Transcrire un audio en texte
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.
Cette page transforme un enregistrement en texte simple : des paragraphes de ce qui a été dit, sans les codes temporels. C'est le même moteur d'écoute que la version sous-titres de cette page — mêmes modèles, mêmes fenêtres de trente secondes, même règle de traitement local — mais la dernière étape diffère. Au lieu d'écrire un bloc par phrase, la page réunit les phrases en paragraphes et abandonne entièrement le minutage, de sorte que vous obtenez quelque chose à coller dans un document, un message ou des notes de réunion.
Les paragraphes se coupent sur les deux choses qui séparent réellement les idées dans la parole : une pause de plus de 1,5 seconde, ou quatre phrases d'affilée. Une règle fondée uniquement sur les pauses transformerait un monologue de cinq minutes en un mur de texte illisible ; une règle fondée uniquement sur le nombre de phrases couperait la respiration d'un locuteur en un nouveau paragraphe. Les deux ensemble produisent quelque chose qui se lit à peu près comme la personne a parlé.
Le travail est local. Le modèle de parole est téléchargé une fois depuis ce site — environ 45 MB pour le niveau rapide, environ 81 MB pour le précis — et mis en cache ensuite par le navigateur ; l'enregistrement lui-même ne quitte jamais l'onglet. Il n'y a pas d'étape d'envoi à contourner et aucun compte à créer, ce qui rend la page utilisable sur des entretiens qui ne peuvent pas être confiés à un service de transcription.
La sortie est un fichier .txt nommé d'après l'enregistrement source : film.mkv devient film.transcript.txt. Ce suffixe distinct est volontaire — un .txt posé à côté d'autres fichiers texte doit dire ce qu'il est, et une transcription produite par une machine est un autre type de document que des notes de réunion tapées par quelqu'un.
Comme pour la version sous-titres, ce qui sort doit être relu, et la langue doit être choisie à la main : cette version du modèle suppose l'anglais quand on ne lui dit rien, et se tromper produit un non-sens fluide plutôt qu'une erreur. Le fichier ne contient que l'audio transcrit : les métadonnées du conteneur, comme les marqueurs de chapitre ou les noms de piste, n'entrent pas dans le texte.
Questions fréquentes
Quelle différence avec la page qui exporte un fichier de sous-titres en texte ?
La différence est l'origine du minutage. La page d'export part d'un fichier de sous-titres qui a déjà des blocs et réunit leur texte en paragraphes : les temps existaient et sont simplement abandonnés. Cette page part d'un audio qui n'a aucun minutage, le construit d'abord, puis l'abandonne. C'est pourquoi un enregistrement sans piste de sous-titres fonctionne ici et pas là, et pourquoi cette page a besoin d'un téléchargement de modèle alors que l'autre est instantanée.
Pourquoi les paragraphes se coupent-ils à 1,5 seconde de silence ?
Parce que c'est à peu près là que les locuteurs changent d'idée. Des écarts inférieurs à 1,5 seconde tombent à l'intérieur des phrases et couperaient le texte au milieu d'une proposition ; des seuils beaucoup plus longs réuniraient des sujets distincts dans un même paragraphe. La limite de quatre phrases existe pour le cas où l'enregistrement n'a aucun silence — une voix off répétée ou un podcast enregistré d'une traite —, où les pauses ne viennent jamais et où une règle fondée seulement sur les écarts produirait un bloc unique. Les deux règles ensemble sont le plus petit ensemble qui traite les deux extrêmes.
La transcription peut-elle servir de preuve ou de procès-verbal officiel ?
Pas telle quelle. C'est la meilleure hypothèse d'une machine, et la transcription automatique déforme les noms, les nombres et les termes techniques — précisément les mots qui comptent le plus dans un procès-verbal. Dans un cadre juridique ou médical, la démarche correcte est de l'utiliser comme brouillon, puis de le vérifier ligne par ligne contre l'audio, et de le dire dans le document. Une transcription plus propre que l'audio est un risque, et c'est aussi pourquoi la page nomme le fichier .transcript.txt plutôt que quelque chose qui ressemble à des minutes.
Et si l'enregistrement contient de la musique ou plusieurs personnes qui se coupent la parole ?
La parole qui se chevauche est l'endroit où tout modèle à un seul flux se dégrade : deux voix à la fois deviennent une phrase qui s'enchaîne, et aucune étiquette de locuteur n'est produite. La musique de fond est généralement ignorée, mais une musique forte sous la parole peut retirer des mots du texte ou en inventer qui n'ont jamais été dits. Si le résultat se lit bizarrement par endroits, comparez-le à l'audio à ces moments plutôt que de faire confiance au fil du texte : une phrase qui paraît assurée n'est pas une preuve qu'elle a été prononcée.
La transcription conserve-t-elle la structure du fichier, comme les chapitres ou les noms de piste ?
Non. Seul l'audio transcrit passe ; les métadonnées du conteneur, comme les marqueurs de chapitre, les titres de piste et les étiquettes de langue, ne font pas partie du texte. Si vous transcrivez une piste d'un fichier qui en contient plusieurs, la page lit l'audio du fichier déposé, et les coupures de paragraphe viennent des pauses, pas de l'emplacement des chapitres. Découper d'abord un long enregistrement en fichiers par chapitre est une démarche raisonnable si vous voulez que ces frontières apparaissent.
Combien de mémoire et de temps faut-il pour un long enregistrement ?
Les fenêtres de trente secondes évitent de garder une heure d'audio dans le modèle à la fois, donc la mémoire reste bornée par la fenêtre et non par la durée du fichier. Le temps, lui, croît avec la durée : comptez environ 3,7 secondes de traitement par minute d'audio avec le modèle rapide, et environ 7,5 avec le précis. Le modèle est téléchargé une fois puis mis en cache, mais la préparation du moteur au premier lancement peut ajouter quelques secondes sans progression mesurable.