Un fichier de sous-titres peut être généré en quelques minutes et rester inutilisable : négation oubliée, montant erroné, nom technique remplacé ou texte affiché trop tard. Le problème n’est pas seulement la reconnaissance des mots. Il faut aussi découper, synchroniser et rendre lisible une information qui accompagne l’image.

Le choix ne se limite donc pas à « automatique ou humain ». Il porte sur une chaîne de production et de contrôle, adaptée au contenu, au public et aux conséquences d’une erreur. Une automatisation relue peut convenir à certains usages ; une prestation spécialisée devient nécessaire lorsque les exigences dépassent la simple transcription.

Définir le sous-titrage dont le public a besoin

Un sous-titre traduit peut rendre une vidéo accessible dans une autre langue. Un sous-titrage destiné aux personnes sourdes ou malentendantes doit également restituer les informations sonores nécessaires à la compréhension : identification pertinente d’un locuteur, bruit ou musique lorsqu’ils jouent un rôle.

La transcription est encore un autre livrable. Elle permet une consultation textuelle, mais ne remplace pas toujours les sous-titres synchronisés pendant le visionnage. Une personne doit pouvoir regarder l’action et lire l’information au moment utile.

Précisez si la vidéo est enregistrée ou diffusée en direct. Le direct impose d’autres contraintes de délai, de correction et de préparation. Les méthodes et attentes ne doivent pas être transposées sans examen.

Le cadre d’accessibilité applicable dépend du service et de la situation. Les références WCAG et RGAA distinguent notamment les médias et les niveaux d’exigence. Un sous-titrage ajouté ne rend pas automatiquement toute la page ou toute la plateforme accessible.

Commencez par le besoin et le périmètre, pas par le bouton de génération.

Ce que l’ASR produit, et ce qu’il laisse à faire

La reconnaissance automatique de la parole, souvent appelée ASR, transforme un signal audio en texte estimé. Elle peut proposer des repères temporels, une ponctuation et parfois une séparation des locuteurs. Ces résultats restent à vérifier selon leur usage.

La qualité dépend du son, du vocabulaire, des accents, du débit et des chevauchements. Un enregistrement clair d’un intervenant préparé n’est pas comparable à une table ronde bruyante. Il faut tester un extrait représentatif avant d’extrapoler le temps de correction à toute la série.

Les noms propres, sigles, références et nombres méritent une attention particulière. Un mot ordinaire incorrect peut être visible à la lecture ; une référence presque identique peut passer inaperçue tout en rendant une instruction fausse.

Une liste de vocabulaire ou un contexte fourni au système peut aider selon le service, sans garantir la bonne transcription. Le résultat doit toujours être rapproché de l’audio et, si nécessaire, d’un référent métier.

L’automatisation ne décide pas seule de la segmentation pédagogique ou du besoin d’indiquer un son. Elle peut fournir une base de travail, mais le temps économisé doit être mesuré sur le résultat final acceptable, pas uniquement sur la vitesse du premier export.

Utiliser le WER sans lui attribuer une valeur qu’il n’a pas

Le taux d’erreur de mots, ou WER, compare une transcription à une référence. Il additionne les substitutions, suppressions et insertions, puis rapporte ce total au nombre de mots de référence. Il faut donc une référence fiable et une convention de comparaison.

Dans un exemple fictif, une référence de deux cents mots comporte cinq substitutions, trois suppressions et deux insertions dans l’hypothèse reconnue. Le total de dix erreurs donne un WER de 5 %. Ce chiffre ne constitue pas un taux garanti pour un outil ou une vidéo.

La métrique ne pondère pas automatiquement les conséquences de chaque erreur.

Remplacer un article et supprimer une négation peuvent compter dans le calcul tout en ayant des effets très différents sur le sens. Il faut donc examiner les erreurs critiques, pas seulement la moyenne.

Le WER ne mesure pas directement la synchronisation, la lisibilité, la qualité de la traduction ou la restitution des informations sonores. Un texte lexicalement correct peut être mal découpé et impossible à lire à l’écran.

Les conventions de normalisation influencent aussi la comparaison : chiffres, ponctuation ou variantes d’écriture. Conservez la méthode si vous comparez plusieurs versions.

Un score de confiance proposé par le moteur n’est pas la même mesure qu’un taux d’erreur calculé sur une référence.

Vérifier les mots qui changent la décision

Préparez une liste de points sensibles : unités, valeurs, dates, conditions, interdictions, noms et termes métier. Le contrôle doit les retrouver dans l’audio et vérifier leur affichage dans le sous-titre.

Pour une formation technique, une seule erreur sur « ne pas » ou sur une unité peut justifier une correction avant diffusion, même si le score global paraît bon. Le niveau de contrôle doit suivre le risque du contenu.

La synchronisation et le découpage demandent leur propre contrôle

Un sous-titre doit apparaître suffisamment près de la parole qu’il restitue et rester lisible. Une dérive progressive peut venir d’un mauvais repérage ou d’un changement de version du montage. Vérifiez le début, les transitions et la fin, pas seulement un extrait central.

Le découpage doit suivre des unités de sens autant que possible. Couper une négation de son verbe ou séparer une valeur de son unité peut gêner la compréhension. La mise en ligne automatique mot par mot n’est pas toujours adaptée à une explication professionnelle.

Le texte ne doit pas masquer une information essentielle : commande d’interface, légende, résultat ou geste. Le positionnement doit être essayé dans le lecteur final et sur les formats prévus. Une version verticale et une version paysage peuvent demander des adaptations.

Les conventions de caractères, de lignes et de durée doivent être définies avec le prestataire selon la destination. Il n’existe pas un réglage unique optimal pour toute vidéo, langue et taille d’écran. Les spécifications du diffuseur et les besoins du public comptent.

La relecture en lecture réelle est indispensable. Un fichier relu dans un éditeur texte peut sembler correct alors que son rythme devient fatigant avec l’image et la parole.

Savoir ce qu’une prestation humaine inclut

Demandez si la prestation couvre la transcription, la correction, le repérage temporel, la segmentation, la traduction et les indications d’accessibilité. Plusieurs offres appelées « sous-titrage » peuvent porter sur des travaux différents.

Le niveau de spécialisation doit correspondre au contenu. Une vidéo médicale, juridique ou technique peut nécessiter une validation métier en complément de la compétence linguistique. Le prestataire doit savoir à qui poser une question et comment signaler une incertitude.

La révision doit être décrite : vérification intégrale ou échantillonnée, écoute de l’audio, contrôle par une autre personne ou validation client. Une mention « corrigé » ne renseigne pas suffisamment sur le processus.

Pour une traduction, fournissez le contexte, le glossaire et les termes d’interface réels. Le guide sur le dossier de traduction technique aide à préparer ces éléments. Le texte doit rester fidèle tout en tenant compte des contraintes de lecture, sans supprimer arbitrairement une information essentielle.

Prévoyez le traitement des remarques et les changements de montage. Une nouvelle coupe peut décaler tous les repères après un point donné. Il faut connaître la version finale sur laquelle porte la livraison.

Choisir les formats sans perdre la possibilité de corriger

Les sous-titres peuvent être livrés dans un fichier séparé ou incrustés dans l’image. Le fichier séparé permet souvent l’activation, les adaptations et certaines fonctions du lecteur. L’incrustation garantit une présence visuelle dans des contextes où une piste séparée ne serait pas affichée, mais elle ne peut plus être désactivée ou corrigée sans nouvel export vidéo.

Les formats comme SRT ou WebVTT ont leurs usages et leurs limites. Vérifiez ceux que la plateforme accepte et les possibilités de style, de langue ou d’identification. Ne choisissez pas uniquement selon l’extension disponible dans l’outil.

Demandez un fichier éditable de référence, les exports de diffusion et, si utile, une transcription distincte. Le nommage doit relier vidéo, langue, version et date. Une piste ancienne associée à un montage récent peut produire des erreurs sans défaut dans chacun des fichiers pris séparément.

Testez l’import dans le lecteur réel. Les accents, caractères spéciaux, retours à la ligne et repères temporels doivent être conservés. Vérifiez également l’activation au clavier et les informations de langue selon les possibilités du dispositif.

Protéger les contenus envoyés aux services de traitement

Une vidéo peut contenir des visages, voix, noms, écrans et données confidentielles. Avant de l’envoyer vers un service automatique ou un prestataire, examinez les rôles, les contrats, les accès et les lieux de traitement nécessaires.

Les conditions d’utilisation doivent être compatibles avec votre contenu. Qui conserve les fichiers, pendant combien de temps et pour quels usages ? Les sous-traitants éventuels et les conditions de suppression doivent être compris. Un essai gratuit ne dispense pas de cette analyse.

Préparez si possible un extrait de test dépourvu de données inutiles, tout en restant représentatif du vocabulaire et du son. Un extrait trop facile donnera une estimation trompeuse de la correction nécessaire.

Les droits sur la vidéo et la traduction doivent aussi être prévus. La possibilité technique de générer des sous-titres ne donne pas automatiquement l’autorisation d’adapter et de diffuser un contenu détenu par un tiers.

Comparer le coût du résultat final

Le coût total comprend la préparation, le traitement, la correction, la validation et l’intégration. L’automatisation peut réduire une partie de la saisie tout en laissant une charge importante de vérification. Une prestation humaine peut également utiliser des outils automatiques dans un processus contrôlé.

Dans une hypothèse fictive, une vidéo demande vingt minutes de préparation, soixante minutes de correction et vingt minutes de contrôle final : cent minutes de travail, indépendamment du temps de génération. Le calcul n’est pas un standard de productivité ; il montre quels postes mesurer sur votre extrait.

Comparez les offres sur les mêmes livrables et exigences. Une piste brute sans repérage vérifié ne se compare pas à un sous-titrage adapté avec validation métier et export intégré. Le délai doit également comprendre le temps de réponse aux questions.

Choisir un extrait pilote qui contient les difficultés

Prenez un passage comprenant les éléments sensibles de la série : vocabulaire métier, nombres, plusieurs locuteurs ou démonstration visuelle. Ne retenez pas uniquement une introduction lente et bien articulée si le reste du contenu est beaucoup plus complexe.

Faites produire la sortie automatique, puis relevez séparément les corrections lexicales, temporelles et de présentation. Vous pourrez estimer où se situe le travail humain restant. Cette mesure porte sur cet extrait et ce processus ; elle ne permet pas d’annoncer un rendement universel pour toutes les vidéos.

Une grille de revue peut distinguer les erreurs qui changent le sens, celles qui gênent la lecture et celles de forme. Une erreur critique doit être corrigée même si le nombre total d’erreurs paraît faible. Le classement sert à décider, pas à tolérer une instruction dangereusement fausse sous un bon score moyen.

Prévoir les mises à jour et les déclinaisons

Si une nouvelle version retire quelques secondes, les repères suivants peuvent se décaler. Conservez un lien stable entre le montage et la piste validée. La personne qui publie doit pouvoir vérifier qu’elle associe les bonnes versions, dans la bonne langue.

Pour plusieurs langues, les conventions de segmentation peuvent différer. Une traduction plus longue peut demander un nouvel arbitrage de lecture, sans supprimer une information essentielle. L’export doit être regardé avec l’image et pas seulement relu comme un document.

Prévoyez aussi la correction d’une erreur signalée après publication. Qui modifie la source, quels exports sont remplacés et comment les copies déjà diffusées sont-elles traitées ? Une petite correction peut rester absente de plusieurs plateformes si personne ne tient l’inventaire. Le sous-titrage doit donc être géré comme un contenu maintenu, avec un responsable et une version, plutôt que comme une opération terminée par le premier téléchargement.

Recetter avant de diffuser

Vérifiez le sens, les termes sensibles, les indications sonores nécessaires et la synchronisation sur la version finale. Regardez la vidéo dans les configurations importantes, notamment sur un petit écran si c’est un usage prévu.

Faites corriger les anomalies avec une référence claire : repère temporel, texte actuel et résultat attendu. Conservez le fichier validé et les informations de version pour les futures déclinaisons.

Le bon choix est celui qui fournit un sous-titrage fidèle et utilisable au niveau de risque attendu. La génération automatique peut être un point de départ efficace. La décision se prend sur le contrôle restant, l’accessibilité réelle et la capacité à maintenir les fichiers lorsque la vidéo évolue.