Audio en texte
Transformez un enregistrement ou une vidéo en texte et en sous-titres, directement dans votre navigateur, sans rien envoyer.
Chargement de Audio en texte… Si rien ne se passe, activez JavaScript.
Cet outil écoute un fichier audio ou vidéo et écrit ce qui est dit. Déposez un mémo vocal, une interview, un cours, un épisode de podcast, l'enregistrement d'une réunion ou une vidéo de votre téléphone et, quelques instants plus tard, vous obtenez les paroles en texte brut, sous forme de liste horodatée et en fichiers de sous-titres prêts à l'emploi dans les deux formats attendus par les lecteurs et logiciels de montage : SRT et WebVTT. Il accepte les formats courants (MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM et MP4) et, pour les conteneurs moins répandus comme MKV, AVI ou MOV, il extrait d'abord la piste audio. Vous pouvez mettre plusieurs fichiers en file d'attente : ils sont transcrits l'un après l'autre, avec à la fin un seul .zip regroupant le texte et les deux fichiers de sous-titres de chacun.
Questions fréquentes
Mon fichier audio est-il envoyé sur un serveur ?
Pourquoi la première utilisation est-elle plus longue ?
Combien de temps faut-il pour transcrire un fichier ?
Quelles langues comprend-il ?
À quoi sert l'option de traduction en anglais ?
Pourquoi voit-on des mots que personne n'a prononcés ?
Quelle est la différence entre SRT et VTT ?
Puis-je transcrire un fichier vidéo ?
L'outil distingue-t-il les différents intervenants ?
À propos de Audio en texte
La transcription est réalisée par Whisper, le modèle ouvert de reconnaissance vocale publié par OpenAI en 2022, dans sa version base multilingue. Il comprend près d'une centaine de langues, sait reconnaître seul celle qui est parlée et peut aussi traduire directement en texte anglais ce qui est dit dans une autre langue. Le modèle fonctionne dans votre navigateur : la première fois, il télécharge environ 77 Mo depuis ce site, que votre navigateur conserve ensuite, si bien que les visites suivantes démarrent presque aussitôt. Vos enregistrements ne quittent jamais votre appareil, ce qui compte lorsqu'il s'agit d'une consultation médicale, d'un entretien d'embauche, d'une vidéo de famille ou d'une réunion confidentielle. Sur un ordinateur avec un Chrome ou un Edge récent, c'est la carte graphique qui travaille et c'est rapide ; sinon, c'est le processeur, ce qui suffit pour des extraits courts mais peut prendre autant de temps que l'enregistrement lui-même, voire plus, pour les fichiers longs.
Savoir comment le modèle se comporte aide à obtenir de meilleurs résultats. Une voix claire, proche du micro, donne les meilleurs résultats, tandis qu'une musique de fond forte, plusieurs personnes qui parlent en même temps, des accents marqués ou une mauvaise ligne téléphonique réduisent la précision. Choisir vous-même la langue parlée plutôt que de laisser la détection automatique évite le cas rare où un fichier court ou bruité est mal identifié. Whisper a la réputation d'inventer des mots plausibles pendant les longs silences, la musique ou les passages très faibles (une phrase comme "Merci d'avoir regardé" surgie de nulle part est typique) : l'outil saute donc les passages totalement silencieux, et il vaut mieux relire le résultat avant de le publier. Les horodatages sont précis à environ une seconde près, ce qui suffit pour des sous-titres que vous pourrez affiner dans n'importe quel éditeur de sous-titres.
Whisper a appris avec 680 000 heures d'internet
Lorsqu'OpenAI a publié Whisper en septembre 2022, la surprise ne venait pas de l'architecture du modèle, un encodeur et un décodeur assez classiques, mais des données d'entraînement. Au lieu d'enregistrements de studio soigneusement transcrits, il a appris à partir d'environ 680 000 heures d'audio collectées sur le web avec les transcriptions qui existaient déjà, dont près d'un tiers dans d'autres langues que l'anglais.
C'est ce corpus immense et désordonné qui lui permet de si bien gérer les accents, le bruit de fond et le vocabulaire technique sans avoir été réglé pour cela. C'est aussi l'origine de ses fameuses hallucinations : beaucoup de vidéos en ligne se terminent par une phrase comme "Merci d'avoir regardé, abonnez-vous" dans leurs sous-titres, même quand personne ne la prononce, et le modèle a appris que le silence en fin d'extrait est souvent suivi de ces mots.
Le modèle écoute par fenêtres fixes de 30 secondes, transformant chacune en une carte des fréquences au fil du temps, semblable à une image, avant de la décoder en texte. Les longs enregistrements sont découpés en une série de ces fenêtres, et les horodatages prédits à l'intérieur de chacune sont ensuite décalés à leur place dans le fichier complet : c'est exactement ce que fait cet outil dans votre navigateur.