Transcrire un audio en texte : enregistrements, vidéos et sous-titres
Transcrivez un fichier audio ou vidéo avec le modèle de reconnaissance vocale Whisper, directement dans votre navigateur, et enregistrez le texte ou des sous-titres SRT et VTT. L’enregistrement n’est pas envoyé.
Déposez un fichier audio ou vidéo ici, ou choisissez-le
MP3, M4A, WAV, OGG, OPUS, FLAC, WebM et MP4 fonctionnent dans la plupart des navigateurs. Les autres formats fonctionnent si votre navigateur sait les lire.
Cet enregistrement dure plus d’une heure. La transcription peut prendre autant de temps que l’enregistrement, voire plus, et le navigateur peut manquer de mémoire avec des fichiers très longs. Dans ce cas, découpez le fichier en plusieurs parties.
Votre navigateur indique des données mobiles ou le mode économie de données. Mieux vaut attendre le Wi-Fi.
Choisissez la langue et le modèle, puis ajoutez un fichier.
Remarques
- L’enregistrement est décodé et transcrit dans votre navigateur. Il n’est envoyé ni à LeedyBox ni ailleurs, et pendant le travail l’outil ne peut contacter que leedybox.com.
- La première fois, votre navigateur télécharge depuis leedybox.com le moteur de reconnaissance vocale et le modèle choisi : environ 90 Mo pour base, 250 Mo pour small ou 750 Mo pour large-v3-turbo. Ils sont ensuite enregistrés dans le stockage de ce navigateur, et les visites suivantes ne les téléchargent plus. « Supprimer les modèles enregistrés », sous le choix du modèle, les efface, tout comme la suppression des données du site dans le navigateur.
- Base et small tournent sur votre processeur, large-v3-turbo sur votre processeur graphique, par fenêtres de 30 secondes, l’une après l’autre. Sur notre ordinateur de test, base a mis environ la moitié de la durée de l’enregistrement, small environ une fois et demie et large-v3-turbo environ un tiers ; les téléphones et les ordinateurs anciens sont plus lents. Laissez cet onglet ouvert jusqu’à la fin.
- Une seule personne qui parle clairement près du micro donne les meilleurs résultats. La musique de fond, le bruit, plusieurs personnes qui parlent en même temps, les accents et les termes spécialisés provoquent des erreurs, et les noms sont souvent mal orthographiés. Whisper peut aussi répéter une phrase ou écrire des mots qui n’ont pas été prononcés, surtout dans les passages silencieux ou bruyants.
- Une seule langue est utilisée pour tout le fichier. Les passages dans une autre langue sont écrits dans cette langue aussi bien que le modèle le peut, ou traduits. Les intervenants ne sont pas distingués.
- Les sous-titres suivent les segments trouvés par Whisper, en général une phrase ou un bout de phrase chacun. Vérifiez le minutage dans un lecteur avant de les publier ; les segments longs devront peut-être être coupés pour être lisibles.
- Les enregistrements très longs demandent beaucoup de mémoire : une heure d’audio occupe environ 220 Mo une fois décodée, plus le modèle. Si le navigateur arrête la page, découpez le fichier en parties plus courtes.
Un problème ? Si un fichier ne s’ouvre pas, si le modèle ne se charge pas, si la page s’arrête ou si la transcription est bien pire que prévu, écrivez-nous. Indiquez le modèle et la langue choisis, le type et la durée du fichier, ainsi que votre appareil et votre navigateur. N’envoyez pas l’enregistrement.
Une phrase de cette page sonne mal dans votre langue ? Signalez-le-nous aussi.
Mode d'emploi
- Choisissez la langue parlée dans l’enregistrement, ou laissez « Détection automatique ».
- Choisissez le modèle : base est le plus rapide, small est plus précis, et large-v3-turbo, proposé si votre navigateur prend en charge WebGPU, est le plus précis.
- Déposez un fichier audio ou vidéo dans le cadre ou choisissez-le, puis cliquez sur « Lancer la transcription ». La première fois, le moteur et le modèle sont téléchargés depuis leedybox.com.
- Le texte s’affiche au fur et à mesure que chaque partie de l’enregistrement est transcrite. Vous pouvez arrêter à tout moment et garder le texte déjà obtenu.
- Vérifiez la transcription avec l’enregistrement, puis copiez-la ou téléchargez-la en fichier .txt, ou en sous-titres .srt ou .vtt pour une vidéo.
Questions fréquentes
Mon enregistrement est-il envoyé sur un serveur ?
Non. Le fichier est décodé et transcrit dans votre navigateur. LeedyBox envoie seulement le moteur de reconnaissance vocale et le modèle à votre navigateur ; l’audio et la transcription ne sont envoyés nulle part, et la partie de la page qui exécute le modèle ne peut contacter aucun autre site.
Quelles langues sont prises en charge ?
Les 99 langues des modèles multilingues de Whisper, dont le français, l’anglais, l’espagnol, l’italien, l’allemand, le portugais, le russe, le turc, le chinois, le japonais, le coréen, le vietnamien, l’indonésien et le thaï. La précision varie beaucoup d’une langue à l’autre : elle est meilleure pour les langues très parlées, qui ont beaucoup de données d’entraînement.
Quel modèle choisir ?
Si votre navigateur propose large-v3-turbo sur ordinateur, prenez-le : dans nos tests, il n’a fait aucune des erreurs de base et de small, et c’était le plus rapide, car il tourne sur le processeur graphique ; il télécharge environ 750 Mo une seule fois. Sinon, commencez par base (environ 90 Mo, à peu près la moitié de la durée de l’enregistrement sur un ordinateur récent) et passez à small (environ 250 Mo, environ trois fois plus lent) si la transcription contient trop d’erreurs. Sur téléphone, utilisez base.
Quelle durée maximale pour l’enregistrement ?
Il n’y a pas de limite fixe, mais le temps de traitement augmente avec la durée, et tout se fait sur votre appareil. Sur un ordinateur, les enregistrements jusqu’à une heure environ passent bien. Les fichiers plus longs peuvent prendre des heures et manquer de mémoire ; mieux vaut les découper.
Quelle différence entre SRT et VTT ?
Ce sont deux fichiers de sous-titres avec le texte et le moment où il apparaît. Le SRT (SubRip) est le format le plus accepté par les logiciels de montage et les lecteurs vidéo. Le VTT (WebVTT) est le format du W3C pour les sous-titres des pages web et de la vidéo HTML5. Choisissez celui que demande votre lecteur ou votre plateforme.
Pourquoi certains mots sont-ils faux ou inventés ?
Whisper devine le texte le plus probable à partir du son. Le bruit, la musique, les voix qui se chevauchent, les accents, les noms et les termes techniques provoquent des erreurs, et dans les passages silencieux ou très bruyants il lui arrive de répéter des phrases ou d’écrire des choses qui n’ont pas été dites. Choisir la langue, utiliser le modèle small et enregistrer plus près du micro aident.
Pourquoi large-v3-turbo n’est-il pas proposé dans mon navigateur ?
Il tourne sur le processeur graphique grâce à WebGPU, une fonction du navigateur pour calculer sur le GPU. Les versions récentes de Chrome et d’Edge sous Windows, macOS et ChromeOS, ainsi que Safari sur les Mac récents, la proposent ; d’autres navigateurs et beaucoup de téléphones non. Sur le seul processeur, ce modèle prendrait plusieurs fois la durée de l’enregistrement : il n’est donc proposé que là où WebGPU existe.