Transcription audio et sous-titres
Retaper à la main une réunion, un cours ou un entretien prend plusieurs fois la durée de l’enregistrement. Un modèle de reconnaissance vocale fait l’essentiel du travail, mais son résultat doit être relu. Ce guide explique comment le modèle lit un enregistrement, quel modèle choisir, comment limiter les erreurs et comment transformer le texte en fichiers de sous-titres.
Comment la reconnaissance vocale lit un enregistrement
L’outil Transcrire un audio en texte utilise Whisper, un modèle de reconnaissance vocale publié par OpenAI en 2022 sous licence MIT. D’après sa fiche descriptive (model card), Whisper a été entraîné sur 680 000 heures d’audio et de transcriptions collectées sur internet, dont environ deux tiers en anglais.
Whisper n’écoute pas tout le fichier d’un coup. Il lit l’audio par tranches de 30 secondes, converties en spectrogramme (une image des fréquences fortes à chaque instant), et écrit le texte le plus probable pour cette tranche, morceau de mot par morceau de mot, avec des repères de temps. Un long enregistrement est donc découpé en fenêtres. L’outil place chaque coupure dans la pause la plus longue vers la fin d’une fenêtre, pour ne pas couper les phrases, et saute les fenêtres silencieuses.
Avant d’écrire quoi que ce soit, le modèle sait aussi reconnaître la langue parlée : la première chose qu’il prédit est une étiquette de langue. L’outil utilise cette prédiction sur les 30 premières secondes de parole si vous laissez « Détection automatique », puis applique une seule langue à tout le fichier.
Quel modèle choisir ?
Whisper existe en plusieurs tailles. L’outil en propose trois : base et small tournent sur le processeur dans tout navigateur récent, et large-v3-turbo tourne sur le processeur graphique si le navigateur prend en charge WebGPU.
| Modèle | Paramètres | Premier téléchargement | Durée pour 1 minute de parole* | À utiliser pour |
|---|---|---|---|---|
| Whisper base | 74 millions | environ 90 Mo | environ 30 secondes | Enregistrements nets, téléphones |
| Whisper small | 244 millions | environ 250 Mo | environ 1 minute 35 secondes | Français et autres langues sans WebGPU |
| Whisper large-v3-turbo | 809 millions | environ 750 Mo | environ 20 secondes | Ordinateurs avec WebGPU : le plus précis |
* Mesuré sur un ordinateur de bureau, dans le navigateur : base et small avec des poids 8 bits sur le processeur, large-v3-turbo avec des poids 4 bits sur la carte graphique. Les appareils plus lents prennent plus de temps. Chaque modèle n’est téléchargé qu’une fois, puis reste enregistré dans le navigateur jusqu’à ce que vous le supprimiez dans l’outil.
L’écart de qualité est le plus grand hors de l’anglais. Dans notre test avec un enregistrement d’une minute en coréen lu par une voix de synthèse, base a écrit 후회 (regret) au lieu de 회의 (réunion) et 머료일 au lieu de 월요일 (lundi) ; small a eu juste sur ces deux mots mais a écrit 무늬 (motif) au lieu de 문의 (demande), et large-v3-turbo n’a fait aucune erreur. Prenez large-v3-turbo si votre navigateur le propose ; sinon, commencez par base et passez à small si le texte contient trop d’erreurs.
Large-v3-turbo est une version de large-v3, le plus grand modèle de Whisper, optimisée pour la vitesse. Il lui faut un processeur graphique : sur le seul processeur, il a mis environ 13 fois la durée de l’enregistrement, si bien que l’outil ne le propose que là où WebGPU existe, par exemple dans les versions récentes de Chrome et d’Edge sur ordinateur et dans Safari sur les Mac récents. Il demande aussi bien plus de mémoire que base, ce que beaucoup de téléphones n’ont pas.
Obtenir une meilleure transcription
- Enregistrez près du micro. La distance, l’écho et le bruit de fond coûtent plus de précision que tout le reste.
- Évitez la musique et les voix qui se chevauchent. Whisper écrit un seul flux de texte et ne distingue pas les intervenants.
- Choisissez la langue quand l’enregistrement commence par de la musique, un silence ou une salutation dans une autre langue.
- Prévoyez de corriger les noms et les termes. Le modèle devine l’orthographe d’après le son et préfère les mots courants.
- Méfiez-vous du texte inventé. La fiche descriptive prévient que Whisper peut écrire des choses qui n’ont pas été dites et se répéter, surtout dans les passages silencieux ou bruyants. Relisez ces passages avec l’enregistrement.
- Découpez les fichiers très longs. Une heure d’audio occupe environ 220 Mo de mémoire une fois décodée, et tout se fait sur votre appareil.
Fichiers de sous-titres : SRT et VTT
Un fichier de sous-titres est du texte brut : une liste d’entrées (cues), chacune avec une heure de début, une heure de fin et les mots à afficher. Les deux formats courants se ressemblent beaucoup.
Le SubRip (.srt) numérote chaque entrée et met une virgule avant les millisecondes :
1
00:00:00,000 --> 00:00:02,400
Bonjour à tous.
2
00:00:02,400 --> 00:00:05,800
Je reprends les points principaux de la réunion.Le WebVTT (.vtt) est le format du W3C pour les sous-titres des pages web, celui qu’utilise l’élément HTML <track>. Le fichier commence par le mot WEBVTT, les heures prennent un point, et les numéros sont facultatifs :
WEBVTT
00:00:00.000 --> 00:00:02.400
Bonjour à tous.
00:00:02.400 --> 00:00:05.800
Je reprends les points principaux de la réunion.En WebVTT, le texte d’une entrée ne peut pas contenir -->, et les caractères & et < doivent s’écrire & et < ; l’outil s’en charge. Le SRT n’a pas de spécification officielle, mais les logiciels de montage et les lecteurs lisent la forme ci-dessus. Choisissez le format que demande votre lecteur ou votre plateforme.
Des sous-titres faciles à lire
Les segments de Whisper suivent sa propre idée de la phrase, et certains sont longs. Avant de publier, lisez les sous-titres avec la vidéo, coupez les segments qui restent trop longtemps à l’écran ou dépassent deux lignes, et vérifiez que chaque entrée apparaît au moment où les mots sont prononcés. La plupart des éditeurs de sous-titres ouvrent les fichiers SRT et permettent de décaler ou de couper les entrées.
Transcription sur l’appareil ou dans le cloud
Les services de transcription en ligne envoient généralement l’enregistrement sur leurs serveurs, où de grands modèles le traitent rapidement. Un outil dans le navigateur garde l’enregistrement sur votre appareil : l’audio est décodé et transcrit dans la page, et seuls les fichiers du modèle sont téléchargés. En contrepartie, la vitesse dépend de votre processeur, et la taille du modèle est limitée par ce qu’un navigateur peut charger.
Quel que soit le traitement, les enregistrements d’autres personnes demandent des précautions. La fiche descriptive de Whisper déconseille de transcrire des enregistrements de personnes réalisés sans leur consentement ; demandez l’accord avant d’enregistrer ou de transcrire une conversation.
Questions fréquentes
Whisper sait-il qui parle ?
Non. Il écrit un seul flux de texte. Distinguer les intervenants (diarisation) demande un autre modèle ; ajoutez les noms à la main.
Pourquoi la transcription contient-elle des phrases que personne n’a dites ?
Whisper prédit le texte le plus probable et, dans le silence, la musique ou le bruit, il continue parfois avec des mots qu’il a souvent vus, comme une formule de fin. Sauter les fenêtres silencieuses aide, mais relisez la transcription avec l’enregistrement.
Peut-il traduire l’enregistrement en anglais ?
Les modèles Whisper en sont capables, mais cet outil ne fait que transcrire : il écrit le texte dans la langue parlée.
Quel format faut-il pour une plateforme vidéo ?
La plupart des logiciels de montage et des plateformes vidéo acceptent le SRT, et les lecteurs web utilisent le VTT. Dans le doute, téléchargez les deux : ils contiennent les mêmes entrées.
Sources
Source : OpenAI, Whisper (README) · Dernière vérification :
Source : OpenAI, Model Card: Whisper · Dernière vérification :
Source : W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · Dernière vérification :