C'est l'opération qui rend le doublage possible. Elle porte un nom dans le métier, elle repose sur une technologie précise, et elle a des limites qu'il vaut mieux connaître avant de s'énerver sur un résultat imparfait.
Dans un studio de doublage professionnel, on ne retire jamais la voix d'un film. On demande au producteur une version de la bande sonore sans les dialogues, appelée M&E, pour music and effects : la musique, les bruitages, les ambiances, tout sauf les voix. Les comédiens enregistrent leurs répliques par-dessus, et le mixage recompose un film complet dans la nouvelle langue.
C'est pour cette raison qu'un film doublé garde exactement les mêmes explosions, les mêmes pas dans le gravier et la même musique que l'original : rien n'a été recréé, seule la couche des voix a été remplacée.
Pour une vidéo trouvée en ligne, cette piste n'existe pas. Il faut la reconstruire à partir du mélange final. C'est ce que fait la séparation de sources.
Un modèle de séparation a été entraîné sur des dizaines de milliers de morceaux dont on possédait à la fois le mélange et les pistes séparées. À force d'exemples, il a appris à reconnaître ce qui, dans un signal, ressemble à une voix humaine et ce qui ressemble à autre chose.
Quand on lui donne un extrait inconnu, il découpe le son en très fines tranches de fréquence et de temps, puis décide pour chacune : voix, ou pas voix. Il reconstruit ensuite deux fichiers à partir de ces décisions.
Le point clé tient en une phrase : quand une voix et une musique occupent exactement la même fréquence au même instant, l'information est perdue. Elle n'est pas cachée, elle n'existe plus dans le mélange. Aucun modèle, aussi bon soit-il, ne peut la retrouver — il ne peut que deviner.
C'est de ces devinettes que naissent les défauts qu'on entend :
Ce qui aggrave le plus le résultat, ce n'est pas le modèle : c'est la source. Un format court publié sur les réseaux sociaux subit une compression agressive et un mixage écrasé au maximum, où tout se chevauche. Sur ce matériau, même les meilleurs modèles produisent des artefacts. Une scène de film dialoguée, avec une musique discrète et une source de bonne qualité, donnera un résultat nettement plus propre.
Puisque la source détermine le résultat, autant la choisir. Ce qui fonctionne bien :
Ce qui donne des résultats fragiles :
Quand vous soumettez une vidéo, Dubba fabrique la piste de musique et bruitages automatiquement, puis la conserve. C'est elle qu'on entend derrière votre voix dans le doublage final. En parallèle, la piste de voix isolée sert à transcrire les dialogues et à reconnaître les différents personnages, ce qui alimente la bande rythmo.
Essayer sur une vidéoLa bande sonore complète d'un film, sans les dialogues : musique, bruitages, ambiances. C'est le format d'échange standard entre un producteur et un studio de doublage.
Presque, jamais totalement. Là où voix et musique se superposent exactement, l'information est perdue dans le mélange et ne peut être que devinée.
Ce sont les zones d'hésitation du modèle. Elles se concentrent dans les hautes fréquences et se remarquent surtout dans les passages calmes.
En partie seulement. Sur une source très compressée, la différence entre un modèle correct et un modèle de pointe est souvent inaudible : la limite vient du matériau, pas de l'outil.
Techniquement, la séparation produit les deux. La piste de voix sert notamment à la transcription et à la reconnaissance des personnages.