Clip IA : comment une IA choisit « le meilleur moment » d’une vidéo longue (et ce qu’elle rate encore)

Une IA ne regarde pas ta vidéo. Elle la lit.

La première chose à savoir sur un générateur de clips IA, c’est ce qu’il reçoit. Pas les images : les mots. La vidéo est d’abord transcrite, et le moteur de transcription renvoie chaque mot avec son temps de début et de fin en millisecondes (flysub utilise AssemblyAI pour cette étape). Les mots sont ensuite regroupés en phrases, et chaque phrase devient une ligne d’un script qui ressemble à ceci :

[412|t=1534] La première chose que j’ai faite, c’est virer mon meilleur client.

Le nombre est le numéro de la ligne, t la seconde où la phrase commence. Le modèle lit quelques centaines de lignes de ce genre et répond par des numéros : la ligne qui accroche, la ligne qui porte la chute, la dernière ligne. Il ne répond jamais par un temps.

Cette contrainte est voulue. Un modèle de langage n’a aucune idée de l’endroit où tombe la seconde 1 534 dans l’audio ; il lit du texte. En ne lui demandant que des numéros de phrases, on le garde sur la seule chose qu’il sait faire, juger ce qu’un passage dit, et on laisse l’horloge à du code qui sait la lire.

Les cinq règles d’un bon extrait, telles qu’elles sont écrites dans le prompt

Les consignes que flysub envoie avec la transcription font du modèle un monteur senior de shorts verticaux, spécialiste des podcasts et des interviews, qui cherche des passages publiables tels quels : on coupe seulement au début et à la fin, jamais au milieu. Un bon extrait, dit le prompt, obéit à cinq règles.

1. Il se comprend seul. Quelqu’un qui tombe dessus en scrollant, sans avoir vu l’épisode, comprend dès la première phrase de quoi on parle. La première ligne ne commence donc jamais par une liaison qui prolonge ce qui précède (« et », « mais », « donc », « parce que », « du coup »), par un pronom qui renvoie à ce qui a été dit avant (« il », « ça », « cette réduction »), ni par une réaction (« c’est intéressant », « comme je disais »). Si la réponse ne se comprend qu’avec la question, l’extrait commence sur la question, à condition qu’elle tienne en une phrase courte.
2. Il accroche dans les 3 premières secondes. La première ligne est courte et forte : une question qui intrigue, une affirmation tranchée ou contre-intuitive, un chiffre frappant, une histoire qui démarre, un aveu, une émotion.
3. Il développe une seule idée. Sans digression.
4. Il se termine sur sa chute. La réponse, la conclusion, la leçon, la punchline ou le rebondissement. Jamais sur une question sans sa réponse, jamais sur une phrase qui annonce une suite (« deux choses : la première… » sans la seconde), jamais au milieu d’une histoire.
5. Il dure de 20 à 90 secondes, idéalement de 30 à 60. Une idée complète de 75 secondes vaut mieux qu’une idée coupée de 45. Moins de 20 secondes, c’est réservé à une punchline qui se suffit à elle-même.

Le prompt liste aussi ce qu’il faut écarter : l’introduction et la conclusion de l’épisode, la présentation de l’invité, les remerciements, les sponsors et les appels à s’abonner ; la logistique et les incidents techniques (« je me branche ») ; une longue question suivie d’un simple début de réponse ; le pitch commercial d’une entreprise ou d’un produit ; et deux passages qui portent la même idée, dont seul le meilleur survit.

Pourquoi ces durées, et pourquoi les 3 premières secondes ? Les plateformes fixent la limite haute, le public fixe la limite basse. Un Short YouTube peut durer jusqu’à 3 minutes, et un Reel de plus de 3 minutes n’est plus recommandé aux nouvelles audiences. Personne ne bute sur le plafond. Les extraits échouent par le bas, quand ils démarrent au milieu d’une idée. Le début compte parce que les plateformes le mesurent : les statistiques des Shorts indiquent la part des spectateurs restés « au-delà des premières secondes », Instagram conseille aux créateurs une accroche dans les 3 premières secondes et de surveiller le taux de visionnage après 3 secondes, et la Creator Academy de TikTok demande un élément qui retient idéalement dans les 5 premières secondes. Les 3 secondes du prompt de flysub sont le plus strict des trois seuils.

Quatre notes et un score

Pour chaque passage, le modèle écrit une analyse de 20 mots avant de noter quoi que ce soit, puis donne quatre notes de 1 à 10, sévères et comparées entre passages (« un 9 ou un 10 reste rare ») :

• Accroche : les 3 premières secondes arrêtent-elles le scroll ?
• Autonomie : un inconnu comprend-il tout sans rien d’autre ?
• Valeur : apprend-on ou ressent-on quelque chose, a-t-on envie de partager ?
• Chute : la fin récompense-t-elle le visionnage ?

Le code transforme les quatre notes en un score sur 100. Les poids ne sont pas égaux :

Le modèle écrit aussi un titre de 70 caractères au plus, dans la langue de la transcription, avec une règle dure : il ne promet rien qui ne soit dit entre la première et la dernière ligne. Aucun chiffre, nom ou conclusion pris ailleurs dans l’épisode. Un titre qui survendait l’extrait était le défaut le plus fréquent de notre première version.

Combien d’extraits ? Environ un par 5 minutes de vidéo, entre 5 et 10, et ce nombre est un plafond, pas un objectif. Le prompt est explicite : ne jamais compléter avec des passages moyens ; s’il n’y en a que trois bons, en rendre trois.

Ensuite, le code vérifie tout

Un modèle peut se tromper avec aplomb, donc chaque passage qu’il propose passe par des vérifications déterministes avant de devenir un extrait. Ce n’est pas de l’IA. Ce sont des règles écrites dans le code, qui s’exécutent de la même façon à chaque fois.

• Démarrer sur un début de phrase. Si la première ligne proposée commence au milieu d’une phrase, le code remonte au début de cette phrase, 3 lignes au plus ; au-delà, le passage est rejeté.
• Finir sur une vraie fin de phrase, jamais avant la chute. La fin avance de 2 lignes au plus pour atteindre une phrase qui se termine vraiment ; un passage qui finit sur une phrase inachevée est rejeté.
• Une liaison en tête ramène la phrase d’avant. Si la première ligne commence encore par « et », « parce que » ou « donc », le code inclut la phrase précédente, celle qui pose le contexte, tant que l’extrait reste sous 90 secondes. Une seule fois.
• Trop long ? On raccourcit par les deux bouts. La fin est ramenée sur la ligne de chute. Si l’extrait dépasse encore 90 secondes, le début se rapproche de la chute, sur le dernier début de phrase qui tient sous 60 secondes (sinon sous 85) et ne commence ni par une liaison ni par un pronom. Le modèle choisit souvent une mise en place trop longue ; sa chute, elle, est généralement bonne.
• Pas de blanc en tête. Un silence de plus de 2 secondes dans les 3 premières secondes, et l’extrait démarre à la phrase suivante. Personne n’attend la fin d’un silence dans un fil.
• 15 secondes minimum. Plus court que ça après toutes les corrections, le passage est abandonné.
• Couper entre deux mots, avec de l’air. La coupe finale se cale sur les frontières de mots : 180 millisecondes avant le premier mot, 320 millisecondes après le dernier, et jamais à moins de 60 millisecondes d’un mot voisin. Un extrait ne s’ouvre ni ne se ferme au milieu d’une syllabe.

Chaque rejet a un nom dans les journaux : numéros faux, début au milieu d’une phrase, fin inachevée, trop long, trop court, blanc, chevauchement avec un extrait déjà pris. C’est comme ça que les règles se règlent : pas à l’intuition, au comptage.

Une seconde IA relit chaque candidat

Depuis le 25 septembre 2026, chaque candidat qui passe les garde-fous est relu une seconde fois par le modèle, dans un autre rôle : le rédacteur en chef qui valide les shorts avant publication. Il voit le passage proposé avec les 3 lignes qui précèdent et les 3 lignes qui suivent, la durée exacte et les silences, et il a consigne d’être exigeant : un short qui démarre sans contexte ou qui coupe sa chute est raté ; dans le doute, rejeter.

Dans cette passe, le modèle peut déplacer le début et la fin parmi les lignes qu’il voit, renote les quatre critères, décide s’il garde l’extrait, et nomme sa raison quand il ne le garde pas : début sans contexte, fin sans chute, durée, intro ou outro, doublon d’un meilleur candidat, sans intérêt. Il réécrit aussi le titre pour qu’il colle au passage final, parce que la première passe titrait souvent un passage plus long que celui retenu.

Pour donner à la seconde passe de quoi rejeter, la première doit proposer deux fois plus de candidats que l’objectif (trois fois plus quand tu demandes « 5 extraits de plus » sur une vidéo déjà clippée, puisque les lignes déjà utilisées sont masquées). Le surcoût est faible : environ 0,035 $ par import d’une heure quarante.

Ce que l’IA rate encore

Quand nous avons audité la première version de cette chaîne, le 24 septembre 2026, 4 extraits sur 27 étaient publiables. Les autres démarraient au milieu d’une idée, coupaient leur chute, ou portaient un titre qui promettait ce qui venait après l’extrait. Les règles ci-dessus viennent de cet audit. Elles ont réglé l’essentiel, pas tout. Voici ce qui se passe encore mal, et pourquoi.

• Les moments qui vivent dans l’image. Une démo à l’écran, un visage qui réagit, un geste, un graphique : rien de tout ça n’est dans la transcription. Le modèle ne peut pas choisir ce qu’il ne peut pas lire. Si ton meilleur moment est visuel, il ne sera pas dans la première fournée.
• L’humour porté par la voix. L’ironie et le pince-sans-rire tombent à plat sur le papier. Une réplique qui fait hurler la salle peut valoir 5 en valeur à l’écrit.
• Les renvois à longue distance. La règle des pronoms attrape « il » et « ça », pas un nom présenté à la minute 2 et repris à la minute 40 comme si tout le monde le connaissait. La seconde passe voit 3 lignes de contexte, pas 40 minutes.
• Les erreurs de transcription. Un nom propre mal entendu devient un titre faux, et les sous-titres mot à mot répètent l’erreur à l’écran tant que tu ne la corriges pas.
• Deux voix en même temps. Les chevauchements produisent des phrases qui ne commencent ni ne finissent nulle part. Le code les rejette, et le moment est perdu.
• Le public qu’il ne connaît pas. Le modèle note pour « un inconnu ». Tes abonnés ne sont pas des inconnus : une private joke qui rate le test d’autonomie peut être ton meilleur extrait pour eux.

Et quand le modèle ne renvoie rien d’utilisable, flysub n’affiche pas d’erreur. Un filet sans IA classe des blocs de 20 à 60 secondes selon la densité de parole, garde ceux qui finissent sur une phrase complète, et complète la liste jusqu’à trois propositions avec un score fixe de 35. Tu les verras avec ce score : une proposition, pas une recommandation.

Vérifier un extrait en 60 secondes

1. Regarde les 3 premières secondes sans le son.Si tu ne sais pas de quoi parle l’extrait à ce moment-là, il démarre trop tard ou trop tôt.
2. Relis le titre face à l’extrait.Chaque mot du titre doit être dit dans l’extrait. Les chiffres et les noms d’abord.
3. Joue les 5 dernières secondes.L’extrait doit finir sur la réponse, pas sur la question ni sur la phrase qui l’annonce.
4. Reviens à la phrase qui précède le point d’entrée.Si l’extrait ne se comprend qu’avec elle, recule le début jusqu’à elle.
5. Vérifie les sous-titres mot à mot.Les noms propres et les chiffres d’abord : un sous-titre mot à mot répète une erreur de transcription à l’écran.

Pour la publication (vidéo associée, titre, premier commentaire), voir notre guide pas à pas pour faire un Short à partir d’une vidéo longue ; pour le métier lui-même, ce qu’est le clipping vidéo.