Transcrire un audio en sous-titres
La première exécution télécharge le modèle vocal — environ 45 Mo pour le niveau rapide, 81 Mo pour le précis, servis par ce site et mis en cache par le navigateur ensuite. Rien n'est envoyé, et la transcription est faite par machine : relisez les mots et les minutages avant de la publier.
Options
Deux niveaux du même modèle. Le rapide fait environ 45 Mo et transcrit à peu près deux fois plus vite ; le précis fait environ 81 Mo et se rapproche davantage des majuscules et de la ponctuation. Les deux tournent ici, et le téléchargement n'a lieu qu'une fois par navigateur. Sur un long enregistrement, essayez d'abord le niveau rapide pour vérifier que la langue est la bonne.
La langue parlée dans l'enregistrement. Il n'y a pas d'option automatique : cette version du modèle ne détecte pas la langue et, sans choix, suppose l'anglais. Un enregistrement chinois lu comme de l'anglais n'échoue pas — il produit un texte absurde mais fluide, bien plus difficile à remarquer. Choisissez la langue que vous entendez réellement.
.srt se lit partout, y compris dans les anciens éditeurs et téléviseurs ; .vtt est le format du web et porte un peu plus de structure. Les deux contiennent exactement les mêmes blocs avec exactement les mêmes minutages : choisissez celui qu'attend l'outil suivant de votre chaîne.
Cette page écoute un enregistrement et écrit ce qu'elle entend, sous forme de fichier de sous-titres : un bloc par phrase, avec le début et la fin de chaque bloc placés là où les mots se produisent réellement. Déposez un entretien, un cours, une note vocale ou la piste audio d'un film qui n'a aucune piste de sous-titres, et vous obtenez un .srt ou un .vtt lisible dans n'importe quel lecteur. Aucune piste de sous-titres ne doit exister au préalable : c'est la page à utiliser quand il n'y a rien à extraire.
L'écoute se fait dans l'onglet. Le modèle de parole s'exécute sur WebAssembly via onnxruntime, les fichiers de modèle sont servis par ce site, et le seul trafic réseau est ce téléchargement : environ 45 MB pour le modèle rapide, environ 81 MB pour le modèle précis, mis en cache ensuite par le navigateur. L'enregistrement n'est jamais envoyé nulle part. Si vous regardez le panneau Réseau pendant une transcription, vous verrez des requêtes descendantes pour les données du modèle et aucun octet montant.
Ce qui sort est la meilleure hypothèse d'une machine, pas un procès-verbal. Les mots mal entendus restent mal entendus, et les temps sont précis à peu près à la longueur d'une phrase plutôt qu'à l'image près. Relisez avant de publier, et traitez le résultat comme une première passe tapée par un humain rapide qui ne connaissait pas le sujet. C'est la même règle d'honnêteté que suivent les pages d'OCR, et c'est pourquoi cette page le dit en tête plutôt qu'en note de bas de page.
L'enregistrement est découpé en fenêtres de 30 secondes avec un chevauchement de 5 secondes, et chaque fenêtre est transcrite séparément. C'est ce qui rend possibles les fichiers longs sans garder une heure d'audio dans le modèle à la fois, et c'est aussi pourquoi l'annulation prend effet à la fenêtre suivante plutôt qu'instantanément. Les phrases qui chevauchent une frontière sont dédupliquées en écartant tout ce que la fenêtre suivante signale et qui commence avant la fin de la précédente : la première lecture l'emporte, car elle a entendu la phrase entière.
Les phrases longues sont coupées aux frontières de phrase, puis selon deux limites : pas de bloc de plus de sept secondes et pas de bloc de plus de 84 caractères, avec un retour à la ligne à 42 caractères au plus. Ce sont les limites que la plupart des diffuseurs imposent, donc la sortie passe généralement un premier contrôle de conformité sans retouche. Les blocs dont deux bords se retrouveraient dans le même instant sont décalés et le nombre d'ajustements est compté dans le rapport de pertes, de sorte que rien ne se chevauche et que rien ne recule dans le temps.
Questions fréquentes
Que se passe-t-il quand l'enregistrement est dans une langue autre que l'anglais ?
Vous devez indiquer à la page quelle langue est parlée, car cette version du modèle ne la détecte pas. Il n'existe pas d'option automatique, et c'est délibéré : sans langue choisie, le modèle suppose l'anglais. Un enregistrement chinois lu comme de l'anglais n'échoue pas — il rend des mots anglais qui ressemblent vaguement à l'original, ce qui est bien plus difficile à remarquer qu'un message d'erreur. Choisissez la langue que vous entendez réellement et, en cas de doute, transcrivez d'abord trente secondes avec le modèle rapide pour vérifier.
Quelle est la précision des temps par rapport à un sous-titre fait à la main ?
Suffisante pour être lu, insuffisante pour être diffusé sans retouche. Le début et la fin de chaque bloc viennent des frontières de segment du modèle, qui tombent sur les bords de phrase plutôt que sur l'image exacte où commence un mot. Là où deux blocs se chevaucheraient, le suivant est repoussé et l'ajustement est compté dans la liste des pertes, donc rien ne se chevauche et rien ne recule dans le temps. Si un client a besoin d'une synchronisation à l'image près — un studio livrant à un diffuseur —, la réponse honnête est que cette sortie est un brouillon à recaler à la main, pas une livraison.
Pourquoi proposer le modèle rapide si le modèle précis existe ?
Parce que sur un fichier long, la différence est celle entre attendre et abandonner. Mesuré sur une minute de parole claire, le modèle rapide prend environ 3,7 secondes et le précis environ 7,5 : à peu près deux fois l'attente pour chaque minute d'audio. Le modèle rapide majore aussi davantage les capitales et invente parfois la ponctuation ; le précis est plus proche de ce qu'une personne écrirait. Un usage courant consiste à passer le rapide sur un entretien d'une heure pour vérifier la langue et la qualité de l'audio, puis à relancer avec le précis une fois le fichier jugé bon.
Que signifie « aucune parole reconnue » alors que j'entends parler ?
Cela signifie que le modèle n'a rien entendu qu'il puisse écrire, ce qui a trois causes habituelles : le réglage de langue ne correspond pas à ce qui est parlé, la parole est noyée sous la musique ou le bruit, ou la piste audio est très faible. Le fichier lui-même est intact — la page distingue ce cas d'un fichier dont l'audio n'a pas pu être décodé du tout, car les deux appellent des corrections différentes. Changez la langue parlée, ou vérifiez que la piste audio déposée est bien celle que vous vouliez (la piste de commentaire d'un film est un flux différent de son dialogue).
Puis-je arrêter une transcription qui va prendre trop de temps ?
Oui, et la page dit clairement quand l'arrêt prend effet. Le téléchargement du modèle peut être annulé à tout moment. Pendant la reconnaissance, le modèle ne peut pas être interrompu au milieu d'une fenêtre : l'annulation prend donc effet au début de la fenêtre de 30 secondes suivante, soit sur le modèle rapide à quelques secondes de distance. Rien de partiel n'est proposé au téléchargement. Le modèle reste en cache, donc réessayer ne le retélécharge pas.
Le .srt obtenu conserve-t-il les noms des locuteurs ou la ponctuation ?
Il conserve la ponctuation produite par le modèle, généralement sensée mais pas fiable, et il n'invente pas d'étiquettes de locuteur : ce modèle ne sépare pas les voix, donc deux personnes qui parlent deviennent un seul flux de texte. Ajouter des noms de locuteurs est ici un travail manuel. Si vous en avez besoin, transcrivez puis modifiez : le fichier s'ouvre dans n'importe quel éditeur de sous-titres, et les blocs sont déjà coupés aux frontières de phrase, ce qui rend la passe bien plus rapide qu'un départ sur une chronologie vide.