Peut-on retirer complètement une voix d'une vidéo ?

Presque, mais jamais parfaitement. Quand la voix et la musique occupent les mêmes fréquences au même moment, aucun modèle ne peut deviner ce qui appartient à quoi. Il reste alors de petits artefacts, surtout dans les aigus.

Pourquoi le fond sonne-t-il métallique après la séparation ?

Ce grésillement vient des zones où le modèle a hésité. Il est d'autant plus marqué que la source est compressée et que le mixage est écrasé, comme sur un format court publié sur les réseaux sociaux.

Quelles vidéos donnent les meilleurs résultats ?

Les scènes dialoguées avec une musique discrète, issues d'une source de bonne qualité. Les extraits très compressés, très forts et très denses donnent les résultats les plus fragiles.

Technique

Enlever la voix d'une vidéo en gardant la musique et les bruitages

Q: Qu'est-ce qu'une piste M&E ?

M&E signifie music and effects : musique et effets. C'est la bande sonore complète d'un film sans les dialogues. Les studios de doublage la reçoivent du producteur pour pouvoir remplacer les voix sans perdre l'ambiance sonore.

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.

Le nom de la chose : la piste M&E

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.

Comment un modèle sépare les voix

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.

Pourquoi ce n'est jamais parfait

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 :

Un grésillement dans les aigus, souvent décrit comme métallique. Il apparaît là où le modèle a hésité, et il varie d'un endroit à l'autre.
Des restes de voix qui subsistent en fond, surtout sur les cris et les voix très aiguës.
Des trous dans la musique, quand un instrument ressemblait trop à une voix et a été emporté avec elle.

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.

Bien choisir sa scène

Puisque la source détermine le résultat, autant la choisir. Ce qui fonctionne bien :

des dialogues nets, avec une musique en retrait ;
une seule personne qui parle à la fois ;
une vidéo dont la qualité audio est bonne à l'écoute directe.

Ce qui donne des résultats fragiles :

les clips musicaux, où la voix est un instrument parmi d'autres ;
les scènes de bataille avec musique orchestrale à plein volume ;
les extraits déjà republiés plusieurs fois, donc recompressés à chaque passage.

Comment Dubba s'en sert

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 vidéo

Questions fréquentes

Qu'est-ce qu'une piste M&E exactement ?

La 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.

Peut-on retirer complètement une voix ?

Presque, jamais totalement. Là où voix et musique se superposent exactement, l'information est perdue dans le mélange et ne peut être que devinée.

Pourquoi le fond sonne-t-il métallique ?

Ce sont les zones d'hésitation du modèle. Elles se concentrent dans les hautes fréquences et se remarquent surtout dans les passages calmes.

Un meilleur modèle réglerait-il le problème ?

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.

Peut-on récupérer la voix isolée au lieu du fond ?

Techniquement, la séparation produit les deux. La piste de voix sert notamment à la transcription et à la reconnaissance des personnages.

Sources

Sur les modèles de séparation de sources : Demucs et la séparation de sources.

Écrit par l'équipe Dubba · Publié le 5 août 2026