Mon app rapportait 1000€/mois, mais j'en avais honte.

En un an, j'ai généré 7000 € avec Autotrim, mon logiciel conçu pour optimiser le temps des monteurs vidéo. Bien que ce soit un début prometteur, j'ai réalisé qu'une fonctionnalité manquante limitait son potentiel de croissance. Mes tentatives répétées pour l'intégrer avaient échoué, me laissant avec une application fonctionnelle mais sans plus. Cependant, il y a un mois, un changement majeur s'est produit, débloquant cette fonctionnalité essentielle. Aujourd'hui, je suis fier de présenter Autotrim 2, une version améliorée avec un nouveau design et une expérience utilisateur optimisée, qui redéfinit ma stratégie future. Le processus de montage vidéo se décompose traditionnellement en quatre étapes : le nettoyage, l'affinage, l'habillage visuel et le montage sonore. Le nettoyage consiste à importer les rushes, supprimer les silences, les hésitations, les répétitions et les mauvaises prises. L'affinage, c'est la phase où l'on structure le propos de la vidéo, en coupant les passages redondants ou trop longs pour créer le rythme. Ensuite, vient l'habillage visuel, où l'on ajoute des éléments graphiques comme des enregistrements d'écran, des schémas, des mèmes et autres illustrations. Enfin, le montage sonore intègre musiques et effets sonores pour accompagner les éléments visuels et les transitions. Parmi ces étapes, le nettoyage est universellement considéré comme la plus fastidieuse, la plus longue et la plus mécanique, nécessitant peu de réflexion ou de sensibilité humaine. C'est précisément cette tâche que j'ai voulu automatiser avec Autotrim. Le logiciel est conçu pour couper automatiquement les éléments indésirables du montage, offrant un gain de temps considérable, comme en témoignent mes utilisateurs. Cependant, pendant un an, Autotrim n'a pu réaliser qu'une partie de sa promesse, ce qui fut l'un des plus grands échecs de ma carrière. J'avais tout essayé pour intégrer la suppression des hésitations, mais cela s'avérait techniquement impossible. Autotrim excellait dans la coupe des silences, offrant des réglages précis pour ajuster le rythme, ce qui représentait déjà 70% du travail. Mais la suppression des hésitations, ces "e" et autres tics de langage, restait un défi majeur. Supprimer une seule hésitation pouvait prendre une minute, un temps considérable multiplié par le nombre d'occurrences dans une vidéo. Pour comprendre pourquoi cette fonctionnalité était si difficile à implémenter, il faut se pencher sur la technique. La suppression des hésitations repose sur la transcription audio par intelligence artificielle (IA) avec horodatage. Une IA écoute la vidéo, transcrit le texte et associe chaque mot à son moment précis. En théorie, il suffirait de repérer les hésitations dans le texte et de placer des coupes juste avant le mot suivant. Le problème réside dans la manière dont ces IA sont entraînées. Elles sont généralement formées sur des films et leurs sous-titres, où les hésitations sont rares, car les acteurs connaissent leur texte et les sous-titres sont déjà nettoyés. Par conséquent, ces IA n'identifient pas les hésitations et ne les transcrivent pas. Si l'IA ne "voit" pas une hésitation, il est impossible de la détecter et de la supprimer automatiquement. J'ai exploré de nombreuses pistes, y compris l'idée de détecter les bruits non répertoriés entre deux mots comme des hésitations. J'ai également suivi l'évolution des nouveaux modèles d'IA, espérant qu'ils deviendraient plus intelligents. Mais Autotrim étant censé fonctionner dans plus de 10 langues, avec des accents et des tics variés, il était impossible de créer une solution sur mesure. L'analyse audio seule, sans IA, n'était pas non plus une solution viable, expliquant pourquoi aucun concurrent ne proposait cette fonctionnalité pour d'autres langues que l'anglais. Les anglophones, toujours en avance, avaient trouvé une solution grâce à un Australien qui a développé "Crisper Whisper". Partant du modèle open-source Whisper de Meta, il a affiné son entraînement avec des audios et des textes contenant des hésitations, d'abord pour l'anglais et l'allemand. J'avais ce projet dans le viseur pour Autotrim, mais il ne couvrait pas toutes les langues nécessaires. C'est alors qu'un événement inattendu s'est produit, impliquant le "hacker gentil" qui avait piraté Autotrim à son lancement. Devenu ami, il m'a informé de la sortie de la version 2 du modèle de speech-to-text de l'Australien, capable désormais de détecter les hésitations dans toutes les langues. J'ai immédiatement testé cette avancée, qui promettait de révolutionner Autotrim. Avant de présenter la démo, je tiens à remercier notre sponsor, PostHog. Cet outil d'analyse permet de comprendre le comportement des utilisateurs, d'identifier les points de friction et d'optimiser l'expérience utilisateur. PostHog propose également une fonctionnalité d'auto-correction de code via son IA, une avancée remarquable. Passons maintenant à la démonstration d'Autotrim 2. Le premier changement notable est le nouveau design, méticuleusement conçu avec Cloud Design. L'interface est plus épurée, monochrome avec des touches d'orange, et les éléments sont mieux organisés. Comparons l'ancienne et la nouvelle version. L'ancien Autotrim traitait les rushes, extrayait les silences et présentait les résultats de manière fonctionnelle mais austère. La prévisualisation était laborieuse, nécessitant une génération de vidéo séparée. Autotrim 2 résout ce problème avec une prévisualisation instantanée et fluide. L'exemple qui prenait une minute à nettoyer manuellement est désormais traité en moins de 10 secondes par Autotrim 2. Les hésitations sont supprimées avec une précision remarquable, ne laissant qu'une petite partie à ajuster manuellement. L'intégration de la timeline avec zoom et suivi de la piste de lecture rend l'utilisation beaucoup plus intuitive. L'une des améliorations clés est l'affichage lors de la sortie des résultats. Au lieu de présenter une timeline compacte, Autotrim 2 zoome sur les sections où il y a eu le plus de coupes, mettant en évidence le travail effectué et renforçant l'impact visuel dès la première impression. Ceci est crucial pour convaincre les utilisateurs, car l'application doit séduire dès le premier contact. La fluidité de la prévisualisation est essentielle pour cette expérience positive. Une fois convaincu, l'utilisateur peut exporter sa timeline vers ses logiciels de montage préférés. Concernant la viabilité commerciale de cette V2, le marché évolue. De plus en plus de monteurs créent leurs propres outils via des plateformes comme Cloud, ce qui pourrait réduire la demande pour des logiciels tiers. Cependant, les monteurs traditionnels préfèrent encore des workflows établis, et les outils personnalisés via Cloud ne s'intègrent pas toujours parfaitement à leurs processus professionnels. La différence majeure avec ma position précédente est ma confiance retrouvée dans le produit. Auparavant, j'avais une certaine honte de l'application, qui ne réalisait pas pleinement ma vision. Désormais, avec la fonctionnalité d'élimination des hésitations, le nouveau design et l'amélioration de l'expérience utilisateur, je suis prêt à investir massivement dans le marketing. Je vais lancer des campagnes publicitaires sur Facebook et Meta, explorer TikTok et potentiellement collaborer avec des YouTubers. C'est la première fois que je consacrerai un budget significatif à la promotion, avec la conviction que ce produit, déjà performant sans publicité, peut connaître un succès encore plus grand. Actuellement, Autotrim génère environ 1000 dollars par mois de manière organique, ce qui prouve son attractivité. Beaucoup pourraient me dire qu'il ne fallait pas attendre d'avoir toutes les fonctionnalités pour lancer le marketing. Cependant, pour moi, il est essentiel de croire pleinement en mon produit pour y