Logo d'entête du site tutoriel en ligne

Page de documentation de Dialog Pro.

User guide
Guide utilisateur

Using dialog-pro

dialog-pro 3.30 · user guide

Dialogues for two voices or more, spoken by synthetic voices, from a plain text file. You write the exchange, the tool says it, you listen and adjust.

This guide goes beyond getting started. It also covers how to write for a synthetic voice, how to fix things without paying for everything again, and exactly what sits in the folder you get at the end.


Opening the application

Double-click dialog-pro. It opens in its own window — not in a browser tab. To leave: Cmd-Q, the Quit button in the page, or just close the window. All three do the same thing.

To open a series you have a choice: the list on the left, Cmd-O, the File › Open Recent menu, or just drag its .md onto the window (or onto the Dock icon). Right-clicking the Dock icon also lists your recent series. If the file's folder was not a work folder yet, it is added for you.

The keyboard is yours, which a browser tab never allowed. Bare keys while you listen:

spaceplay, or pause
↑ ↓previous or next reaction — the player jumps one second before it
← →back or forward 3 seconds
escback to the folder

And the Cmd shortcuts live in the menus, where you can read them: the Episode menu to generate (Cmd-G), fix, lay the reactions again (Cmd-E), copy the dialogue, move from one episode to the next; Settings on Cmd-comma, as everywhere. A greyed item is a gesture the episode's state does not allow — the menu never offers what it would not do.

The bare keys go quiet as soon as you type in a field: the space bar stays a space when you are writing a title.

The menu bar also carries things macOS adds by itself — Writing Tools, AutoFill, Start Dictation, Emoji & Symbols under Edit; Fill, Center, Move & Resize under Window. They do not come from dialog-pro: the system puts them in every application. And they work in our fields — dictation, for instance, to speak a turn rather than type it.

While generating, the Dock icon carries a progress bar and the percentage, so you can work elsewhere and still see where it stands. When it finishes the icon bounces — unless you are already looking at the window.

On the very first launch the window may sit on "Starting…" for up to a minute if your texts live in an online folder (iCloud, Google Drive): the service is materialising its files for an application it does not know yet. The counter keeps moving — it is not stuck. Later launches are immediate.

To install it: open the dialog-pro.dmg disk image and **drag the icon onto the Applications arrow**. That is all — no installer, no password, no restart.

The application is signed and notarised by Apple. So there is nothing to allow: a double-click opens it, even freshly downloaded, even offline — the Apple ticket travels inside the bundle.

If you launch it without dragging it over, straight from the image or
from Downloads, macOS runs it from a temporary read-only copy. That is its
usual protection, applied to every downloaded app, and nothing breaks — but
dragging it into Applications is cleaner, and that is where you will find
it again.

There is nothing else to install — no Python, no library.

A second double-click does not start a second tool: it reopens the page. And if your working folder lives on an online space (iCloud, Drive), the first listing can take up to a minute while the system materialises the files. The next ones are instant.


What you need

  1. A cartesia.ai account and an API key.

Left menu, API Keys. It is shown only once, when created. Paste it into Settings → Your Cartesia key.

  1. One voice id per speaker. On Cartesia, pick a voice and copy its id.

Paste it into Settings → The voices. The names come from your own texts: you only need those of the series you want to produce.

There is no third thing. In particular, you have nothing to install for the sound: ffmpeg, the program that brings the two voices to the same level, travels inside the application. See What ffmpeg brings, below.

That is all, and that is all that leaves your machine: the only connection the tool opens is the one to Cartesia. Nothing else travels.


The working folder: where your texts live

At the top of the home screen, Working folder names the place where the application looks for your series. It reads them in place: it never copies your files elsewhere, and never reformats them.

  • ⤷ Change working folder… opens the system picker. Point it anywhere:

~/Documents, an external disk, a synced folder.

  • Show in Finder does exactly that — it changes nothing.

This is how you pick up a series written elsewhere: you point at its folder, and every .md it contains appears in the catalogue.

A folder inside the application is refused, and the screen says why: anything written there would be lost at the next update.


Writing a series

A series is a Markdown file (.md) placed in your working folder. One file can hold several episodes, separated by ---.

<!-- dialog-pro
serie: my-show
langue: en
vitesse: 1.0
-->

# 1- The episode title

HELEN   The first turn.
LAURENT The answer.
  › palette : helen-mmh ("the answer")

A speaker is recognised by having no lowercase letter in their name. Nothing is hard-coded: write ANNE, and ANNE shows up in Settings, waiting for a voice. Changing a speaker in an episode means changing the name in the text — there is nothing else to do.

The block at the top is an HTML comment: invisible when the Markdown is rendered, read by the tool. It names the output folder and sets the language and the speed. Those four words — serie, langue, vitesse and dialog-pro itself — stay exactly as they are: they are what the tool reads. What the document declares wins over Settings — a series carries its own choices, not the machine that renders it. Without the block, the tool falls back on Settings: it is optional.

It applies to THE WHOLE FILE. If that file holds several episodes, they share the same language, model and speed — changing the language from one episode's screen changes it for all the others. The app says so above the four fields and names the episodes concerned. For two languages, use two files.

You can also write an episode inside the application — the Write an episode button — without knowing Markdown. It writes in the shape the file already uses, and only rewrites the lines that change: your preamble, your other episodes and your notes do not move by a single character.

The name and its line are separated by a tab, a : or at least two spaces. A single space is not enough, and that is deliberate: AU fait, Laurent… also starts with a word in capitals, and would become a speaker named AU. If the tab gets lost — which happens when copying between editors — the line is spoken by the previous speaker. The application spots it, names the line, and puts the tab back in one click.

One series per language. The serie: line decides the output folder: two documents declaring the same name write to the same place, and the second erases the first. To make an English version of a show, give it its own name — my-show-en — and the application refuses to generate as long as two texts are fighting over one folder.

These four lines can also be set inside the application, in the The text and its series card: your .md then only has to carry the dialogue.

Lines starting with ⚠ are production notes: they are never spoken.


Writing for a synthetic voice

This is the part that pays off most, and it is free. Everything one might look for in settings or tags happens in the way the text is written — and writing can be reread as often as you like, whereas rendering costs money and never gives the same take twice.

In the textWhat it produces
punctuationthis is what gives the breathing. A comma breathes, a full stop falls
an ellipsis at the end of a turnthe sentence trails off instead of closing
doubled strong punctuation — !!, ?!!the tone goes up a notch
written elisions — gonna, 'cause, d'you, lemmethe casual delivery, without anything sounding swallowed. And it is fewer characters
a stammer written as such — "A, a woman, a woman…"the false start, twice, before the word comes out
[laughter] written in the turna real laugh — not the word spoken

Two things worth knowing, found in use:

Names and acronyms are written as they are said. "ARTE" was being spelled out letter by letter; written arté, it is right. The text you publish is not the text you have spoken — and the Check screen is what shows which one goes.

A last sentence of only a few words stays flat. The voice does not fall the way a real sentence ending does. Two remedies, in that order: ask for another take (same text, different reading — the cadence varies from take to take), and if that is not enough, make the turn a little longer.

[laughter] is the only non-verbal marker that works. The others are either ignored or spoken aloud.


Reactions: what they are, and where they land

The "mmh", "really?", laughs that punctuate the other person's speech.

A reaction is inserted, never laid over. In a real exchange, the speaker hears the other and leaves them a fraction of a second. Two synthetic voices have no such interaction: laid on top of each other, it does not sound like listening, it sounds like a collision. So a short pause is opened in one voice and the other's reaction is slipped into it — which is what an editor does by hand. The episode gets longer by that much; that is not a flaw, it is the method.

The annotation lives on its own line, under the turn it targets:

  › palette : helen-mmh ("not quite")
  › palette : laurent-rire (takes the turn)
AnnotationWhere the reaction lands
nothingin the longest breath of the turn
("some words")after those words, at the first breath that follows
(takes the turn)after the whole turn — the reaction takes the floor

Quoted words mean a zone, not a cut point. They say where to start looking; it is the punctuation that decides where the blade falls. So a cut never happens in the middle of a word: a cut placed on an existing gap cannot be heard, the same cut two syllables later is heard at once.

A voice never reacts to its own turn. On a turn by LAURENT, another voice reacts — the screen writes it above the menu ("HELEN REACTS"). An annotation asking for the opposite is not placed, and the screen says why.


The three steps

1 · Checkreads the text and shows what would be donefree, contacts nobody
2 · Generatesends the text to Cartesiathe only billed step
3 · Editplaces the reactions, listen, change, start againfree, as often as you like

**Always run Check first on a new text. It is the only place where you see exactly** what will go to Cartesia, turn by turn, with the character count. A badly spelled acronym, a production note that should not have been picked up, a missing turn: it shows there, and it costs nothing.

The Copy the dialogue button gives the spoken text alone, as NAME : text — handy as a source for a transcript or subtitles. It starts from the .md, so it works before generating as well as after.

In the editing screen, every reaction carries its moment (clickable: the player jumps one second earlier), whose speech it cuts, the sentence it follows, a menu of the reactions available for that voice, and a button to listen to the one just chosen. Choosing a reaction without hearing it is choosing on a filename.

Place the reactions again rereads the text and redoes the edit without calling Cartesia: zero characters.


Fixing without redoing everything

The real reason is not the bill. Cartesia never gives the same sound twice: regenerating an episode to fix one word makes the turns you had already approved by ear come back different. Reusing what did not change is a protection before it is a saving.

The moveWhat it costs
swapping two turns (the ⇅ button)nothing
changing the reaction placed somewherenothing
fixing the text of one turnthat turn alone
another take of one turnthat turn alone
changing the voice that says a turnthat turn alone
Regenerate everythingthe whole episode

The buttons carry their price: "Fix 1 turn — 175 char.". A turn costs slightly more than its own length, because the run-up before it is sent again to the speaking voice — that is what keeps its cadence. So the first turn of an episode costs almost nothing.

"Another take" is for a turn that is well written but badly said: same text, different reading. Every take differs — it is an actor doing the scene again, not a machine replaying a file.

Pieces that do not change are reused bit for bit. Nothing goes back to Cartesia for them.


The reaction palette

A palette is a set of sounds rendered once and for all: 75 reactions in every register, one palette per voice and per language. Count 834 characters and a little under 30 seconds per voice.

The button is in Settings → The voices, under each voice that has none yet, and it carries its price. A bar shows the progress; when it is done, the button disappears by itself.

A new voice has no reactions at all, and that is normal. On a LAURENT / MARC / CAMILLE episode where only LAURENT has a palette, the menu of a turn by MARC offers LAURENT's reactions, and the menu of a turn by LAURENT offers nothing — the screen says so under the menu concerned.

An existing palette is not regenerated, and that is why the button goes away: the 75 sounds would come back different, and every episode already edited would change its "mmh".

An episode only draws from the palette of its own language. A French "ah bon ?" over an English dialogue would not pass: each language has its own folder, and failing that the episode places no reaction at all rather than borrowing the neighbour's.


What ffmpeg brings — and the two outputs

First: ffmpeg is INSIDE the application

You have nothing to install, nothing to download, and nothing to type into a Terminal. ffmpeg travels inside dialog-pro from version 3.21 onwards.

ffmpeg is a free program, the most widely used in the world for handling sound and video — it is inside VLC, inside Audacity, behind half the editing tools you know. Installing it is not your job; it is already there.

Three things worth knowing, and they fit in three lines:

  • It never leaves your machine. It reads your episode's files and writes

others next to them. It connects to nothing — it was in fact built without the networking part at all.

  • This one only does audio. It weighs 1.3 MB where a complete ffmpeg

weighs a hundred: only the twelve treatments dialog-pro uses were kept.

  • It is free software, and its licence travels with it. The file

ffmpeg-licence.txt, inside the application, carries the licence text, the exact source address and the line that built it: everything needed to rebuild that binary identically.

If the ffmpeg missing badge ever does appear, it means you are running dialog-pro from its source rather than from the application: the home screen then gives you the command to install it.

What it does, and why something is needed

Two voices generated separately have never shared a space. Measured on a real episode: nearly 6 dB of perceived level difference between the two voices. That is what you hear first, before anything else.

Without ffmpeg, the episode still comes out and is perfectly usable — simply uneven, and it is up to you to even the levels afterwards. That is the only thing in the whole tool that depends on ffmpeg.

With ffmpeg, two outputs to choose from in Settings → What comes out:

What it doesWho for
Delivery (default)useless bass cut, both voices at the same level, headroom left under the maximum (−18 LUFS, −3 dBTP peak)you hand the file to an editor: pushing it is their job
Completealso: timbres brought closer, compression, and a shared roomready to publish without an editor (−16 LUFS, −1 dBTP peak)

The shared room is a set of short reflections, identical for both voices, applied to the assembled episode: the tails spill from one turn into the next, and that is precisely what glues the exchange together. Without it, two voices at the same level remain two recordings side by side.

What is not done: making the two spectra identical. A man's voice has more deep bass than a woman's — that is their nature, not a flaw, and that band is left alone. The distance between two timbres is reduced, not removed.

"Complete" is for two voices. With three or more, use Delivery: bringing timbres closer is done between two, and beyond that it no longer means anything. Levels, on the other hand, are matched whatever the number of voices.


What sits in an episode folder

sortie/my-show/ep2-the-title/
├── episode.wav                   the raw assembly, written at every generation
├── episode-livraison.wav         harmonised  ("Complete": episode-harmonise
│                                  and episode-harmonise-piece)
├── episode-avec-reactions.wav  ← THE ONE TO PUBLISH
├── morceaux/<voice>/001.wav      one turn = one file
├── morceaux-harmonises/<voice>/  the same ones, at the same level
├── episode-avec-reactions.srt  ← the subtitles that go with it
├── episode.srt / episode-livraison.srt   the ones for the other files
├── reactions.md                  the table to reread before listening
├── manifeste.json                what was done, and when
└── voix-de-synthese.txt          the sentence to paste when you publish

Subtitles come out on their own at every generation, one .srt per audio file, named after that file — this is how a player pairs them. And on an episode already rendered, the "Subtitles (.srt)" button in card ③ Mount writes them on demand, for free. If the mounted episode's timebase is missing, it re-lays the reactions itself and tells you before doing so. Take the one whose name matches the file you publish: a mounted episode runs longer than the raw assembly, since it carries the reactions, and the two timings are not the same.

The text is yours, to the character: nothing is re-transcribed, so nothing is guessed. The trade-off is that a spelling written for the voice reads as it was written — if you wrote "artay" to have ARTE said, the subtitle will say "artay". Laughs written as [laughter] do appear, because a subtitle that skips a sound you can hear is a wrong subtitle.

The reactions themselves can be edited in Settings → The voices → Edit the reactions…: the word each voice says, one register per line. You can add, remove or correct them. The palette shipped with the application is never touched — your copy lands in your working folder, and that one counts from then on. Changing a text only re-renders the sounds of that register; the others are kept as they are.

To fix that, declare your variants, in a second invisible block you can put anywhere in the file:

<!-- dialog-pro:sous-titres
artay => ARTE
[laughter] => (laughs)
twenty-eight minutes => 28 Minutes
-->

On the left what is written, on the right what is shown. Case is ignored and punctuation kept — Artay, becomes ARTE,. One rule can cover several words, and the timing does not move by a thousandth. Leave the right side empty for a passage not to show at all.

Nothing is guessed: only your lines act, never an automatic clean-up. A subtitle is read by someone who cannot hear, and a substitution you did not write would be a lie about what was said.

The "The text and its series" card shows your table, then what no rule covers — "No rule covers [applause]." It points it out; it writes nothing for you.

The "Copy the dialogue" button applies the same table, since that is a transcription. The free trial shows what the voice will say, so it does not.

A rule covers a whole word: artay => ARTE does not touch d'artay, which needs its own line. That is on purpose — guessing where an elision ends would mean interpreting your text.

Under the copied text, two buttons: Copy again and Save as .txt. The file goes into the episode folder if there is one, otherwise next to your .md, and a button shows it to you in the Finder. The clipboard is a bonus: some browsers refuse it, and the screen then tells you instead of doing nothing.

Note that the two block names stay French — dialog-pro:sous-titres — as the four words of the settings block do: they are taken literally.

Why the pieces are kept. It is what makes a fix cheap: the ones you do not touch are reused as they are. And they are your rushes if you edit yourself in Premiere, Logic or anywhere else — you have each turn separately, already levelled in morceaux-harmonises/.

reactions.md is the proofing sheet: for every reaction, the moment, whose speech it cuts, the sentence it follows, and the full list of reactions available for that voice. Far quicker to reread than to listen through.

manifeste.json holds, among other things, the timestamp of every word: that is what lets a reaction land on a breath rather than mid-word, and lets a fix find exactly what did not change.

An episode weighs about ten megabytes, pieces included. And one useful detail if you chose "Complete": the shared room is applied to the assembled episode, whereas the episode with reactions is rebuilt from the pieces — so it carries the levels, not the room.


Where the application writes

It never writes inside itself.

WhatWhereWeight
your Cartesia keythe system keychain—
settings, server address~/Library/Application Support/dialog-pro/a few hundred bytes
window size, recent series~/Library/Preferences/com.webtvlearning.dialogpro.plista few bytes
your texts, by default~/Documents/dialog-pro/textes/light
the renders, by default~/Documents/dialog-pro/sortie/~13 MB per episode

The texts folder is the one you point at — the picker opens inside the window, as a sheet, so it cannot slip behind it. The renders folder is changed in Settings → Where renders go — an external disk does the job very well, it is the only one that weighs anything.

Changing folder moves nothing: renders already made stay where they are, and the application tells you so.

Your key no longer lives in a file. It is in the system keychain, under the name "dialog-pro" — you can see it there with Keychain Access. A file gets copied into a backup or an archive without anyone thinking about it; a keychain entry does not. If you had an earlier version, the key moves there by itself on the first launch and the old file is removed — but only after the application has read the key back from the keychain.

Nothing else is placed on the machine: no login item, nothing system-wide, and nothing inside its own bundle.


Uninstalling

Dragging the application to the Trash is enough: it placed no daemon, no login item, nothing system-wide. Nothing keeps running after it.

If you also want to erase what it remembered, that is in three places and none of them is hidden:

To eraseWhat you lose
~/Library/Application Support/dialog-pro/your settings: the voices, the language, the folders
~/Library/Preferences/com.webtvlearning.dialogpro.plistthe window size and the list of recent series
the "dialog-pro" keychain entryyour saved Cartesia key (Keychain Access, then search for "dialog-pro")

~/Documents/dialog-pro/ is your work, not the application's. Your texts and your rendered episodes live there, and they do not go away with it: erase that folder only once you are truly done with them. Reinstalling the application on top finds them exactly as they were.


Synthetic voice: to be mentioned when you publish

Every episode is delivered with a voix-de-synthese.txt file holding the sentence to paste into the description, the credits or the episode page:

The voices in this podcast are synthetic (AI) voices.

The .wav files carry the same notice in a machine-readable form. It is not a cryptographic signature: a re-encode wipes it.

An episode rendered before this version does not have that file yet. It gets it by laying its reactions again — Lay the Reactions Again, which costs nothing and touches no voice.

In France, article 226-8 of the penal code covers publishing audio content generated by an algorithm without its artificial nature being obvious or stated; article 50 of the European AI regulation asks the same since 2 August 2026. This is not legal advice.


If something is off

What you seeWhat it means
Licence missingthe licence key is not saved — Settings, first card. This is not the Cartesia key
Cartesia key missingthe Cartesia key is not saved — Settings, second card. This is not the licence
Missing the id of: NAMEthat voice has no id — the button next to it opens Settings
ffmpeg missingcannot happen in the application, which ships it; from the source, the home screen gives the command
renders not foundthe chosen folder is unreachable — an unplugged disk? Nothing is written elsewhere meanwhile
this render was made with other settingsthe block’s language, model or speed has changed since: the sound no longer matches the text. “Regenerate everything” puts it right — “Fix” would not be enough, since the text itself has not changed
no sound on a reactionthat voice has no palette yet
not placed next to a reactionthe screen says why just below: a voice reacting to itself, an unknown id, no cut point found
this folder is inside the applicationpick a folder of your own: anything written there is lost at the next update
this window is no longer connectedthe server was stopped — start the application again
the episode is gone from the listhas its title or its serie: changed? The screen then offers Pick this render up again — a plain rename, zero characters
the first screen is slowyour folder is on an online space; the next listings are instant

An episode with no reaction at all is perfectly normal: there is then neither episode-avec-reactions.wav nor reactions.md. Its dot is green all the same — it is ready, since there is nothing to edit.

The dot says what is left to do, and nothing else. Green on an episode: nothing left to generate or edit. Green on a palette: every voice concerned by that language has its sounds. A voice is concerned only if one of your series makes it speak that language, or if sounds already exist — a French voice does not turn the Italian palette grey.


dialog-pro 3.30 — WebTV Learning

Utiliser dialog-pro

dialog-pro 3.30 · guide d'utilisation

Des dialogues à deux voix ou plus, dits par des voix de synthèse, à partir d'un simple texte. Tu écris l'échange, l'outil le fait dire, tu écoutes et tu ajustes.

Ce mode d'emploi ne se limite pas au démarrage. Il dit aussi comment écrire pour une voix de synthèse, comment corriger sans tout repayer, et ce qu'il y a exactement dans le dossier que tu récupères à la fin.


Ouvrir l'application

Double-clique dialog-pro. Elle s'ouvre dans sa propre fenêtre — pas dans un onglet de navigateur. Pour en sortir : Cmd-Q, le bouton Quitter dans la page, ou simplement fermer la fenêtre. Les trois font la même chose.

Pour ouvrir une série, tu as le choix : la liste de gauche, Cmd-O, le menu Fichier › Ouvrir un récent, ou simplement glisser son .md sur la fenêtre (ou sur l'icône du Dock). Un clic droit sur l'icône du Dock liste aussi tes dernières séries. Si le dossier du fichier n'était pas encore un dossier de travail, il est ajouté tout seul.

Le clavier est à toi, ce qu'un onglet de navigateur ne permettait pas. Les touches nues pendant qu'on écoute :

espacelire, ou mettre en pause
↑ ↓réaction précédente ou suivante — le lecteur saute une seconde avant
← →reculer ou avancer de 3 secondes
échaprevenir au dossier

Et les raccourcis à Cmd sont dans les menus, où tu peux les lire : menu Épisode pour générer (Cmd-G), corriger, reposer les réactions (Cmd-E), copier le dialogue, passer d'un épisode à l'autre ; Réglages en Cmd-virgule, comme partout. Un item grisé est un geste que l'état de l'épisode ne permet pas — le menu ne propose jamais ce qu'il ne ferait pas.

Les touches nues se taisent dès que tu tapes dans un champ : la barre d'espace reste une espace quand tu écris un titre.

La barre de menus porte aussi des choses que macOS ajoute lui-même — Outils d'écriture, Remplissage automatique, Démarrer la dictée, Emoji et symboles dans Édition ; Remplir, Centrer, Déplacer et redimensionner dans Fenêtre. Elles ne viennent pas de dialog-pro : le système les met dans toutes les applications. Et elles marchent dans nos champs — la dictée, par exemple, pour écrire une réplique à la voix plutôt qu'au clavier.

Pendant une génération, l'icône du Dock porte une barre et le pourcentage : tu peux aller travailler ailleurs et savoir où ça en est d'un coup d'œil. Quand c'est fini, l'icône rebondit — sauf si tu es déjà devant la fenêtre.

Au premier lancement, la fenêtre peut rester une minute sur « Démarrage… » si tes textes vivent sur un dossier en ligne (iCloud, Google Drive) : le service matérialise ses fichiers pour une application qu'il ne connaît pas encore. Le compteur avance, ce n'est pas bloqué. Les fois suivantes sont immédiates.

Pour l'installer : ouvre l'image disque dialog-pro.dmg et **glisse l'icône sur la flèche *Applications***. C'est tout — pas d'installeur, pas de mot de passe, pas de redémarrage.

L'application est signée et notarisée par Apple. Tu n'as donc rien à autoriser : un double-clic l'ouvre, même fraîchement téléchargée, même hors ligne — le billet d'Apple voyage dans le paquet.

Si tu la lances sans l'avoir glissée, directement depuis l'image ou
depuis Téléchargements, macOS l'exécute depuis une copie temporaire en
lecture seule. C'est sa protection habituelle, elle vaut pour toutes les
applications téléchargées, et ça ne gêne rien — mais la glisser dans
Applications est plus propre, et c'est là que tu la retrouveras.

Il n'y a rien d'autre à installer — ni Python, ni bibliothèque.

Un deuxième double-clic ne lance pas un deuxième outil : il rouvre la page. Et si ton dossier de travail vit sur un espace en ligne (iCloud, Drive), le premier affichage peut demander jusqu'à une minute, le temps que le système matérialise les fichiers. Les suivants sont instantanés.


Ce qu'il te faut

  1. Un compte sur cartesia.ai et une clé d'API.

Menu de gauche, API Keys. Elle ne s'affiche qu'une fois à sa création. Colle-la dans Réglages → La clé Cartesia.

  1. Un identifiant de voix par intervenant. Sur Cartesia, choisis une voix

et copie son identifiant. Colle-le dans Réglages → Les voix. Les noms viennent de tes textes : tu n'as besoin que de ceux des séries que tu veux produire.

Il n'y a pas de troisième chose. En particulier, tu n'as rien à installer pour le son : ffmpeg, le programme qui met les deux voix au même niveau, voyage dans l'application. Voir Ce que ffmpeg apporte, plus bas.

C'est tout, et c'est tout ce qui sort de ta machine : la seule connexion que l'outil ouvre est celle qui va chez Cartesia. Rien d'autre ne voyage.


Le dossier de travail : où vivent tes textes

En haut de l'accueil, Dossier de travail nomme l'endroit où l'application va chercher tes séries. Elle lit sur place : elle ne copie jamais tes fichiers ailleurs, et ne les reformate pas.

  • ⤷ Changer de dossier de travail… ouvre le sélecteur du système. Pointe

n'importe où : ~/Documents, un disque externe, un dossier synchronisé.

  • Afficher dans le Finder fait exactement ça — il ne change rien.

C'est par là qu'on reprend une série écrite ailleurs : tu désignes son dossier, et tous les .md qu'il contient apparaissent dans le catalogue.

Un dossier à l'intérieur de l'application est refusé, et l'écran dit pourquoi : ce qu'on y écrirait disparaîtrait à la prochaine mise à jour.


Écrire une série

Une série est un fichier Markdown (.md) déposé dans ton dossier de travail. Un fichier peut contenir plusieurs épisodes, séparés par ---.

<!-- dialog-pro
serie: mon-emission
langue: fr
vitesse: 1.0
-->

# 1- Le titre de l'épisode

HÉLÈNE   La première réplique.
LAURENT  La réponse.
  › palette : helene-mmh (vers « la réponse »)

Un intervenant se reconnaît à ce que son nom n'a aucune minuscule. Rien n'est codé en dur : écris ANNE, et ANNE apparaît dans les Réglages, en attente de sa voix. Changer d'intervenant dans un épisode, c'est changer son nom dans le texte — il n'y a rien d'autre à faire.

Le bloc du haut est un commentaire HTML : invisible quand le Markdown est rendu, lu par l'outil. Il nomme le dossier de sortie et impose la langue et la vitesse. Ce que le document déclare prime sur les Réglages — une série porte ses choix, pas la machine qui la rend. Sans ce bloc, l'outil retombe sur les Réglages : il est facultatif.

Il vaut pour TOUT le fichier. Si celui-ci porte plusieurs épisodes, ils partagent la même langue, le même modèle et la même vitesse — changer la langue depuis l'écran d'un épisode la change pour tous les autres. L'application le rappelle au-dessus des quatre champs et nomme les épisodes concernés. Pour deux langues, deux fichiers.

Tu peux aussi écrire un épisode dans l'application — bouton Écrire un épisode — sans connaître le Markdown. Elle écrit dans la forme que le fichier emploie déjà, et ne réécrit que les lignes qui changent : ton préambule, tes autres épisodes et tes notes ne bougent pas d'un caractère.

Le nom et sa réplique se séparent par une tabulation, un : ou au moins deux espaces. Une seule espace ne suffit pas, et c'est voulu : AU fait, Laurent… commence lui aussi par un mot sans minuscule, et deviendrait un intervenant nommé AU. Si la tabulation se perd — cela arrive en recopiant d'un éditeur à l'autre — la réplique est dite par l'intervenant précédent. L'application le repère, nomme la ligne, et pose la tabulation d'un clic.

Une série par langue. Le serie: du bloc décide du dossier de rendu : deux documents qui déclarent le même nom écrivent au même endroit, et le second efface le premier. Pour décliner une émission en anglais, donne-lui son propre nom — mon-emission-en — et l'application refuse de générer tant que deux textes se disputent un dossier.

Ces quatre lignes se règlent aussi dans l'application, carte Le texte et sa série : ton .md n'a alors plus à porter que le dialogue.

Les lignes commençant par ⚠ sont des notes de production : elles ne sont jamais dites.


Écrire pour une voix de synthèse

C'est la partie qui rapporte le plus, et elle est gratuite. Tout ce qu'on chercherait du côté de réglages ou de balises se joue dans la façon d'écrire le texte — et l'écriture se relit autant qu'on veut, alors que le rendu se paie et ne rend jamais deux fois le même son.

Dans le texteCe que ça produit
la ponctuationc'est elle qui donne la respiration. Une virgule souffle, un point descend
des points de suspension en fin de répliquela phrase se laisse tomber au lieu de se refermer
une ponctuation forte redoublée — !!, ?!!le ton monte d'un cran
les élisions écrites — j'vais, c'te, qu'tu, j'te l'disle débit familier, sans que rien ne sonne avalé. Et ça fait moins de caractères
le bégaiement noté tel quel — « U, une, une femme… »l'amorce qui rate, deux fois, avant que le mot sorte
[laughter] écrit dans la répliqueun vrai rire — pas le mot prononcé

Deux choses à savoir, relevées à l'usage :

Les noms propres et les sigles s'écrivent comme ils se disent. « ARTE » se prononçait lettre à lettre ; écrit arté, c'est juste. Le texte publié n'est pas celui qu'on fait dire — et c'est l'écran Vérifier qui montre lequel part.

Une dernière phrase de quelques mots reste plate. La voix ne redescend pas comme le fait une vraie fin de phrase. Deux remèdes, dans cet ordre : demander une autre prise (le même texte, une autre lecture — la cadence varie d'une prise à l'autre), et si ça ne suffit pas, allonger un peu la réplique.

[laughter] est le seul marqueur non verbal qui fonctionne. Les autres sont soit ignorés, soit prononcés.


Les réactions : ce qu'elles sont, et où elles tombent

Les « mmh », « ah bon ? », rires qui ponctuent la parole de l'autre.

Une réaction s'insère, elle ne se superpose jamais. Dans un vrai échange, celui qui parle entend l'autre et lui laisse une fraction de seconde. Deux voix de synthèse n'ont pas cette interaction : posées l'une sur l'autre, ça ne s'entend pas comme une écoute mais comme une collision. On ouvre donc une courte pause dans la parole de l'un et on y glisse la réaction de l'autre — c'est ce qu'un monteur fait à la main. L'épisode s'allonge d'autant ; ce n'est pas un défaut, c'est la méthode.

L'annotation vit sur sa propre ligne, sous la réplique qu'elle vise :

  › palette : helene-mmh (vers « pas tout à fait »)
  › palette : laurent-rire (prend le tour)
AnnotationOù la réaction tombe
riendans la plus grande respiration de la réplique
(vers « des mots »)après ces mots, à la première respiration qui suit
(prend le tour)après la réplique entière — la réaction prend la parole

« Vers » désigne une zone, pas un point de coupe. Les mots repères disent où commencer à chercher ; c'est la ponctuation qui décide où la lame passe. On ne coupe donc jamais au milieu d'un mot : une coupe posée sur un blanc existant ne s'entend pas, la même deux syllabes plus loin s'entend tout de suite.

Une voix ne réagit jamais à sa propre réplique. Sur une réplique de LAURENT, c'est une autre voix qui réagit — l'écran l'écrit au-dessus du menu (« HÉLÈNE RÉAGIT »). Une annotation qui demanderait l'inverse n'est pas posée, et l'écran dit pourquoi.


Les trois étapes

1 · Vérifierlit le texte et montre ce qui serait faitgratuit, ne contacte personne
2 · Générerenvoie le texte à Cartesiala seule étape facturée
3 · Monterpose les réactions, écoute, change, recommencegratuit, autant de fois que tu veux

**Fais toujours Vérifier d'abord sur un texte neuf. C'est le seul endroit où l'on voit exactement** ce qui partira chez Cartesia, réplique par réplique, avec le compte de caractères. Un sigle mal écrit, une note de production qui n'aurait pas dû être prise, une réplique oubliée : ça se voit là, et ça ne coûte rien.

Le bouton Copier le dialogue rend le texte parlé seul, en NOM : texte — utile comme source de transcription ou de sous-titres. Il repart du .md, donc il marche avant comme après la génération.

Dans l'écran de montage, chaque réaction porte son instant (cliquable : le lecteur saute une seconde avant), qui elle coupe, la phrase qu'elle suit, un menu des réactions disponibles pour cette voix et un bouton pour écouter celle qu'on vient de choisir. Choisir une réaction sans l'entendre, c'est choisir sur un nom de fichier.

Reposer les réactions relit le texte et refait le montage sans appeler Cartesia : zéro caractère.


Corriger sans tout refaire

Le vrai motif n'est pas la facture. Cartesia ne rend jamais deux fois le même son : régénérer un épisode pour corriger un mot rend autres les répliques que tu avais déjà validées à l'écoute. Reprendre ce qui n'a pas changé est une protection avant d'être une économie.

Le gesteCe qu'il coûte
intervertir deux répliques (bouton ⇅)rien
changer la réaction posée à un endroitrien
corriger le texte d'une répliquecette réplique seule
une autre prise d'une répliquecette réplique seule
changer la voix qui dit une répliquecette réplique seule
Tout régénérertout l'épisode

Les boutons portent leur prix : « Corriger 1 réplique — 175 car. ». Une réplique coûte un peu plus que sa seule longueur, parce que l'élan qui la précède est renvoyé à la voix qui parle — c'est ce qui lui garde sa cadence. La première réplique d'un épisode coûte donc presque rien.

« Une autre prise » sert quand la réplique est bien écrite mais mal dite : même texte, autre lecture. Chaque prise est différente — c'est un comédien qui refait la scène, pas une machine qui rejoue un fichier.

Les morceaux qui ne changent pas sont réutilisés au bit près. Rien ne repart chez Cartesia pour eux.


La palette de réactions

Une palette, c'est un jeu de sons rendus une fois pour toutes : 75 réactions dans tous les registres, une palette par voix et par langue. Compte 834 caractères et un peu moins de 30 secondes par voix.

Le bouton est dans Réglages → Les voix, sous chaque voix qui n'en a pas encore, et il porte son prix. Une barre montre l'avancement ; quand c'est fini, le bouton disparaît de lui-même.

Une voix neuve n'a aucune réaction, et c'est normal. Sur un épisode LAURENT / MARC / CAMILLE où seul LAURENT a sa palette, le menu d'une réplique de MARC propose les réactions de LAURENT, et celui d'une réplique de LAURENT ne propose rien — l'écran le dit sous le menu concerné.

On ne régénère pas une palette qui existe, et c'est pour ça que le bouton disparaît : les 75 sons reviendraient autres, et tous les épisodes déjà montés changeraient de « mmh ».

Un épisode ne se sert que dans la palette de sa langue. Un « ah bon ? » français sur un dialogue anglais ne passerait pas : chaque langue a son dossier, et à défaut l'épisode ne pose aucune réaction plutôt que d'aller chercher celle du voisin.


Ce que ffmpeg apporte — et les deux sorties

D'abord : ffmpeg est DANS l'application

Tu n'as rien à installer, rien à télécharger, et rien à taper dans un Terminal. ffmpeg voyage dans dialog-pro depuis la version 3.21.

ffmpeg est un programme libre, le plus employé au monde pour traiter du son et de la vidéo — il est dans VLC, dans Audacity, derrière la moitié des outils de montage. Il ne t'appartient pas de l'installer ; il est déjà là.

Trois choses à savoir, et elles tiennent en trois lignes :

  • Il ne sort jamais de ta machine. Il lit les fichiers de ton épisode et

en écrit d'autres à côté. Il ne se connecte à rien — il a d'ailleurs été bâti sans la partie réseau.

  • Celui-ci ne fait que de l'audio. Il ne pèse que 1,3 Mo, là où un ffmpeg

complet en pèse cent : on n'a gardé que les douze traitements dont dialog-pro se sert.

  • Il est libre, et sa licence voyage avec lui. Le fichier

ffmpeg-licence.txt, à l'intérieur de l'application, porte le texte de la licence, l'adresse exacte de la source et la ligne qui l'a fabriqué : de quoi refaire ce binaire à l'identique.

Si un jour la pastille ffmpeg absent apparaît quand même, c'est que tu fais tourner dialog-pro depuis son code plutôt que depuis l'application : l'accueil donne alors la commande pour l'installer.

Ce qu'il fait, et pourquoi il faut quelque chose

Deux voix générées séparément n'ont jamais partagé d'espace. Mesuré sur un épisode réel : près de 6 dB d'écart de niveau perçu entre les deux voix. C'est ce qui s'entend en premier, avant tout le reste.

Sans ffmpeg, l'épisode sort quand même et reste parfaitement utilisable — simplement inégal, et c'est à toi de rattraper les niveaux ensuite. C'est la seule chose de tout l'outil qui dépende de ffmpeg.

Avec ffmpeg, deux sorties au choix dans Réglages → Ce qui sort :

Ce que ça faitPour qui
Livraison (par défaut)grave inutile coupé, les deux voix au même niveau, de la marge sous le maximum (−18 LUFS, crête −3 dBTP)tu remets le fichier à un monteur : c'est à lui de pousser
Completen plus : les timbres rapprochés, une compression, et une pièce communeprêt à publier sans monteur (−16 LUFS, crête −1 dBTP)

La pièce commune, ce sont de courtes réflexions identiques pour les deux voix, appliquées à l'épisode assemblé : les queues débordent d'une réplique sur l'autre, et c'est précisément ce qui recolle l'échange. Sans elle, deux voix au même niveau restent deux enregistrements côte à côte.

Ce qu'on ne fait pas : rendre les deux spectres identiques. Une voix d'homme a plus de grave profond qu'une voix de femme — c'est leur nature, pas un défaut, et cette bande-là est laissée tranquille. On réduit la distance entre deux timbres, on ne la supprime pas.

« Complet » est pour deux voix. À trois et plus, prends Livraison : le rapprochement des timbres se fait entre deux, et au-delà il n'a plus de sens. Les niveaux, eux, sont mis d'accord quel que soit le nombre de voix.


Ce qu'il y a dans le dossier d'un épisode

sortie/mon-emission/ep2-le-titre/
├── episode.wav                   l'assemblage brut, écrit à chaque génération
├── episode-livraison.wav         harmonisé  (« Complet » : episode-harmonise
│                                  et episode-harmonise-piece)
├── episode-avec-reactions.wav  ← CELUI QU'ON PUBLIE
├── morceaux/<voix>/001.wav       une réplique = un fichier
├── morceaux-harmonises/<voix>/   les mêmes, au même niveau
├── episode-avec-reactions.srt  ← les sous-titres qui vont avec
├── episode.srt / episode-livraison.srt   ceux des autres sons
├── reactions.md                  la table à relire avant d'écouter
├── manifeste.json                ce qui a été fait, et quand
└── voix-de-synthese.txt          la phrase à coller quand tu publies

Les sous-titres sortent tout seuls à chaque génération, un fichier .srt par son, sous le nom de ce son — c'est ainsi qu'un lecteur les apparie. Et sur un épisode déjà rendu, le bouton « Sous-titres (.srt) » de la carte ③ Monter les écrit à la demande, gratuitement. S'il manque le repère de l'épisode monté, il repose les réactions lui-même et te le dit avant. Prends celui qui porte le même nom que le fichier que tu publies : un épisode monté dure plus longtemps que l'assemblage brut, puisqu'il porte les réactions, et les deux minutages ne sont pas les mêmes.

Le texte est le tien, au caractère près : rien n'est retranscrit, donc rien n'est deviné. La contrepartie est qu'une graphie écrite pour la voix se lit telle quelle — si tu as écrit « arté » pour faire dire ARTE, le sous-titre dira « arté ». Les rires notés [laughter] apparaissent, parce qu'un sous-titre qui saute un son qu'on entend est un sous-titre faux.

Les réactions elles-mêmes se modifient dans Réglages → Les voix → Modifier les réactions… : le mot que chaque voix dit, un registre par ligne. Tu peux en ajouter, en retirer, en corriger. La palette livrée avec l'application n'est jamais touchée — ta copie se pose dans ton dossier de travail, et c'est elle qui compte ensuite. Changer un texte ne refait que les sons de ce registre-là ; les autres sont gardés tels quels.

Pour corriger ça, déclare tes variantes, dans un second bloc invisible à placer n'importe où dans le fichier :

<!-- dialog-pro:sous-titres
arté => ARTE
[laughter] => (rires)
vingt-huit minutes => 28 Minutes
-->

À gauche ce qui est écrit, à droite ce qui s'affiche. La casse est ignorée et la ponctuation conservée — Arté, devient ARTE,. Une règle peut couvrir plusieurs mots, et le minutage ne bouge pas d'un millième. Laisse la droite vide pour qu'un passage ne s'affiche pas du tout.

Rien n'est deviné : seules tes lignes agissent, jamais un nettoyage automatique. Un sous-titre est lu par quelqu'un qui n'entend pas, et une substitution que tu n'as pas écrite serait un mensonge sur ce qui a été dit.

La carte « Le texte et sa série » montre ta table, puis ce qu'aucune règle ne couvre — « Aucune règle ne couvre [applause]. » Elle te le signale, elle n'écrit rien à ta place.

Le bouton « Copier le dialogue » applique la même table, puisque c'est une transcription. L'essai gratuit, lui, montre ce que la voix dira : il ne l'applique pas.

Une règle porte sur un mot entier : arté => ARTE ne touche pas d'arté, qui demande sa propre ligne. C'est voulu — deviner où s'arrête une élision reviendrait à interpréter ton texte.

Sous le texte copié, deux boutons : Copier à nouveau et Enregistrer en .txt. Le fichier va dans le dossier de l'épisode s'il existe, sinon à côté de ton .md, et un bouton te l'affiche dans le Finder. Le presse-papiers est un bonus : certains navigateurs le refusent, et l'écran te le dit alors au lieu de ne rien faire.

Pourquoi les morceaux sont gardés. C'est ce qui rend une correction bon marché : ceux qu'on ne touche pas sont réutilisés tels quels. Et ce sont tes rushes si tu montes toi-même dans Premiere, Logic ou ailleurs — tu as chaque réplique à part, déjà mise au niveau dans morceaux-harmonises/.

reactions.md est la fiche de relecture : pour chaque réaction, l'instant, qui elle coupe, la phrase qu'elle suit, et la liste complète des réactions disponibles pour cette voix. Beaucoup plus rapide à relire qu'à écouter.

manifeste.json garde, entre autres, les horodatages de chaque mot : c'est ce qui permet à une réaction de tomber sur une respiration plutôt qu'au milieu d'un mot, et à une correction de retrouver exactement ce qui n'a pas changé.

Un épisode pèse une dizaine de méga-octets, morceaux compris. Et un détail utile si tu as choisi « Complet » : la pièce commune s'applique à l'épisode assemblé, tandis que l'épisode avec réactions est rebâti depuis les morceaux — il porte donc les niveaux, pas la pièce.


Où l'application écrit

Elle n'écrit jamais à l'intérieur d'elle-même.

QuoiOùPoids
ta clé Cartesiale trousseau du système—
réglages, adresse du serveur~/Bibliothèque/Application Support/dialog-pro/quelques centaines d'octets
taille de la fenêtre, séries récentes~/Bibliothèque/Preferences/com.webtvlearning.dialogpro.plistquelques octets
tes textes, par défaut~/Documents/dialog-pro/textes/léger
les rendus, par défaut~/Documents/dialog-pro/sortie/~13 Mo par épisode

Le dossier de textes est celui que tu désignes — le sélecteur s'ouvre dans la fenêtre, comme une feuille, et ne peut donc pas passer derrière elle. Le dossier des rendus se change dans Réglages → Où vont les rendus — un disque externe convient très bien, c'est le seul qui pèse.

Changer de dossier ne déplace rien : les rendus déjà faits restent où ils sont, et l'application te le dit.

Ta clé ne vit plus dans un fichier. Elle est dans le trousseau du système, au nom « dialog-pro » — tu peux l'y voir avec Accès au trousseau. Un fichier se recopie dans une sauvegarde ou une archive sans qu'on y pense ; une entrée de trousseau, non. Si tu avais une version précédente, la clé déménage toute seule au premier démarrage et l'ancien fichier est effacé — mais seulement après que l'application a relu la clé dans le trousseau.

Rien d'autre n'est posé sur la machine : aucun élément d'ouverture au démarrage, rien à l'échelle du système, et rien dans son propre paquet.


Désinstaller

Glisser l'application à la corbeille suffit : elle n'a posé ni démon, ni élément d'ouverture, ni rien à l'échelle du système. Rien ne continue de tourner après elle.

Si tu veux aussi effacer ce qu'elle a mémorisé, c'est en trois endroits et aucun n'est caché :

À effacerCe que tu perds
~/Bibliothèque/Application Support/dialog-pro/tes réglages : les voix, la langue, les dossiers
~/Bibliothèque/Preferences/com.webtvlearning.dialogpro.plistla taille de la fenêtre et la liste des séries récentes
l'entrée « dialog-pro » du trousseauta clé Cartesia enregistrée (Accès au trousseau, puis cherche « dialog-pro »)

~/Documents/dialog-pro/ est ton travail, pas celui de l'application. Tes textes et tes épisodes rendus y vivent, et ils ne disparaissent pas avec elle : efface ce dossier seulement quand tu en as vraiment fini avec eux. Réinstaller l'application par-dessus les retrouve tels quels.


Voix de synthèse : à mentionner quand tu publies

Chaque épisode est livré avec un fichier voix-de-synthese.txt qui contient la phrase à coller dans la description, le générique ou la page de l'épisode :

Les voix de ce podcast sont des voix de synthèse (IA).

Les fichiers .wav portent la même mention sous une forme lisible par une machine. Ce n'est pas une signature cryptographique : un réencodage l'efface.

Un épisode rendu avant cette version n'a pas encore ce fichier. Il l'obtient en refaisant son montage — Reposer les réactions, qui ne coûte rien et ne retouche aucune voix.

En France, l'article 226-8 du code pénal vise la diffusion d'un contenu sonore généré par un algorithme sans que son caractère artificiel soit évident ou mentionné ; l'article 50 du règlement européen sur l'IA demande la même chose depuis le 2 août 2026. Ceci n'est pas un conseil juridique.


Si quelque chose cloche

Ce que tu voisCe que ça veut dire
Licence manquantela clé de licence n'est pas enregistrée — Réglages, première carte. Ce n'est pas la clé Cartesia
Clé Cartesia manquantela clé Cartesia n'est pas enregistrée — Réglages, deuxième carte. Ce n'est pas la licence
Il manque l'identifiant de : NOMcette voix n'a pas d'identifiant — le bouton à côté ouvre les Réglages
ffmpeg absentne peut pas arriver dans l'application, qui l'embarque ; depuis le code, l'accueil donne la commande
rendus introuvablesle dossier choisi n'est pas accessible — un disque débranché ? Rien n'est écrit ailleurs en attendant
ce rendu a été fait avec d’autres réglagesla langue, le modèle ou la vitesse du bloc ont changé depuis : le son ne correspond plus au texte. « Tout régénérer » le remet d’aplomb — « Corriger » ne suffirait pas, puisque le texte, lui, n’a pas bougé
pas de son sur une réactioncette voix n'a pas encore sa palette
pas posée à côté d'une réactionl'écran dit pourquoi juste en dessous : voix qui réagirait à elle-même, identifiant inconnu, aucun point de coupe
ce dossier est dans l'applicationchoisis un dossier à toi : ce qu'on écrit là disparaît à la mise à jour
cette fenêtre n'est plus connectéele serveur a été arrêté — relance l'application
l'épisode n'apparaît plusson titre ou son serie: a changé ? L'écran propose alors Reprendre ce rendu — un simple renommage, zéro caractère
le premier écran est longton dossier est sur un espace en ligne ; les affichages suivants sont instantanés

Un épisode sans aucune réaction est parfaitement normal : il n'y a alors ni episode-avec-reactions.wav ni reactions.md. Sa pastille est verte quand même — il est prêt, puisqu'il n'y a rien à monter.

La pastille dit ce qui reste à faire, et rien d'autre. Verte sur un épisode : plus rien à générer ni à monter. Verte sur une palette : toutes les voix concernées par cette langue ont leurs sons. Une voix n'est concernée que si une de tes séries la fait parler dans cette langue, ou si des sons existent déjà — une voix française ne rend donc pas la palette italienne grise.


dialog-pro 3.30 — WebTV Learning

Tous droits réservés - Tutoriel en Ligne  - SIRET:  49416273800020
linkedin facebook pinterest youtube rss twitter instagram facebook-blank rss-blank linkedin-blank pinterest youtube twitter instagram