V-GEN : un générateur autonome de JT alimenté par Google Gemini et FFmpeg

Une chaîne de télévision régionale s'est retrouvée confrontée à un problème de personnel aigu : son rédacteur et son opérateur ont démissionné. Pour ne pas perdre sa licence, elle a dû automatiser l'antenne et la préparation des contenus. La première année, l'administrateur du support technique a combiné des sujets d'actualité filmés en direct avec des présentations vidéo et des diaporamas issus de sources locales. Mais même la collecte d'informations, leur traitement, la sélection du matériel visuel et le montage final prenaient 20 à 30 minutes par sujet. Il fallait une solution.

Architecture : sept étapes d'automatisation

V-GEN réunit plusieurs technologies récentes dans une chaîne de production unique.

1. Recherche intelligente d'actualités Les parseurs RSS classiques cassent rapidement dès qu'un site modifie sa mise en page. V-GEN utilise Google Gemini (modèle gemini-3.8-flash) avec le Grounding intégré : un accès direct à l'index de recherche de Google en temps réel. Le système scanne les publications des 7 à 10 derniers jours selon une géographie définie, recoupe les faits issus des médias régionaux, des communiqués du ministère des Situations d'urgence, des publications des administrations locales, et retient les événements confirmés.

2. Réécriture éditoriale et ingénierie de prompt Le prompt de V-GEN impose des contraintes strictes de format télévisuel :

Volume : strictement 800 à 1 000 signes espaces compris (environ 45 à 60 secondes de lecture). Composition : accroche en première phrase, puis faits et détails, et pour finir un statut ou une date d'échéance. Langue : registre oral, sans jargon administratif (« dans le cadre de la mise en œuvre » est proscrit), sans formule de salutation (« Bonjour » est interdit), les nombres s'écrivent en lettres (« le sept octobre », « trente millions de roubles »).

La géographie et les filtres couvrent les événements de la ville et du district, les décisions régionales du gouverneur, les contrôles du ministère des Situations d'urgence, les tarifs des services collectifs. Interdiction stricte : objets perdus, garages, petites annonces privées.

Les axes thématiques comprennent les incidents et la sécurité (ministère des Situations d'urgence, police de la route, tribunaux), les services collectifs et l'environnement urbain (chauffage, routes, aménagement), le secteur social (hôpitaux, écoles), la culture, le sport et l'agenda des événements.

3. Synthèse vocale : Google Gemini TTS La voix off est assurée par Callirrhoe — une référence de présentateur télé professionnel : énergique, chaleureuse, sans pauses mécaniques. Des voix alternatives sont disponibles : Puck, Charon, Kore, Fenrir, Aoede, Leda, Orpheus, Zephyr. Le système est protégé contre l'injection de prompt : seul le texte de l'actualité, nettoyé de toute instruction, est transmis au moteur TTS. Le flux audio est normalisé selon les standards de diffusion : 48 kHz, 16 bits stéréo.

4. Habillage visuel : Smart UNCROP et Ken Burns L'algorithme Smart UNCROP ramène automatiquement toute image au format Full HD 1920×1080. Si les proportions sont proches du 16:9, l'image est redimensionnée et recentrée. Si la photo est verticale ou carrée, un fond flou est créé (l'original est étiré, flouté par un flou gaussien de rayon 28 pixels, puis assombri de 30 %), sur lequel vient se superposer la photo d'origine, nette, au centre.

L'effet Ken Burns repose sur un zoom subpixel : les coordonnées sont transmises sous forme de nombres à virgule flottante, et le redimensionnement s'effectue par interpolation bilinéaire. Le zoom varie de 1,0 (100 %) à 1,15 (115 %), les plans alternent entre zoom avant et zoom arrière, le dernier plan devant obligatoirement montrer un zoom arrière (Zoom Out).

5. Un minutage calculé au plus près La voix du présentateur impose sa loi absolue au chronométrage. Formule : entrée (1 seconde) + durée de la voix (mesurée à la sous-seconde) + sortie (3 secondes). Si la vidéo comporte 7 plans, chacun dure (durée totale – 4 secondes) / 7. Les rushs en B-roll sont bouclés, recadrés en 1920×1080, et normalisés (SAR 1:1, 30 fps, yuv420p).

6. Montage final sous FFmpeg Le système applique un niveau de volume pour la musique de fond (−5,4 dB), un fondu de sortie synchrone (1,5 seconde pour la vidéo et l'audio), un enchaînement avec la transition d'antenne de la chaîne, et une surimpression du logo en transparence.

Le résultat est un fichier MP4 prêt à l'emploi, nommé en russe (« Réparation des réseaux de chauffage à Toutaïev.mp4 ») pour une diffusion directe à l'antenne.