AI Video Editing

Le montage vidéo par IA consiste à utiliser l’apprentissage automatique pour automatiser ou faciliter le découpage, l’organisation et la modification de séquences enregistrées. Les modèles transcrivent les dialogues, repèrent les transitions entre plans, suivent les sujets dans une scène, les séparent de l’arrière-plan et génèrent des pixels de remplacement. Des tâches qui nécessitaient autrefois des heures de travail image par image, comme le sous-titrage d’une interview ou le recadrage d’une vidéo de paysage pour l’écran d’un téléphone, ne prennent plus que quelques minutes. Le terme englobe à la fois les fonctions d’assistance intégrées aux logiciels de montage traditionnels et les outils entièrement automatiques qui transforment des enregistrements bruts en séquences finalisées.

Ce que l'IA prend en charge pendant le montage#

Les logiciels de montage comme Adobe Premiere Pro, DaVinci Resolve et Descript, l'éditeur qui privilégie la transcription, intègrent plusieurs de ces fonctionnalités :

• Montage par reconnaissance vocale : Une transcription alignée sur la chronologie permet à un monteur de supprimer une phrase du texte et d’effacer les images correspondantes.
• Sous-titres : La même transcription sert de première version des sous-titres, que les monteurs vérifient pour en confirmer la formulation, l’identification des locuteurs et le minutage.
• Détection des scènes : les modèles repèrent les coupes dans un long enregistrement ou un fichier déjà monté et le divisent en plans individuels.
• Recadrage automatique : le suivi maintient le sujet principal dans un cadrage vertical ou carré lorsqu'il se déplace, permettant de décliner un master panoramique pour les plateformes sociales.
• Masquage et suppression d’objets : La segmentation isole une personne ou un objet pour permettre un étalonnage des couleurs distinct ou sa suppression, et le remplissage par contenu généré comble l’espace de manière cohérente d’une image à l’autre.
• Temps forts détectés par la reconnaissance d’actions : Les modèles repèrent les buts, les dunks et les autres actions importantes, que les diffuseurs sportifs utilisent pour assembler des compilations dans les minutes qui suivent l’action.
• Ralenti par interpolation d’images : Les modèles synthétisent des images intermédiaires pour ralentir des séquences filmées à vitesse normale sans saccades.
• Nettoyage audio : les modèles d'amélioration de la parole éliminent le bruit de fond et la réverbération de la pièce dans les dialogues enregistrés dans des conditions imparfaites.
• Floutage pour la protection des données : Les visages, les personnes ou les plaques d’immatriculation sont détectés et floutés avant le partage de la séquence.

Les modèles de vision derrière ces fonctionnalités#

La plupart des fonctions de montage visuel enchaînent trois tâches de vision par ordinateur. La détection d’objets repère chaque sujet dans une image et dessine une boîte englobante autour de lui. Le suivi d’objets relie ces détections d’une image à l’autre au moyen d’identifiants stables, ce qui permet à un recadrage ou à un flou de rester associé à la même personne lorsqu’elle traverse un plan. Lorsqu’un effet nécessite le contour exact du sujet, la segmentation d’instances fournit un masque au niveau des pixels pour chaque objet. Ces trois types de modèles servent à la compréhension vidéo : ils décrivent la séquence sans la modifier. Une fonction de montage les exécute d’abord pour déterminer les modifications à apporter.

Les modèles génératifs prennent le relais. Les modèles de remplissage par contenu généré suppriment les objets indésirables, et les modèles de génération vidéo restylisent un plan, le prolongent de quelques secondes ou créent des séquences qui n’ont jamais existé. Les montages automatisés échouent de manière prévisible dans certaines situations : mouvements rapides et flou de mouvement, sujets qui se croisent, coupes de scène où une piste devrait s’arrêter, et sujets petits ou partiellement visibles. Comme ces mêmes techniques peuvent modifier ce qu’un enregistrement semble montrer, elles produisent aussi des hypertrucages ; les éditeurs peuvent joindre des Content Credentials indiquant les outils utilisés pour modifier un fichier.

Automatisation du floutage#

Le floutage est l’un des montages les plus faciles à automatiser pour les équipes qui publient des vidéos d’événements, de rue ou de lieux de travail. La solution de floutage d’objets d’Ultralytics exécute un détecteur YOLO26 avec suivi sur chaque image et floute chaque boîte correspondant aux classes choisies ; dans le modèle préentraîné sur COCO, la classe 0 correspond à « personne » :

import cv2
from ultralytics import solutions

cap = cv2.VideoCapture("https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov")
w = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
h = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
writer = cv2.VideoWriter("blurred.mp4", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# Détecte les personnes (classe COCO 0) avec YOLO26 et floute chaque boîte dans chaque image
blurrer = solutions.ObjectBlurrer(model="yolo26n.pt", classes=[0])
while cap.isOpened():
    success, frame = cap.read()
    if not success:
        break
    results = blurrer(frame)
    writer.write(results.plot_im)

cap.release()
writer.release()

Le résultat, blurred.mp4, montre chaque personne détectée floutée et entourée d’une boîte étiquetée pour vérification, tandis que blur_ratio (0.5 par défaut) règle l’intensité du flou. OpenCV n’écrit que les images vidéo ; il faut donc réintégrer l’audio original dans un éditeur ou avec FFmpeg. Les personnes coupées par le bord de l’image ou vues sous des angles inhabituels sont les plus susceptibles d’échapper à la détection, et chaque image où une personne n’est pas détectée la laisse sans flou dans le résultat.