BlowMetric
BlowMetric · analyse vidéo, seconde par seconde

La méthode

Le score lit ta vidéo, pas une moyenne.

Avant qu’un score sorte, le fichier est lu par des outils qui ne devinent rien : plans, silences, parole, texte à l’écran, niveaux. Voici ce qui tourne, étape par étape, et ce que le score en fait.

Ce qu’on relève dans le fichier

Avant toute interprétation, le fichier est réduit à un objet factuel : la partition. Elle contient des plans, des silences, des segments de parole, des mots, des incrustations, des niveaux sonores — chacun avec un identifiant et une position.

Tout ce que tu vois affiché dans un rapport est relu depuis cet objet. Un timecode n’est jamais un texte : c’est une valeur, recalculée à l’affichage depuis l’événement qu’elle référence.

  1. Sonde du fichier

    ffmpeg

    Rien n'est deviné depuis le nom du fichier ni depuis ce que le navigateur en dit. Les caractéristiques sont lues dans le conteneur lui-même.

    Produit : durée, résolution, images/s, présence d'une piste audio

  2. Découpage en plans

    PySceneDetect

    Chaque changement de plan est daté. C'est de là que sortent la cadence de coupe et le plan le plus long — deux mesures que la moyenne seule dissimule.

    Produit : la liste des plans, avec leurs bornes et leur score de rupture

  3. Détection des silences et des niveaux

    ffmpeg silencedetect + ebur128

    Un silence n'est pas un trou dans la transcription : c'est une mesure de niveau sonore, avec un seuil et une durée minimale. Les deux ne donnent pas les mêmes résultats.

    Produit : chaque silence avec sa durée et son niveau crête, le niveau intégré par fenêtre

  4. Transcription horodatée

    ASR par lot

    Chaque mot porte sa position dans le fichier. C'est ce qui permet de citer une phrase en indiquant où elle se trouve, sans jamais l'inventer.

    Produit : les segments de parole, les mots avec leur position, le débit

  5. Lecture du texte à l'écran

    OCR local, sur les frames de changement de plan

    L'OCR ne tourne pas image par image — ce serait ruineux pour un gain nul. Il tourne sur les frames où l'image change, c'est-à-dire là où le texte est susceptible d'apparaître.

    Produit : les incrustations, leur durée d'affichage et la part d'image occupée

D’où vient un timecode

Un modèle de langage sait écrire une phrase qui ressemble à une mesure. Rien ne distingue, dans son texte, un timecode lu d’un timecode inventé.

C’est pour ça qu’aucun ne lui est demandé. Les constats et leurs positions sont produits par des règles appliquées à la partition, sans modèle du tout, et la valeur affichée est relue depuis l’événement mesuré. Le modèle, lui, écrit un score et des conseils — jamais un instant.

Ce que le modèle fait, et avec quoi

Les mesures et les constats sortent du pipeline décrit ci-dessus : des règles lisibles, appliquées à la partition, sans modèle de langage.

Le score de viralité et les recommandations, eux, sont produits par un modèle, à partir de ta vidéo et de ces mesures. C’est ce qui les distingue d’un score improvisé sur un titre : le modèle voit ce qui se passe réellement dans le fichier. Ça ne les rend pas garantis pour autant.

Ce score est une estimation produite par un modèle d'intelligence artificielle à partir de ta vidéo et des mesures relevées dans le fichier. Il n'est pas calibré sur les performances réelles de vidéos publiées, et ne constitue ni une prévision ni une garantie de résultat : la diffusion dépend de facteurs qui ne dépendent pas de nous.

Les seuils qui déclenchent un constat sont des constantes, pas des jugements.

Chaque règle compare une mesure à une borne fixe : un silence d’au moins 1,5 s, un plan de plus de 4 s sans coupe, un débit hors de la bande 120-230 mots/min. Deux fichiers identiques donnent les mêmes constats, aux mêmes secondes, autant de fois qu’on les dépose. C’est ce qui distingue un constat d’une recommandation : le premier est mesuré, la seconde est estimée.