Un blogueur double GTA V en russe avec Claude Code pour $60 : 250 000 répliques

Traduire en russe un jeu entier de 260 000 fichiers audio relevait jusqu'ici d'un studio doté d'un budget. Ilya, blogueur et fondateur d'ArtGeneration.me, y est parvenu seul en dix jours. Selon ses propres mots, il n'est pas développeur mais product manager, avec 20 ans d'expérience. Claude Code a écrit le code ; lui fixait les tâches et vérifiait le résultat. Le bilan : 250 364 répliques en russe, près de 219 heures de parole en comptant les reprises, deux variantes au choix (voix off par-dessus l'original atténué, ou doublage complet) et environ $60 de synthèse. L'auteur précise lui-même, sans détour, que cela ne rivalise pas avec de vrais acteurs.

Comment chiffrer un budget quand on n'a pas les données

Premier problème : personne ne savait combien d'audio contenait GTA V. Il existe une présentation de Rockstar à la GDC 2014 évoquant près de 160 000 répliques, et une carte réalisée par des fans recensant 156 000 clips, mais aucune source ne donne le nombre d'heures, alors que la synthèse se facture à la durée de l'audio. Claude Code a écrit un programme en C# s'appuyant sur le projet ouvert CodeWalker. Il parcourt toutes les archives et lit dans l'en-tête de chaque flux le nombre d'échantillons et la fréquence : la durée se calcule donc sans aucune reconnaissance vocale. Plus de 260 000 flux ont été trouvés.

Il fallait ensuite déterminer qui dit quoi. Dans le jeu, les sous-titres sont stockés sous des hashs, pas sous des noms. L'auteur a exploité une propriété du hash joaat : l'étape finale de mélange peut être inversée, on ajoute la lettre A et l'on calcule le hash du fichier audio correspondant à la même chaîne. Cela a permis de relier 75% des flux du scénario. Le locuteur se trahit par l'animation des lèvres intégrée au flux : le personnage est inscrit dans son chemin. Les cinématiques n'ont pas cette information ; là, ce sont les wikis et le modèle WeSpeaker qui ont aidé.

Le pipeline : le cloud uniquement pour la synthèse

Règle du projet : dans le cloud, seulement la synthèse et les agents Claude ; tout le reste tourne en local sur une RTX 4090. Pour la synthèse, le choix s'est porté sur Gemini 3.8 Flash-Lite TTS en mode par lots, à environ 27 cents l'heure de parole produite. L'auteur a écarté les modèles de clonage de voix : la voix ressemble, mais le jeu d'acteur tombe à côté, avec des pauses superflues. Des tests de styles (« terrifié, la voix tremble ») sur 120 clips n'ont amélioré qu'une réplique sur cinq, et les voix masculines partaient en fausset ; la diction est donc restée sans consigne de style.

Là où il n'y a pas de sous-titres (passants, radio, talkie-walkie et environ 11 000 répliques du scénario), le texte a été transcrit par Whisper large-v3. Le modèle invente des mots sur le silence, plaque des sous-titres d'autres contenus sur des gémissements et transcrit en hangeul l'anglais parlé par des gangsters coréens. Un script heuristique signale donc d'abord les phrases suspectes, puis Parakeet TDT donne un second avis. S'il a entendu au moins un tiers des mêmes mots, il s'agit de parole ; s'il n'a rien entendu, c'est une invention.

Le genre de la voix a été vérifié par ECAPA-TDNN : 77 bonnes réponses sur 80 pour des locuteurs connus. Selon l'auteur, le champ « genre » du catalogue de Google est erroné ; chaque voix est donc testée sur trois répliques et retenue seulement si deux modèles sont d'accord.

Pièges et budget

Les défauts de synthèse sont repérés par un détecteur sans réseau de neurones. Il compare la durée de l'audio à celle du texte, cherche les répétitions grâce à une carte d'auto-similarité du son, et détecte saturations et sifflements. Il passe tout le scénario en revue en 4 secondes. Les prises suspectes sont retranscrites par les deux modèles, puis renvoyées en resynthèse.

Il y a eu aussi des erreurs coûteuses. À cause des relances automatiques du SDK, Google compte chaque nouvelle tentative après une coupure réseau comme un nouveau lot : avec un mauvais VPN, on peut payer deux fois le scénario. Les relances automatiques ont donc été désactivées. Le filtre de Google refusait de synthétiser les répliques contenant le mot « малышка » (« petite ») à proximité d'une mention de sexe, y voyant une allusion à des mineurs, alors que dans GTA, c'est ainsi qu'on appelle une voiture. Un agent-traducteur unique, qui lit les répliques voisines, s'est mieux débrouillé que des assistants en parallèle.

L'installation est elle aussi soignée. Modifier directement les archives provoque l'erreur Corrupt game data, et l'auteur ne voulait pas distribuer 10 Go de fichiers qui ne lui appartiennent pas. Il a utilisé le dossier mods avec RageOpenV et Ultimate ASI Loader, et l'installateur reconstruit les archives sur l'ordinateur du joueur à partir de ses propres fichiers. Les originaux ne sont pas touchés, et le mod se supprime en retirant un seul dossier.

Pour un praticien, l'économie est simple. Traduire tout le jeu a coûté moins cher qu'une copie du jeu, mais au 1er janvier 2027, Google double son tarif, à environ 54 cents l'heure. Deux conclusions s'imposent. Une synthèse par lots bon marché et un agent de code mettent la localisation de masse à la portée d'une seule personne. Mais l'essentiel du travail se déplace vers le contrôle : le genre de la voix, les hallucinations de la reconnaissance vocale et les doublons de répétition doivent être détectés automatiquement, sans quoi il faudra les traquer à l'oreille.

Les limites sont tout aussi claires. Il s'agit d'un mod amateur pour la version Enhanced, la qualité de la synthèse ne remplace pas des acteurs, et le texte traduit par l'agent doit tout de même être relu : « I'm cold » peut très bien y devenir « я пас ».