Comment transcrire une vidéo sur Mac, et quoi faire de la transcription
Obtenir des transcriptions précises hors ligne, choisir entre TXT, SRT et DOCX, et la seconde vie d'une transcription quand on cesse d'y voir des sous-titres.
La transcription était soit chère, soit mauvaise. Vous payiez environ un euro la minute à une personne, ou vous obteniez un résultat automatique plus long à corriger qu’à retaper.
C’est terminé. Sur un Mac Apple Silicon, la reconnaissance vocale tourne désormais en local, hors ligne, sans coût à la minute, avec des timecodes au mot, dans des dizaines de langues, avec une précision qui, sur un son propre, dépasse une dactylo rapide. C’est la brique la plus mûre de toute l’histoire de l’IA et de la vidéo.
Ce que presque tout le monde manque encore, c’est la seconde moitié : à quoi sert une transcription quand on cesse d’y voir des sous-titres.
Ce qui tourne en local, et à quel point c’est bon
Derrière il y a des modèles de la famille Whisper : des modèles ouverts de reconnaissance vocale, déclinés en plusieurs tailles. Sur Apple Silicon ils tournent sur le GPU et le Neural Engine, c’est pourquoi un portable les supporte sans peine.
Attentes pratiques :
- Son d’interview propre, une personne, micro correct : précision très élevée. Les erreurs se concentrent sur les noms propres et les termes techniques.
- Deux personnes, chevauchements occasionnels : bien, avec les passages superposés brouillons.
- Son de tournage bruyant, vent, café : se dégrade nettement, reste généralement mieux que rien.
- Accents marqués ou changement de langue en cours de phrase : variable. Testez sur vos propres rushes avant de promettre quoi que ce soit à un client.
- Vitesse : plus rapide que le temps réel sur du matériel récent, souvent plusieurs fois. Une interview de 40 minutes, c’est une pause café, pas une après-midi.
Le compromis entre tailles de modèles est le compromis habituel. Un petit est rapide et un peu plus négligé. Un plus grand est plus lent et meilleur sur un son difficile. Pour chercher, le petit suffit en général, parce que « quelqu’un a-t-il dit chiffre d’affaires ? » n’a pas besoin d’une ponctuation parfaite. Pour une livraison client, prenez le grand.
Une particularité systématique à connaître : les modèles de parole sont entraînés à produire un texte propre et lisible, donc ils suppriment discrètement les hésitations. Votre « euh » n’apparaît souvent pas dans la transcription alors qu’il s’entend parfaitement. Pour un document lisible c’est utile, et c’est un problème si vous vouliez vous servir de la transcription pour repérer les hésitations.
Choisir un format d’export
Prenez-en plusieurs. Ils sont bon marché et servent à des choses différentes.
| Format | Pour quoi |
|---|---|
.txt | Chercher. Spotlight l’indexe, donc vos paroles deviennent trouvables depuis le bureau. |
.srt | Sous-titres, et import de texte timecodé dans un logiciel de montage. |
.docx | Envoyer à une personne. Relecture, commentaires, validation client. |
.pdf | Livraison et archive, quand la mise en page ne doit pas bouger. |
Le sous-estimé, c’est le .txt. Enregistré à côté du plan, il fait entrer vos paroles dans le même index Spotlight que tout le reste du Mac. Chercher une phrase à moitié retenue d’une interview d’il y a dix-huit mois renvoie le fichier de transcription, dans le dossier, à côté de la vidéo. C’est de la recherche au moment dans votre archive, au prix d’un fichier texte enregistré. Plus sur ce schéma dans retrouver des plans sans ouvrir Premiere.
Nommer et classer les transcriptions
La règle : une transcription vit à côté de son plan et partage son nom.
Interview-Terrasse-Marcus_16x9_4K_25FPS.mp4
Interview-Terrasse-Marcus_16x9_4K_25FPS.txt
Interview-Terrasse-Marcus_16x9_4K_25FPS.srtPas dans un dossier Transcriptions trois niveaux plus loin, et pas avec un nom qui ne correspond que par hasard. Quand une recherche touche le fichier texte, vous voulez la vidéo à un coup d’œil, et quand vous archivez le projet, vous voulez qu’ils voyagent ensemble.
Si vous tenez un dossier de transcriptions à part pour les livraisons, faites-en une copie. Le jeu de travail reste à côté des rushes.
Les usages au-delà des sous-titres
C’est là qu’est la vraie valeur, et c’est la partie que presque aucun flux n’atteint.
Retrouver le moment. Des transcriptions timecodées transforment « où a-t-elle parlé de la chaîne d’approvisionnement ? » en une recherche textuelle qui renvoie un timecode. Sur du travail à forte dose d’interviews, c’est le plus gros gain de temps disponible dans toute la post-production.
Nommer les plans. La première phrase d’un plan parlé en est souvent une excellente description. Un plan qui commence par « bon, on a fondé la boîte en 2019 » est manifestement le plan des origines, et il peut être nommé ainsi automatiquement.
Voir la structure avant de monter. Avec toutes les interviews transcrites, vous avez tout le contenu du tournage sous forme de texte sur un écran. Lire 12 000 mots prend vingt minutes. Visionner les mêmes rushes en prend quatre heures. Vous voyez la forme du film, repérez la réponse redite, remarquez que la meilleure phrase est arrivée à la fin d’une prise décousue, et planifiez le récit avant d’ouvrir une timeline.
La donner à autre chose. Une transcription est du texte portable, elle peut donc aller dans ce que vous utilisez pour penser : un document, un plan, un résumé, une recherche sur toute une archive. La transcription est la matière première de la structure, et la structure est le vrai travail d’un film.
Réutiliser. Version blog, notes d’épisode, marqueurs de chapitre, cartes de citation, sous-titres. Tout part d’un texte que vous avez déjà.
Accessibilité et portée. Les sous-titres ne sont pas optionnels sur beaucoup de canaux, et les plateformes indexent leur texte, ce qui influe sur le fait que quelqu’un trouve ou non la vidéo.
La seule chose à corriger à la main
Les noms propres. À chaque fois.
Les noms de personnes, d’entreprises, de produits et de lieux sont l’endroit où tout modèle de parole se trompe, cloud ou local. C’est une passe de deux minutes : chercher-remplacer les quatre noms récurrents, et la transcription passe d’utile à publiable.
Si vous transcrivez souvent le même sujet, tenez une petite liste des termes qui sont massacrés et de leur bonne orthographe. Elle reste utile de projet en projet.
Où cela se place dans l’ingest
La transcription se fait à l’ingest, pas au montage. La raison est la même que pour le tagging : à l’ingest vous découvrez les rushes de toute façon, et après le montage vous ne reviendrez pas.
Un ordre qui fonctionne :
- Copiez la carte, vérifiez.
- Analysez : descriptions et mots-clés de sujet pour tout, transcriptions pour tout ce qui contient de la parole.
- Renommez et classez, en vous servant des deux.
- Lisez les transcriptions. Planifiez le film.
- Ouvrez le logiciel de montage en sachant ce que vous avez.
L’étape quatre ressemble à un luxe et s’avère être le gain de temps. Monter va beaucoup plus vite quand on sait déjà ce qu’il y a dans les rushes.
Les enregistrements audio, pas seulement la vidéo
Si vous enregistrez le son séparément, un micro-cravate, un micro d’ambiance, une interview sur un enregistreur, tout ceci s’applique et le bénéfice est plus grand, parce qu’un fichier audio n’a aucune vignette. ZOOM0007.WAV est encore plus opaque que C0087.MP4.
Transcrire et décrire des enregistrements transforme un dossier de fichiers numérotés en bibliothèque. Organiser ses enregistrements audio traite ce cas, y compris les effets et l’ambiance où il n’y a pas de parole à transcrire.
Cliptag transcrit en local sur macOS dans le cadre de la passe d’ingest : déposez un dossier, et chaque plan parlé et chaque enregistrement revient avec une transcription, exportable en TXT, DOCX, PDF ou SRT avec timecodes. La transcription est enregistrée à côté du plan pour que Spotlight l’indexe. Mode local sur Apple Silicon gratuit et illimité.
