporte rien au timbre et fait travailler inutilement les étages suivants.

Vient ensuite la zone 200 à 400 Hz, responsable de l’effet « voix dans un carton ». Elle est particulièrement chargée sur les micros-cravate portés sous un vêtement et sur les prises en proximité, où l’effet de proximité gonfle le bas médium. Une cloche large, entre 2 et 4 dB de creux, suffit presque toujours. Entre 400 Hz et 1 kHz se logent le nasillard et la coloration de pièce : là, il faut une cloche étroite, balayée jusqu’à trouver le point exact, et un creux chirurgical de 3 à 5 dB.

Seulement après ce nettoyage on relève la présence, entre 2,5 et 5 kHz, avec une cloche large et 2 à 3 dB au maximum. Le plateau d’air au-dessus de 10 kHz s’ajoute en dernier, très doucement, et jamais sur une prise bruitée — il remonterait le souffle avec le reste. Les mécanismes de chaque type de filtre sont détaillés dans notre guide de l’égalisation.

Étape 3 — deux compressions douces valent mieux qu’une brutale

La compression est l’étage que les monteurs vidéo ratent le plus souvent, parce qu’ils l’abordent comme un correcteur de niveau et non comme un modeleur d’enveloppe. Un seul compresseur chargé d’absorber 10 à 12 dB de dynamique produit un résultat immédiatement reconnaissable : la voix pompe, les respirations remontent au premier plan, et le fond de la pièce monte et descend au rythme des phrases.

La solution consiste à répartir le travail sur deux étages. Le premier, lent, est là pour égaliser les phrases entre elles : ratio 2:1 à 3:1, attaque autour de 10 à 20 ms pour laisser passer les consonnes d’attaque, release entre 100 et 150 ms, seuil réglé pour obtenir 3 à 5 dB de réduction sur les passages nourris. Le second, plus rapide et plus haut placé, ne s’occupe que des pointes qui dépassent encore : ratio 4:1 à 6:1, attaque courte, 2 à 4 dB supplémentaires. Le total reste dans une fourchette de 6 à 9 dB, mais il est réparti, donc inaudible.

Un expandeur doux placé en amont peut compléter le dispositif, à condition de le régler comme un expandeur et non comme une porte : une plage de réduction limitée à 6 ou 8 dB, un seuil bas, un temps de rétablissement long. Un noise gate qui claque entre les phrases est plus gênant que le bruit qu’il supprime. Les paramètres de chaque type de compresseur sont expliqués en détail dans notre article de fond sur la compression.

Étape 4 — le de-essing arrive après, jamais avant

Les sifflantes ne sont presque jamais un problème sur la prise brute. Elles le deviennent après coup, mécaniquement, parce que la compression réduit tout ce qui est nourri sans toucher aux transitoires courts, et parce que le relevé de présence tombe juste sous la zone où elles vivent. C’est pour cette raison que le de-esser se place à la sortie de la compression, et pas à l’entrée.

Le réglage tient en trois gestes. On identifie la bande utile en écoutant le canal de détection en solo : entre 5 et 7 kHz sur une voix grave, entre 6 et 9 kHz sur une voix claire. On doit y entendre des « s » et des « ch », pas des mots entiers. On règle ensuite le seuil pour obtenir 3 à 6 dB de réduction sur les pointes uniquement, l’indicateur devant rester au repos la plupart du temps. On privilégie enfin un fonctionnement en bande séparée plutôt qu’en large bande : le premier n’atténue que la zone concernée, le second fait plonger toute la voix à chaque sifflante et produit un effet de zézaiement inversé très reconnaissable.

Étape 5 — calibrer en LUFS, pas en dBFS

C’est ici que se joue la différence la plus visible entre un montage amateur et une livraison professionnelle. Normaliser un export à -3 dBFS ne calibre rien : le dBFS mesure une crête instantanée, pas une sensation de niveau. Deux fichiers normalisés au même pic peuvent différer de 8 dB à l’écoute. La mesure pertinente est le LUFS, qui intègre le niveau dans le temps avec une pondération proche de la sensibilité de l’oreille.

Les plateformes de partage vidéo appliquent aujourd’hui une normalisation à la lecture. Livrer un fichier beaucoup plus fort que la cible ne le rendra pas plus fort chez le spectateur : le lecteur le redescendra, et il ne restera que la dynamique écrasée en chemin. Sur YouTube, viser -14 LUFS avec un plafond de crête vraie à -1 dBTP donne un résultat propre et évite les distorsions d’encodage. Pour un podcast, le repère est -16 LUFS en stéréo, avec un équivalent autour de -19 LUFS quand le programme est diffusé en mono.

La télévision est un autre monde, et c’est celui qui impose les contraintes les plus strictes. La recommandation EBU R128, appliquée en Europe, fixe un niveau intégré de -23 LUFS avec une tolérance de plus ou moins 0,5 LU sur les programmes, et un plafond de -1 dBTP. Aux États-Unis, la norme ATSC A/85 retient -24 LKFS. Un sujet livré à une chaîne sans cette calibration est retourné, quel que soit son montage. Le détail de ces normes, de la mesure intégrée à la plage de loudness, est traité dans notre article sur le loudness en broadcast.

La marge de crête vraie n’est pas un détail bureaucratique. Un fichier qui touche 0 dBFS avant encodage produit des dépassements après compression en AAC ou en Opus, donc des craquements sur le lecteur du spectateur. Le dBTP mesure justement le signal reconstruit entre les échantillons, et c’est lui qu’il faut surveiller.

Les outils déjà présents dans votre logiciel de montage

Aucun des trois grands logiciels de montage n’oblige à sortir vers une station audio pour traiter correctement une voix. Ils ne placent simplement pas les outils au même endroit, et ne les nomment pas de la même façon.

Sur le seul critère du traitement de la voix, la page Fairlight de DaVinci Resolve reste la mieux équipée des trois : elle offre une vraie tranche de console par piste, des bus, un mesureur de loudness conforme aux normes de diffusion et un moteur de traitement pensé pour le dialogue. Premiere Pro compense par l’ergonomie de son panneau Son essentiel, qui met les bons paramètres à portée sans passer par une page dédiée. Final Cut Pro est le plus rapide pour un traitement simple et le plus limité dès qu’il faut mesurer.

Faire cohabiter la voix et la musique

Le dernier réflexe à corriger concerne le lit musical. La règle empirique qui circule — placer la musique 6 dB sous la voix — donne un résultat systématiquement trop fort. Sur un programme parlé, l’écart utile se situe entre 12 et 18 dB dans les passages où quelqu’un parle. La musique n’a pas à être audible pendant le discours, elle a à être présente.

Le ducking automatique fait le travail à condition d’être réglé avec un temps de rétablissement long, de l’ordre de 600 ms à une seconde. Réglé court, il fait respirer la musique à chaque syllabe et attire immédiatement l’attention. Une solution plus élégante consiste à creuser dynamiquement la musique dans la seule zone de présence de la voix, autour de 2 à 3 kHz, avec un égaliseur dynamique déclenché par le bus de dialogue : la musique garde son grave et son aigu, elle libère juste la bande d’intelligibilité. Le fonctionnement de ce déclenchement croisé est détaillé dans notre guide du sidechain.

Pour les productions destinées à l’antenne, il faut garder à l’esprit qu’un dernier étage de traitement s’appliquera après vous, au moment de la diffusion. Un mixage déjà très comprimé en sortie de montage ressortira écrasé une fois passé dans la chaîne de diffusion : mieux vaut livrer un signal calibré et raisonnablement dynamique, comme l’explique notre article sur la mise en onde.

La démonstration en vidéo

Blackmagic Design propose une introduction complète à la page Fairlight, qui reste le meilleur point d’entrée pour comprendre comment une tranche de console fonctionne à l’intérieur d’un logiciel de montage vidéo.

Rien de ce qui précède ne demande d’acheter quoi que ce soit. Les six étages tiennent dans les modules livrés avec les trois logiciels de montage dominants, et l’ensemble se met en place en une vingtaine de minutes sur un projet type, puis se sauvegarde en préréglage. Le gain, lui, est immédiat : une voix qui reste intelligible sur un téléphone dans le métro, un niveau qui ne varie plus d’une séquence à l’autre, et un export qui passe les contrôles de conformité du premier coup.