Comment une IA repère les moments viraux d'une vidéo : heatmap et scoring sémantique

Découper une vidéo est trivial. Savoir où couper ne l'est pas. C'est là que se joue la qualité d'un outil de clips automatiques : un bon clip n'est pas un extrait au hasard, c'est un moment qui capte l'attention et se suffit à lui-même. Voici comment CorpusClip s'y prend, en deux étapes complémentaires.

Le problème : détecter n'est pas comprendre

Beaucoup d'approches naïves se contentent de repérer un pic de volume sonore ou un éclat de rire et d'en faire un clip. Le résultat déçoit souvent : le pic d'énergie tombe au milieu d'une phrase, sans contexte, et le spectateur décroche. Un moment viral doit combiner deux qualités que l'on doit mesurer séparément : l'intensité (est-ce qu'il se passe quelque chose ?) et la cohérence narrative (est-ce que ce passage raconte quelque chose de complet ?).

Étape 1 — La heatmap virale

CorpusClip découpe la vidéo en fenêtres temporelles et évalue chacune d'elles sur plusieurs dimensions. Concrètement, l'outil combine 8 signaux sur 49 fenêtres temporelles pour dresser une « heatmap virale » : une carte de chaleur de la vidéo qui fait ressortir les zones à forte intensité.

Croiser plusieurs signaux plutôt qu'un seul est ce qui évite les faux positifs : un passage n'est retenu que si plusieurs indicateurs convergent au même endroit de la timeline. La heatmap ne décide pas encore du découpage — elle sélectionne les candidats.

Étape 2 — Le scoring sémantique

Chaque segment candidat passe ensuite par un grand modèle de langage qui évalue sa qualité narrative avant tout découpage. L'IA lit la transcription du passage et juge s'il forme une unité autonome : une punchline avec sa mise en place, une réponse complète, un moment qui a un début et une fin compréhensibles hors contexte.

Un pic d'énergie vous dit qu'il se passe quelque chose. Le scoring sémantique vous dit si ça vaut la peine d'être regardé.

C'est cette seconde étape qui distingue un clip qui performe d'un extrait frustrant coupé trop tôt ou trop tard.

Pourquoi les deux étapes ensemble

• La heatmap sans le scoring produit des extraits intenses mais parfois incompréhensibles.
• Le scoring sans la heatmap obligerait à analyser toute la vidéo en détail, ce qui serait lent et coûteux.
• Les deux combinés : la heatmap réduit le champ aux moments prometteurs, le scoring garantit que chaque clip retenu tient debout tout seul.

Ce qui se passe ensuite

Une fois les meilleurs segments identifiés, CorpusClip les recadre automatiquement au format vertical 9:16 en gardant la personne centrée, incruste des captions karaoké mot à mot pour la lecture sans le son, et génère un hook d'accroche. Le tout produit un clip prêt à publier en environ une minute.

La technologie derrière

CorpusClip s'appuie sur une transcription automatique de type Whisper, une recherche vectorielle (pgvector) et le modèle Claude d'Anthropic pour le scoring sémantique, sur un backend Django. L'objectif reste le même à chaque étape : rapprocher la sélection automatique du jugement d'un monteur humain.

En résumé

Trouver les bons moments est le vrai défi du montage automatique. En combinant une heatmap multi-signaux (l'intensité) et un scoring sémantique par IA (la cohérence), CorpusClip ne garde que les segments qui ont une chance de percer — et vous épargne des heures de visionnage. Pour voir comment intégrer ces clips dans une vraie stratégie de diffusion, lisez notre guide du content repurposing.