CIRCE : construire un artiste musical IA complet à partir de zéro
Un projet personnel répondant à une question : que reste-t-il d’un artiste quand le visage, la musique et la vidéo ne nécessitent aucune vraie personne ? Construit à partir de rien, sorti et en ligne.
La question
Chaque musicien, chaque label, chaque compte d’artiste mène la même course : visage, musique, vidéo, présence. La question à laquelle je voulais répondre : que se passe-t-il quand rien de tout cela ne nécessite une vraie personne ?
CIRCE est un projet personnel construit pour tester cette question directement. Le brief que je me suis écrit : construire un artiste musical solo complet à partir de rien (visage, personnage, musique originale, clip complet, plateformes live) en utilisant uniquement des outils de production IA sous direction créative humaine. Pas de studio. Pas de musiciens. Aucune vraie personne à aucune étape.
Le résultat est en ligne sur YouTube. Voici comment il a été fait.
Ce qui existe
En cinq jours de production, du 15 au 19 mai 2026, ce qui suit a été construit à partir de zéro :
- Une identité de personnage verrouillée : cinq looks visuels, une bible de personnage complète, des planches de référence visage et corps calibrées sur plus de cent images générées
- Un logo : esthétique de gravure sur granit, motif de serpent, logotype CIRCE
- Un titre original de metal gothique symphonique : « Candle’s Hall » (soprano opératique, arrangement orchestral complet, paroles originales écrites avant qu’un seul prompt de génération ne soit soumis)
- Un clip de 4 minutes 34 : ouverture cinématographique atmosphérique, clip complet mêlant performance et récit, et une section de divulgation coulisses assemblée à partir de plus de trente plans générés par IA dans Premiere Pro
- Trois plateformes live : YouTube sur @circe.aimusic, Instagram, et TikTok
- Un pipeline de contenu social : deux entrées de contenu coulisses terminées, système de voix de légende, en cours
Le problème d’identité
Le problème d’ingénierie le plus difficile dans la production de personnages IA n’est pas la qualité de génération. C’est la cohérence. Un personnage généré sur cent sessions, avec des prompts écrits dans des humeurs différentes à des jours différents, devient trois personnes différentes. Le visage dérive. Les cheveux dérivent. L’énergie dérive. Sans système, ce qu’on obtient, c’est une galerie d’inconnues séduisantes.
La solution est une bible de personnage écrite avant que la première image ne soit générée. Pas un mood board. Une spécification technique : la couleur des cheveux décrite avec des termes d’exclusion explicites (« racine miel chaud cendré s’estompant vers un blanc glacé froid, PAS argenté, PAS gris ») parce que « blond platine » et « argenté » produisent des résultats différents et le modèle choisira le mauvais si on lui en laisse la latitude. La couleur des yeux spécifiée par valeur de contraste, pas seulement par teinte (« brun foncé presque noir, PAS vert, PAS noisette, PAS brun clair ») parce que l’éclairage en gros plan fait systématiquement dériver la couleur des yeux vers le vert à moins de nommer explicitement les mauvaises réponses. L’origine ethnique décrite par combinaisons de traits physiques plutôt que par nationalité (« pommettes marquées d’une origine, forme d’œil en amande oblique d’une autre, lèvres pleines et sculptées, peau claire à tonalité chaude, genuinement impossible à situer ») parce que nommer un pays donne au modèle la permission de réduire tout le visage à une seule esthétique culturelle.
La deuxième règle : visage et corps verrouillés avant toute garde-robe. La première génération est toujours une plaque de calibration neutre : vêtements minimaux, maquillage naturel, éclairage lumineux et régulier, rien qui ne fasse concurrence au visage. Si le visage est faux, c’est ici qu’on le corrige. Pas après dix plans de garde-robe. Une fois la plaque neutre validée, la garde-robe est construite comme une couche de prompt séparée, par-dessus l’identité verrouillée. Identité et stylisme ne sont jamais mélangés dans le même bloc de description.
Le résultat : cinq looks complets, plus de cent images générées à travers les sessions, cohérentes au point de lire comme la même personne à chaque plan.
La musique
La direction du titre est venue avant tout prompt de génération. Pas « fais une chanson metal gothique ». Un brief créatif complet : l’arc émotionnel du quasi-silence à l’éruption orchestrale complète jusqu’à un pont dépouillé de violoncelle solo et de voix ; la chanteuse passant d’un demi-murmure au micro serré dans les couplets à une pleine puissance opératique au refrain ; le cadre lyrique s’adressant directement à l’auditeur, à la deuxième personne, depuis une position de contrôle sombre.
Les paroles ont été écrites en premier, avant que les outils de génération ne soient ouverts. Les paroles ne sont pas une décoration posée sur le projet. Elles sont l’épine dorsale conceptuelle de tout ce qui suit. L’ouverture du court-métrage a été scénarisée autour de l’accroche du refrain. La scène de divulgation coulisses de la vidéo a été écrite pour faire écho à la logique des paroles. La bio de la campagne, la description de la chaîne, les légendes de sortie : tout puise dans le même langage.
Le refrain :
Tu n’aurais pas dû regarder
Tu ne peux plus te détourner
Tu es venu de ton plein gré
Maintenant tu vas rester
« De ton plein gré » est devenue la bio Instagram. Elle est devenue la description de la chaîne YouTube. Elle est devenue la logique de toute la stratégie de divulgation IA. Le titre et l’identité visuelle sont la même idée exprimée sous deux formes différentes. Cette cohérence n’arrive pas par accident. Elle arrive parce que le brief créatif précède chaque outil, et non l’inverse.
La vidéo
La vidéo s’ouvre sans musique. Une salle palatiale vide : sol en marbre à damier, appliques murales déjà allumées, personne. Un plan coupe vers une clairière forestière brumeuse la nuit. Puis elle apparaît, et à partir de ce moment le montage ne fait plus de pause. Les sections de performance, les temps narratifs et le B-roll abstrait sont tous entrelacés plutôt que séparés en chapitres étiquetés. La structure planifiée sur papier a fini plus serrée et plus intégrée au montage.
Deux outils, deux tâches différentes. Le premier gère les plans cinématographiques sans dépendance audio : plaques d’environnement, montage abstrait, la séquence d’ouverture. Ces plans ont besoin d’une haute fidélité visuelle et d’un mouvement de caméra précis, aucune entrée audio, des cycles de génération plus longs, moins de compression. Le second gère les plans pilotés par l’audio : chaque section chantée, chaque moment coulisses, chaque plan où le jeu physique du personnage doit suivre le chant. Chacun de ces plans reçoit son propre segment audio découpé en entrée, exporté directement depuis la timeline Premiere avant génération. Le mouvement suit le son.
Chaque plan généré fait quinze secondes ou moins, quel que soit l’outil qui l’a produit. La vidéo est construite à partir de plus de trente plans individuels. Ce n’est pas une contrainte à contourner. C’est la bonne unité de production. Les plans plus courts se génèrent plus proprement, et la limite de quinze secondes force la structure de montage à être explicite dès le départ. On ne peut pas se cacher derrière un long plan. Chaque coupe est une décision prise avant la génération, pas après.
Plusieurs moments visuels de la vidéo méritent d’être nommés spécifiquement parce qu’ils n’étaient pas prédéterminés. Ils sont sortis du processus de génération et ont été conservés comme des améliorations par rapport au plan original. Le refrain déploie un effet triple image : trois instances du même personnage, côte à côte, synchronisées. Il a été généré comme un seul plan et est arrivé du premier coup. La séquence de la fissure du sol (ses mains plaquées à plat sur le marbre alors qu’il se fend sous elle) est plus viscérale que tout équivalent décrit dans le brief. Le miroir ne garde pas son reflet une seconde de trop ; il se brise complètement. Elle tient le serpent directement dans ses mains plutôt que de le laisser enroulé en arrière-plan. Chacun de ces moments est un instant où la génération est allée plus loin que ce qui était spécifié, et le montage l’a gardé.
L’architecture vocale suit la même logique de séparation. La voix chantée et la voix parlée sont générées séparément avec des profils séparés. La voix chantée (soprano opératique, micro serré dans les couplets, pleine puissance au refrain) est produite dans le cadre de la génération musicale. La voix parlée utilisée dans la section coulisses est plus chaleureuse, plus directe, un registre entièrement différent, générée avec sa propre configuration. Le contraste entre les deux est délibéré. La performance est froide et opératique. Les coulisses sont chaleureuses et présentes. Cette différence rend les deux plus réels.
La crédibilité des coulisses dépend du détail de production. La section coulisses a été promptée avec la même spécificité que les sections cinématographiques : membres d’équipe visibles dans la forêt, un moniteur et un poste DIT en arrière-plan, des projecteurs LED aux côtés des bougies dans l’intérieur palatial. Sans ces détails, les coulisses se lisent comme mises en scène. Avec eux, la production se lit comme réelle, ce qui est la condition sous laquelle la divulgation qui suit peut faire ce qu’elle doit faire.
La révélation
L’approche standard de la divulgation IA est un disclaimer. Une note de bas de page. Un communiqué de presse après le lancement expliquant la liste des outils.
Cette approche traite la divulgation comme un risque à gérer. CIRCE la traite comme une décision créative, et la construit en trois temps.
Le premier temps est une réplique jetée dans les coulisses en forêt. Elle se tient dans sa doudoune entre deux prises, équipe et moniteurs visibles derrière elle, et elle dit : « On me demande toujours s’il fait froid. Il fait toujours froid. » Chaleureux, sec, présent. Le registre a complètement changé par rapport aux images de performance qui précédaient. Ce changement est la mise en place.
Le second temps se passe dans l’intérieur palatial. Une maquilleuse termine une retouche. Elle se tourne vers la caméra coulisses :
« Ça valait le coup. Je ne suis pas réelle, mais ce que vous avez ressenti en regardant ça ne l’est pas non plus. »
La retouche maquillage est l’ancrage de crédibilité de cette réplique. Le spectateur vient de regarder quatre minutes de ce qui se lit comme une vraie production : équipe, matériel, un lieu palatial, un tournage en forêt, une musicienne entre deux prises. L’interaction avec la maquilleuse est entièrement humaine, ancrée, spécifique. C’est ce qui fait atterrir la divulgation comme autre chose qu’une déclaration mécanique. Elle parle après un moment humain, pas à la place d’un moment humain. Et « ça valait le coup », les premiers mots, fait plus de travail que toute la phrase qui suit. Ça transforme la réplique en un jugement, pas en une confession.
Le troisième temps est celui qui change entièrement le cadre. Le plan suivant coupe vers une salle de montage sombre : elle est assise à un poste de travail, Premiere Pro ouvert sur l’écran, des images de la vidéo visibles à l’écran. Un homme se tient debout derrière elle. Elle se tourne vers la caméra et livre les dernières lignes de la vidéo :
« Comme il travaille dessus depuis 16 heures d’affilée, je lui ai pris la souris des mains. On a presque fini. »
La divulgation n’est plus seulement une déclaration émotionnelle. C’est une révélation de collaborateur. Elle revendique la paternité du projet. La personne qui l’a réellement construit est visible dans le cadre derrière elle, nommée seulement par ses heures de travail. La chaleur et l’humour sec de la réplique, l’exact opposé tonal du personnage opératique et froid des quatre premières minutes, est la preuve finale que deux registres ont été construits et tenus tout du long. La vidéo se termine sur le logo gravé dans la pierre, le serpent enroulé à sa base, et coupe au noir.
L’étape 6 de la campagne (la divulgation) n’est pas la fin du projet. C’est le début de la conversation que ce projet a toujours été conçu pour lancer.
Trois problèmes d’ingénierie
Le vocabulaire des filtres de sécurité. Le metal gothique symphonique se situe près d’un territoire que les systèmes de sécurité de génération surveillent : garde-robe expressive, descriptions de regard intense, décors atmosphériques qui se lisent comme intimes. La première version de la planche de personnage du Look 2 a été signalée avant qu’une seule image ne soit générée. La correction n’a pas été de contourner le filtre mais de remplacer entièrement le vocabulaire. Chaque terme qui pouvait se lire comme un contexte sexualisant a été fait correspondre à un équivalent mode et éditorial : « sulfureux » est devenu « dramatique », les descripteurs de peau nue ont été retirés, les descriptions de regard sont passées au registre éditorial. La substitution n’est pas cosmétique. Le vocabulaire mode et éditorial signale au modèle le bon contexte de génération. Il se situe dans une catégorie différente du contenu que le système de sécurité est conçu pour intercepter. Écrire dans ce registre produit de meilleurs résultats, pas seulement des résultats plus sûrs. La liste de vocabulaire construite pendant ce projet accompagne désormais chaque projet de génération de personnage.
La qualité téléphone dans la génération vidéo coulisses. Le pipeline de contenu social utilise une esthétique selfie et coulisses : images qualité téléphone, naturelles et non polies. Le problème : si l’image de référence utilisée pour générer un reel coulisses est de qualité éditoriale photoréaliste, le modèle de génération vidéo s’ancre sur cette qualité et ignore le descripteur téléphone dans le prompt vidéo. Le texte et la référence image doivent concorder. La correction consiste à intégrer directement la qualité capteur téléphone dans la génération de l’image de référence : grain numérique, plage dynamique compressée, halo capteur près des sources de lumière, exposition automatique imparfaite, rendu couleur froid de téléphone. La grille de moodboard doit ressembler à une prise de vue téléphone avant que le prompt du reel n’en demande une. Si la référence a l’air éditoriale, le résultat le sera aussi, peu importe ce que dit le texte.
La spécification du mouvement en vidéo IA. Des personnages fixes ou quasi fixes en génération vidéo produisent une qualité diaporama. Le modèle n’interpole rien et se rabat par défaut sur un léger zoom ou une passe de grain. Tout plan où le personnage apparaît doit spécifier un mouvement explicite et nommé : une lente rotation de la tête, un pas délibéré en avant, une cape qui bouge quand le poids se transfère. La description du mouvement doit être physique et mesurable, pas émotionnelle. « Elle fixe intensément » produit de l’immobilité. « Sa tête tourne de trois degrés vers la gauche sur quatre secondes, les yeux tenant l’objectif » produit du mouvement. La contrainte est constante sur tous les outils de génération vidéo utilisés dans ce projet et s’applique également aux pipelines cinématographiques et pilotés par l’audio.
Ce que ce projet démontre
Un lancement d’artiste complet (personnage, musique, vidéo, plateformes) produit en cinq jours par une seule personne, sans collaborateurs, sans studio, et sans budget. L’équivalent traditionnel demande un character designer, un photographe, un compositeur, une session en studio d’enregistrement, un réalisateur de clip, un cadreur, un repéreur de lieux, un monteur vidéo, et une community manager. CIRCE n’a nécessité aucun de ceux-ci. Il a nécessité un brief créatif, une méthodologie de production, et la discipline de faire respecter les deux sur chaque outil et chaque décision.
L’écart de qualité entre un clip musical IA générique et ce projet n’est pas un écart d’outils. Chaque outil utilisé ici est accessible à quiconque a un abonnement. L’écart est entièrement dans la direction créative : la bible de personnage, le concept lyrique, la structure vidéo à double pipeline, le système vocal à deux registres, les techniques de crédibilité des coulisses, la divulgation intégrée au film. Aucun de ces éléments n’est un résultat d’IA. Ce sont des décisions prises avant que toute génération ne commence.
CIRCE n’est pas terminé. La campagne de sortie tourne toujours. Un second titre est prévu. Le pipeline de contenu social est actif. Ce que la fenêtre de production de cinq jours démontre, c’est le point de départ : un brief, une méthodologie, zéro collaborateur, un artiste complet.
La méthode de production s’applique à tout projet qui nécessite un personnage, une voix, une vidéo, ou une identité construits à partir de rien.
