Transformer de l'audio et de la vidéo en texte réellement exploitable

La qualité de l'enregistrement détermine celle de la transcription bien plus que le modèle. Comment préparer un fichier, quelle précision espérer, et pourquoi entretiens et réunions ne devraient pas partir sur le serveur d'un inconnu.

Mis à jour le 24 août 20268 min de lecture

La reconnaissance vocale est devenue assez bonne pour que le modèle ne soit plus, sauf exception, le facteur limitant. Ce qui limite une transcription aujourd'hui, c'est l'enregistrement : la distance du micro au locuteur, la réverbération de la pièce, le fait que deux personnes parlent en même temps. Donnez un enregistrement propre à un système moderne et vous obtenez un texte presque publiable. Donnez-lui un téléphone posé sur la table d'une salle de réunion, et aucun logiciel ne le sauvera.

Ce dont dépend réellement la précision

La précision d'une transcription s'exprime habituellement en taux d'erreur sur les mots — la proportion de mots insérés, supprimés ou erronés. Un bon résultat sur une parole propre reste sous les 5 %, soit environ une erreur toutes les deux phrases, facile à corriger à la lecture. Au-delà de 20 %, corriger la transcription prend plus de temps que de la retaper, et l'utile est de savoir quelles conditions vous font franchir cette limite.

Condition	Effet	Ce qu'il faut faire
Micro proche du locuteur	Meilleur cas, sous les 5 %	Rien — c'est l'objectif
Téléphone sur la table, à deux mètres	Nettement moins bon	Rapprochez-le la prochaine fois ; c'est le plus grand levier
Pièce résonnante, surfaces dures	Sévère — la réverbération brouille les frontières des mots	Du textile, ou un enregistrement plus proche
Ronflement de fond constant	Modéré	La réduction de bruit aide beaucoup ici
Deux personnes parlant en même temps	Les deux sont perdues	Irréparable après coup
Accent marqué ou débit rapide	Un peu moins bon	Attendez-vous à plus d'erreurs sur les noms et termes techniques
Musique sous la parole	Mauvais	Irréparable sur un enregistrement déjà mixé

Remarquez combien de ces lignes sont des décisions prises avant que l'enregistrement n'existe. La transcription est l'une des rares tâches où cinq secondes de préparation valent mieux que n'importe quel traitement ultérieur, et cette préparation revient presque toujours à rapprocher le micro de la bouche.

Préparer un fichier pour qu'il se transcrive bien

Sortez l'audio de la vidéo

Si votre source est une capture d'écran ou un entretien filmé, extrayez d'abord la piste audio. Choisissez le format que l'outil signale comme copie sans perte — généralement M4A pour un MP4 — et la piste est copiée sans réencodage ; travailler sur un fichier audio de 30 Mo plutôt que sur une vidéo de 2 Go accélère tout ce qui suit. L'offre gratuite accepte des vidéos jusqu'à 300 Mo et extrait jusqu'à une heure d'audio ; Pro lève ces limites pour les fichiers MP4, MOV, WebM et MKV.

Nettoyez le bruit de fond constant

La climatisation, les ventilateurs d'ordinateur et le grondement de la circulation sont constants, ce qui en fait exactement le genre de bruit que la réduction de bruit élimine bien. Restez sur un réglage léger : une réduction agressive mange les consonnes, et ce sont elles dont dépend la reconnaissance.

Coupez les passages sans parole

Dix minutes de bavardage avant le début de l'entretien, ce sont dix minutes de traitement inutiles. Le suppresseur de silences réduit les longs blancs, et couper le début et la fin à la main prend quelques secondes.

Découpez ce qui est très long

Les longs enregistrements fonctionnent avec Pro (l'offre gratuite couvre 10 minutes par fichier), mais un échec aux deux tiers du parcours vous coûte tout. Découper un long fichier en tranches de quinze à vingt minutes rend le travail reprenable et plus facile à relire face à l'audio.

Transcrivez, puis relisez une fois avec l'audio

Ne relisez pas le texte seul. Lancez l'enregistrement à 1,5× en lisant la transcription : les erreurs qui paraissent plausibles sur la page sautent aux oreilles dès qu'on entend ce qui a réellement été dit.

Ce que le modèle va se tromper

Les erreurs de la reconnaissance moderne ne sont pas aléatoires : elles sont assurées, grammaticales et plausibles, donc plus difficiles à repérer que le charabia des anciens systèmes. Connaître les catégories vous dit où regarder.

Les noms propres. Noms de personnes, d'entreprises et de produits sont de loin les erreurs les plus fréquentes, car ce sont des mots rares que le modèle a peu de raisons de privilégier. Dressez la liste des noms présents dans l'enregistrement et cherchez-les ensuite.
Les homophones en contexte. *ces*, *ses*, *c'est*, *s'est* ; *a*, *à* ; *dans*, *d'en*. Tous grammaticaux, tous silencieusement faux.
Les nombres et les unités. Les chiffres prononcés vite sont souvent transcrits en toutes lettres, ou remplacés par un autre chiffre. Tout ce qui touche à la finance ou à la santé doit être revérifié à l'oreille.
L'attribution des locuteurs. Quand une transcription sépare les intervenants, les frontières dérivent après les interruptions et peuvent intervertir deux personnes sur tout un passage.
La fluidité inventée. Les systèmes entraînés sur du texte écrit ont tendance à lisser la parole, en supprimant les faux départs et les reprises. C'est généralement bienvenu, et parfois problématique quand les mots exacts comptent.
Des phrases hallucinées dans le silence. De longs passages silencieux ou musicaux peuvent produire des phrases plausibles qui n'ont jamais été prononcées. Coupez-les au préalable.

Pourquoi cela ne devrait pas être un téléversement

Pensez à ce qui se fait généralement transcrire. Des entretiens avec des sources. Des consultations médicales. Des appels juridiques. Des conseils d'administration. Des séances de thérapie. Des conversations de recherche relevant d'un accord d'éthique qui précise où les données peuvent être conservées. La catégorie d'audio que l'on souhaite transcrire recoupe presque exactement celle qu'il ne faudrait pas confier à un tiers.

Le service de transcription en ligne classique téléverse votre enregistrement, le traite sur une infrastructure partagée et renvoie du texte. L'enregistrement séjourne dans leur stockage sous une politique de conservation que vous n'avez pas négociée, peut servir à améliorer leurs modèles selon ce que vous avez accepté, et relève de la procédure judiciaire applicable là où se trouvent leurs serveurs. Pour bon nombre d'enregistrements professionnels, cela seul rend l'outil inutilisable, quelle que soit sa précision.

Quand vous transcrivez un fichier, l'outil de reconnaissance vocale proposé ici exécute le modèle sur votre propre appareil : l'enregistrement est traité sur votre appareil, pas sur nos serveurs, et la transcription reste chez vous. Cela supprime aussi entièrement l'attente du téléversement — un enregistrement de deux heures commence à être traité immédiatement plutôt qu'après vingt minutes de transfert (gratuit : jusqu'à 10 minutes et 50 Mo par fichier ; Pro : autant que votre appareil peut en contenir) — et, une fois le modèle téléchargé la première fois, la transcription de fichiers continue de fonctionner sans connexion. La dictée en direct au micro fonctionne autrement : elle utilise le service vocal de votre appareil, qui peut s'exécuter dans le cloud, et l'outil indique pour chaque session si elle tourne sur l'appareil ou dans le cloud.

Une transcription de fichiers qui tourne sur votre appareil, pas sur nos serveurs — sans attente de téléversement, sans copie serveur, sans politique de conservation à lire.

Transcrire un enregistrement

Transformer une transcription brute en quelque chose d'utile

La sortie brute d'une transcription est un mur de texte : pas de paragraphes, une ponctuation irrégulière et chaque *euh* fidèlement conservé. La suite dépend de l'usage prévu, et les quatre destinations courantes réclament des choses assez différentes.

Usage	Ce qu'on garde	Ce qu'on coupe
Sous-titres	Tout, avec les minutages	Rien — la fidélité à la parole prime
Citation dans un article	Les mots exacts, vérifiés à l'audio	Rien, mais signalez honnêtement toute coupe
Compte rendu de réunion	Décisions, actions, chiffres	Presque tout — c'est un travail de synthèse
Billet de blog tiré d'une conférence	La structure et l'argumentation	Tics de langage, répétitions, syntaxe orale
Archive consultable	Le texte intégral tel quel	Rien ; un texte imparfait reste consultable

Pour le nettoyage lui-même, le nettoyeur de texte supprime en bloc espaces parasites et lignes vides, et le compteur de mots vous dit ce que vous avez entre les mains : une heure de conversation représente huit à dix mille mots, une donnée utile avant de promettre à quelqu'un un résumé de deux pages.

Une habitude à emprunter à la transcription professionnelle : conservez la sortie brute dans un fichier séparé et modifiez une copie. Une fois les hésitations et faux départs supprimés, ils ne se récupèrent qu'en retournant à l'audio — et le moment où vous aurez besoin de la formulation exacte arrive invariablement après le nettoyage.

Questions fréquentes

Quelle est la précision de la transcription automatique ?

Sur un enregistrement propre avec le micro proche du locuteur, la reconnaissance moderne se trompe généralement sur moins d'un mot sur vingt, ce qui se corrige vite à la lecture. La distance au micro, la réverbération de la pièce et les locuteurs qui se chevauchent dégradent nettement ce résultat, et aucun logiciel ne récupère ce qu'un mauvais enregistrement n'a jamais capté clairement.

Puis-je transcrire une vidéo directement ?

Oui, même s'il est plus rapide d'extraire d'abord la piste audio. L'extraction est rapide — et sans perte quand vous conservez le format d'origine de la piste — et transforme une vidéo volumineuse en un fichier audio modeste, ce qui rend le nettoyage, le découpage et la transcription nettement plus rapides ensuite.

Est-il sûr de transcrire en ligne des enregistrements confidentiels ?

Seulement si le traitement a lieu sur votre propre appareil. Un service qui téléverse l'audio en détient une copie, soumise à sa politique de conservation et à sa juridiction, ce qui exclut la plupart des enregistrements professionnels — entretiens, consultations, appels juridiques. Une transcription qui tourne sur votre appareil n'envoie jamais le fichier nulle part : il n'y a donc rien à conserver.

Pourquoi la transcription se trompe-t-elle sur les noms ?

Les noms propres sont la catégorie la plus difficile pour tout système, car ils sont rares et le modèle n'a aucune raison contextuelle de préférer une graphie inhabituelle à un mot courant qui sonne pareil. La correction efficace consiste à lister les noms présents dans l'enregistrement puis à chercher les quasi-correspondances, plutôt qu'à les traquer à la lecture.