Transcription

Types de transcription

Type	Ce qu’il contient	Usage typique
Verbatim	Tous les mots, y compris les hésitations, les faux départs et les mots de remplissage	Comptes rendus juridiques, entretiens de recherche
Verbatim propre (intelligent)	Les mots prononcés, sans mots de remplissage ni répétitions	Vidéo marketing, webinaires, témoignages clients
Transcription synchronisée	Texte découpé en courts segments avec heure de début et de fin	Sous-titres codés, sous-titres, recherche dans la vidéo
Transcription éditée	Réécrite pour la lecture, avec des titres	Articles de blog, études de cas tirés d’un enregistrement

Une transcription synchronisée peut toujours devenir une transcription simple en retirant les repères de temps. L’inverse demande d’aligner à nouveau le texte sur l’audio.

Comment fonctionne la transcription automatique

Les systèmes de reconnaissance vocale automatique (ASR) font passer un enregistrement par une courte chaîne de traitement :

1. Extraction de l’audio. La piste son est séparée de la vidéo et convertie dans un format standard, en général mono à une fréquence d’échantillonnage fixe.
2. Détection d’activité vocale. Les passages sans parole, comme les fonds musicaux ou les silences, sont repérés et ignorés.
3. Reconnaissance. Un modèle neuronal convertit la parole en mots et détecte la langue. Les modèles actuels sont entraînés sur de nombreuses langues à la fois.
4. Alignement. Chaque segment de texte reçoit une heure de début et de fin, ce qui transforme une transcription en sous-titres.

Quelle est la précision de la transcription ?

La précision se mesure en général par le taux d’erreur sur les mots (WER) : la part des mots substitués, supprimés ou insérés par rapport à une transcription de référence correcte. Sur une parole claire enregistrée avec un bon micro, les modèles actuels font peu d’erreurs. La précision baisse avec :

• la musique de fond et le bruit de foule lors d’événements ;
• plusieurs personnes qui se coupent la parole lors d’une table ronde ;
• des accents marqués ou un changement de langue au milieu d’une phrase ;
• les noms de marque, les codes produit, les sigles et le jargon interne, que le modèle a rarement ou jamais vus.

Le dernier point compte le plus pour les équipes marketing. Une transcription qui écrit un nom de produit de trois façons différentes reste trouvable par les autres mots, mais elle ne doit pas être publiée comme sous-titres avant qu’une personne l’ait corrigée. Les systèmes qui acceptent une liste d’orthographes préférées réduisent ce type d’erreur.

La transcription vidéo et audio dans le travail d’un DAM

La principale raison de transcrire une photothèque de médias est la recherche. Sans transcription, une vidéo se retrouve seulement par son titre, ses tags et sa description. Avec une transcription, chaque mot prononcé devient du texte interrogeable :

• Un responsable product marketing cherche « empreinte carbone » et trouve les trois entretiens clients où un client en parle, pas seulement la vidéo intitulée « Développement durable ».
• Un relecteur juridique vérifie chaque webinaire enregistré qui mentionne une offre arrêtée avant l’ouverture des archives aux partenaires.
• Une équipe de contenu trouve une phrase citable d’une keynote du PDG et en fait une publication sociale.
• Une archive de podcasts devient interrogeable par sujet, par invité et par produit.

Les transcriptions produisent aussi des sous-titres pour l’accessibilité, donnent aux traducteurs un texte source et donnent à l’équipe métadonnées de la matière pour des résumés et des mots-clés. Le critère de succès 1.2.1 des WCAG 2.2 demande une alternative textuelle, en général une transcription, pour les contenus audio préenregistrés comme les podcasts.

Erreurs courantes :

• Traiter une transcription automatique comme une citation validée. Vérifiez l’enregistrement avant de citer un client.
• Ne transcrire que les nouveaux imports, ce qui laisse l’archive impossible à interroger.
• Traduire à partir d’une transcription automatique non corrigée, ce qui reporte ses erreurs dans chaque langue.

La transcription dans Freedam

• Les fichiers vidéo et audio sont transcrits automatiquement à l’import, sans réglage par fichier. La langue est détectée automatiquement et enregistrée sur la transcription.
• La transcription s’exécute sur les propres serveurs de Freedam ; l’audio n’est pas envoyé à un service de transcription externe.
• Les vidéos sans parole, ou avec de la musique seulement, sont marquées Aucune parole détectée au lieu de recevoir une transcription vide.
• Sur les vidéos, la transcription devient une piste de sous-titres. L’éditeur de transcription affiche la vidéo à côté du texte synchronisé, met en évidence la ligne prononcée et enregistre les corrections dans la piste. Les transcriptions se téléchargent en VTT, SRT ou texte brut. Voir transcriptions vidéo.
• Les transcriptions des vidéos comme de l’audio sont ajoutées à l’index de recherche, de sorte qu’une phrase prononcée dans un enregistrement le retrouve dans la recherche de la galerie. Une transcription traduite dans une autre langue rend le média trouvable dans cette langue. Voir recherche.
• Les administrateurs listent les noms de marque et de produit sur la page Glossaire, et ces orthographes sont transmises au modèle de transcription pour chaque nouvelle transcription.

Questions fréquentes

Quelle différence entre une transcription et des sous-titres ?

Une transcription est le texte de ce qui est dit, lu seul. Les sous-titres sont le même texte découpé en courts segments synchronisés et affichés sur la vidéo, et ils décrivent aussi les sons utiles pour les spectateurs qui ne peuvent pas les entendre.

Puis-je rechercher une vidéo par les mots qui y sont prononcés ?

Oui, quand la vidéo a une transcription et que la bibliothèque l’indexe. La transcription est traitée comme n’importe quel autre champ de texte, si bien qu’une recherche sur une phrase renvoie les vidéos où elle est prononcée.

Quelles langues la transcription automatique peut-elle traiter ?

Les modèles actuels de reconnaissance vocale sont multilingues et détectent eux-mêmes la langue. La précision est la plus élevée pour les langues très parlées et pour les enregistrements dans une seule langue.