Transcrire un audio en texte : méthodes gratuites, précision

Un moteur de transcription n'entend jamais les mots comme vous. Il découpe l'onde sonore en trames qui se chevauchent, d'environ 25 millisecondes, et transforme chaque tranche en spectrogramme, une carte des fréquences fortes à cet instant. Le modèle acoustique examine cette carte et estime quels sons de parole sont présents : le sifflement d'un s, l'explosion d'un t, les formes de voyelles qui distinguent ship de sheep. À lui seul, il produit une suite de sons probables, pas un texte lisible.

Le modèle de langue corrige une grande partie de ces erreurs. Il sait quelles suites de mots sont probables dans de vraies phrases ; quand les sons pourraient donner recognize speech ou wreck a nice beach, le contexte fait pencher la balance. Les anciens systèmes séparaient ces deux parties et les entraînaient sur un matériel limité, lu avec soin, ce qui explique pourquoi les logiciels de dictée des années 2010 trébuchaient sur les accents et le langage courant.

En septembre 2022, OpenAI a publié Whisper, un modèle ouvert entraîné sur environ 680 000 heures d'audio multilingue collectées sur le web. Il réunit les parties acoustique et linguistique en un seul réseau qui lit des fenêtres de 30 secondes et écrit directement le texte avec sa ponctuation. Les modèles de cette famille ont rendu bien plus exploitables les voix accentuées, les vocabulaires mixtes et les enregistrements imparfaits du quotidien, et la plupart des services de transcription gratuits actuels, y compris les outils en ligne, utilisent quelque chose de similaire. Ils devinent pourtant toujours, et quand l'audio n'est pas clair, ils devinent avec aisance, ce qui rend leurs erreurs plus difficiles à repérer.

La précision se mesure généralement par le taux d'erreur de mots : la part des mots remplacés, omis ou inventés par rapport à une transcription humaine soignée. Un taux d'erreur de 5 % signifie une erreur tous les vingt mots, ce qui paraît peu jusqu'à ce qu'on remarque que les erreurs se concentrent sur les mots qui comptent, comme un nom de famille, une référence produit ou un chiffre dans une discussion budgétaire.

Les facteurs ci-dessous sont classés à peu près selon leur effet néfaste. Presque tous sont décidés au moment de l'enregistrement, pas de la transcription. Rapprocher un téléphone du centre de la table jusqu'à portée de bras de l'orateur fait souvent plus que n'importe quel réglage modifiable après coup.

La plupart des enregistrements peuvent être envoyés tels quels. La préparation vaut la peine dans trois cas : le fichier est trop long ou trop lourd, la parole est noyée sous du silence ou de la musique, ou le niveau est si bas qu'il faut monter le volume à fond pour entendre. Un long silence au début ne fait pas que faire perdre du temps : la détection automatique choisit la langue d'après les 30 premières secondes et peut se baser sur le bruit de la pièce ou un jingle d'intro. Couper l'enregistrement à la partie parlée, ou régler Début pour l'ignorer, évite ce problème.

La conversion de format est rarement nécessaire. Les mémos vocaux de l'iPhone sont en M4A (audio AAC), les enregistreurs Android produisent du M4A, de l'AAC ou du 3GP, et les enregistreurs d'appels du AMR ; tous peuvent être importés directement. Convertir un fichier compressé en WAV ne restitue pas les détails perdus à l'enregistrement, comme l'explique la comparaison de notre guide MP3, WAV, FLAC et AAC ; ne convertissez donc que si un outil refuse le format. Pour un enregistrement de plusieurs heures, découpez-le à des pauses naturelles, comme une pause café ou un changement de sujet, afin que chaque partie reste sous la limite d'import et soit plus facile à relire.

Choisissez la sortie selon la suite. Pour lire, citer ou rechercher dans la transcription, le texte brut ou Word convient ; Word conserve paragraphes, horodatage et identification des intervenants pour l'édition, et le PDF sert à envoyer une copie figée que personne ne doit modifier. Si les mots doivent s'afficher à l'écran sur une vidéo, il faut un fichier de sous-titres : SRT ou VTT découpent la parole en courtes séquences, chacune avec une heure de début et de fin, et la longueur des lignes détermine ce qui tient à l'écran. Quarante-deux caractères par ligne est la norme courante en télévision.

SRT et VTT contiennent les mêmes informations, avec de petites différences. Le SRT, issu de l'ancien programme SubRip, numérote chaque séquence et écrit les heures avec une virgule (00:01:15,000). WebVTT est le format du W3C pour la vidéo HTML5 ; il commence par un en-tête WEBVTT, utilise un point dans les heures et permet la mise en forme et le positionnement. YouTube, Vimeo, Premiere Pro et DaVinci Resolve acceptent les deux. Le JSON avec horodatage au niveau du mot s'adresse aux développeurs qui créent une recherche, une mise en surbrillance façon karaoké ou leur propre mise en page de sous-titres.

Avant d'importer quoi que ce soit, regardez ce que vos appareils font déjà. Apple a ajouté les transcriptions à l'application Dictaphone dans iOS 18 : un enregistrement fait sur un iPhone récent peut donc afficher son texte directement dans l'application. L'application Recorder de Google sur les Pixel transcrit pendant l'enregistrement depuis 2019, entièrement sur l'appareil, et sait distinguer les voix. Dans Microsoft 365, Word pour le web propose une commande Transcrire à côté de Dicter, qui accepte les fichiers MP3, M4A, WAV et MP4 importés, avec un quota mensuel de minutes. La saisie vocale de Google Docs (menu Outils, dans Chrome) n'écoute qu'un micro en direct ; elle ne peut pas lire un fichier existant.

Les plateformes de réunion sont une autre source. Zoom, Microsoft Teams et Google Meet peuvent produire la transcription d'un appel lorsque la transcription est activée et que votre forfait ou votre organisation l'autorise, et des assistants comme Otter.ai rejoignent les réunions pour prendre des notes. C'est pratique pour les appels que vous organisez, mais chacun ne fonctionne que dans sa propre application, exige le consentement de tous pour enregistrer et exporte dans ses propres formats. Pour un fichier que vous avez déjà, comme une ancienne interview, l'enregistrement d'un cours ou une note vocale transmise par quelqu'un d'autre, un transcripteur de fichiers est généralement plus simple.

Un outil en ligne couvre ce que les options intégrées ne proposent pas : n'importe quel fichier depuis n'importe quel appareil, des sorties de sous-titres et des langues que votre téléphone ne gère pas. Sur le convertisseur audio en texte, ajoutez le fichier, laissez Langue parlée sur détection automatique ou choisissez la langue vous-même, sélectionnez une Sortie, et activez Horodatage ou Identification des intervenants si besoin. Les mémos vocaux d'un iPhone ont leur propre page M4A en texte, et les fichiers de podcast ou d'enregistreur ont MP3 en texte ; les deux utilisent le même moteur. Chaque fichier peut peser jusqu'à 95 Mo, soit environ une heure et demie de MP3 à 128 kbit/s. Pour plus long, utilisez Début et Fin pour transcrire par parties, ou coupez d'abord l'enregistrement.

Gardez des attentes réalistes. Un seul orateur avec un micro correct dans une pièce calme obtient généralement 90–95 % de mots justes ou mieux, souvent assez pour publier après une légère retouche. Un téléphone posé sur une table dans un restaurant bruyant, une conférence téléphonique avec des coupures ou une table ronde où l'on s'interrompt peuvent tomber bien plus bas, avec des phrases entières manquantes. L'identification des intervenants est fiable quand les voix diffèrent nettement et que chacun parle à son tour ; elle confond deux voix semblables plus souvent qu'on ne l'imagine.

Relisez avec l'audio ouvert, pas seulement à partir du texte, car les modèles récents écrivent des phrases grammaticalement correctes même quand elles sont fausses. Vérifiez chaque nom propre : le modèle ne peut pas savoir que votre collègue l'écrit Caitlin ou Katelyn. Vérifiez chaque nombre : quinze et cinquante, les dates, les prix et les pourcentages se comprennent facilement de travers. Méfiez-vous des homophones comme ou/où, a/à et sans/cent, et du remplissage assuré là où l'audio n'était pas clair. L'horodatage rend cela rapide, car vous pouvez accéder à l'instant exact où une ligne douteuse a été prononcée.

Un enregistrement contient souvent plus d'informations personnelles qu'un document : voix, noms, détails de santé, montants de salaires. Avant d'importer, sachez où va le fichier et combien de temps il y reste. Sur UltKit, les fichiers importés sont traités sur le serveur et supprimés automatiquement 30 minutes après le traitement ; il n'y a pas de compte, donc rien n'est lié à votre nom. Pixel Recorder fonctionne hors connexion : l'audio ne quitte jamais le téléphone. Pour tout ce qui relève d'un accord de confidentialité ou du secret médical ou juridique, consultez d'abord la politique de votre organisation ; certaines exigent des services agréés et sous contrat.

La prise en charge des langues est large mais inégale. Le transcripteur couvre 33 langues, dont l'anglais, l'espagnol, le français, l'allemand, le portugais, l'arabe, l'hindi, le japonais, le coréen, le chinois et l'ukrainien, et les meilleurs résultats s'obtiennent dans les langues disposant de le plus de données d'entraînement. La détection automatique choisit une seule langue par fichier. Si une réunion passe d'une langue à l'autre, transcrivez chaque partie séparément en réglant la langue à la main. La transcription est toujours rédigée dans la langue parlée ; la traduction est une étape distincte que vous faites ensuite sur le texte.

La plupart des transcriptions ratées tiennent à quelques causes, et la solution se trouve généralement dans le fichier ou dans un réglage plutôt que dans un autre service. Si l'audio lui-même est trop mauvais pour que vous le suiviez confortablement, la machine aura autant de mal, et une courte transcription manuelle des passages clés peut être plus rapide que la correction d'une longue transcription automatique.