Points clés
Pour un enregistrement de deux heures, la transcription automatique en elle-même ne prend qu’une fraction infime de ce temps : le logiciel n’est pas le facteur limitant. Ce qui décide de votre soirée, c’est la relecture qui suit : un texte brut, juste utile pour faire une recherche, ne demande presque aucune correction, tandis qu’un texte destiné à être cité ou publié exige une écoute complète en parallèle de l’audio, pour corriger les noms, les chiffres et les passages où plusieurs personnes parlent en même temps. Taper le texte à la main, de son côté, prend plusieurs fois la durée de l’enregistrement, et ça s’aggrave encore avec un son de mauvaise qualité. Prévoyez du temps pour la correction, pas pour le logiciel.
Deux heures de parole, au rythme où s’exprime la plupart des gens, ça représente entre seize et dix-huit mille mots environ – à peu près la longueur d’un court roman. Ce chiffre suffit à donner une idée de la soirée qui s’annonce : personne n’a envie de lire ça d’un bout à l’autre, et presque personne n’a envie de le retaper depuis le début s’il existe une autre solution.
La réponse honnête à la question du temps nécessaire dépend de deux choses que vous maîtrisez et d’une que vous ne maîtrisez pas : la qualité de l’audio, le niveau de finition exigé pour le texte final, et votre propre vitesse de frappe ou d’écoute. Le logiciel change un élément de cette équation. Il ne touche pas aux deux autres.
Faites d’abord le calcul
Un discours ou un cours magistral tourne en général entre 130 et 150 mots par minute. Une conversation va plus vite et de façon moins régulière – les gens se coupent la parole, reprennent leurs phrases, s’arrêtent en plein milieu d’une idée. Au rythme d’un cours, une heure de parole donne à peu près huit à neuf mille mots. Doublez ça pour un enregistrement de deux heures et vous arrivez à seize ou dix-huit mille mots de texte brut, davantage s’il s’agit d’une discussion à plusieurs voix plutôt que d’une seule personne qui parle.
Et ça, c’est avant même d’avoir décidé comment produire ce texte. Si vous voulez une idée rapide du nombre de mots pour votre propre enregistrement avant de vous lancer, un calculateur de durée de parole vous donne la réponse en une minute environ – ça vaut le coup de le faire avant de commencer la soirée, parce qu’un extrait de quinze minutes et une réunion de deux heures sont deux travaux bien différents qui se ressemblent… jusqu’à ce qu’on les mesure vraiment. Vous pouvez faire cette estimation avec le calculateur de durée de parole.
Taper le texte vous-même est plus long qu’il n’y paraît
Si vous hésitez à retaper le tout à la main ce soir, mieux vaut connaître le vrai multiplicateur avant de commencer. Taper une transcription à la main prend plusieurs fois la durée de l’enregistrement – pas parce que la frappe elle-même est lente, mais parce qu’on ne peut pas écouter au rythme naturel de la parole et taper avec précision en même temps. On arrête l’audio, on recule de quelques secondes, on tape ce qu’on a entendu, puis on recommence. Ce cycle se répète sans arrêt, et ça se dégrade encore avec un vocabulaire inhabituel, une parole rapide, ou des moments où deux personnes parlent en même temps.
Le multiplicateur augmente avec la difficulté de l’audio, il ne diminue jamais. Un entretien propre, à un rythme de conversation normal, peut prendre trois ou quatre fois sa durée une fois qu’on compte tous les arrêts et les retours en arrière. Un cours truffé de termes techniques qu’on ne connaît pas déjà peut dépasser largement ce chiffre, parce qu’on s’arrête sans cesse pour vérifier une orthographe ou une formulation qu’on aurait sinon tapée sans réfléchir. Pour deux heures d’audio, taper à la main n’est pas un travail d’une soirée. C’est un travail de plusieurs soirées, et il vaut mieux le savoir avant de commencer plutôt qu’une heure après.
La transcription automatique ne ralentit pas – elle se dégrade
C’est ce qui surprend le plus la première fois qu’on essaie. La transcription automatique ne met pas plus de temps quand l’audio est difficile. Elle prend à peu près le même temps de traitement, que l’enregistrement soit une seule voix claire dans une pièce silencieuse ou trois personnes qui se disputent sur une mauvaise connexion téléphonique. Ce qui change avec un audio compliqué, c’est la qualité du résultat, pas le temps nécessaire pour le produire.
C’est à la fois une bonne et une mauvaise nouvelle. Bonne, parce qu’on n’attend pas plus longtemps quand les conditions sont mauvaises – le logiciel termine selon son propre calendrier, indépendamment de ça. Mauvaise, parce que le temps gagné au départ ne disparaît pas : il se déplace vers la fin, dans la quantité de corrections que le texte demandera après. Un outil comme celui qui alimente la conversion audio en texte vous renverra un document complet pour un fichier de deux heures assez vite. Que ce document soit presque terminé ou qu’il demande une relecture minutieuse dépend entièrement de ce qui est entré dans le micro, pas de la façon dont le logiciel l’a traité.
La relecture est ce qui décide vraiment de votre soirée
C’est le chiffre que personne ne prévoit, et c’est justement celui qui compte le plus. Un texte qu’on produit uniquement pour pouvoir le chercher plus tard – retrouver le moment où quelqu’un a cité une date, ou repérer une décision qui a été prise – ne demande presque aucune correction. On passe sur les petites erreurs parce qu’on sait déjà à peu près ce qui doit s’y trouver. Pour un enregistrement de deux heures, ce genre de relecture rapide peut prendre une vingtaine de minutes, juste pour confirmer que le texte est utilisable.
Un texte destiné à être cité, publié, ou remis à quelqu’un qui n’était pas présent, c’est un travail complètement différent. Il faut alors une écoute intégrale en parallèle de l’audio, phrase par phrase, parce qu’une erreur dans une citation pose un problème différent d’une erreur dans une note personnelle. Pour deux heures d’audio source, une relecture aussi rigoureuse prend presque deux heures de votre propre temps, parfois plus si le contenu est dense ou technique.
Les erreurs ne se répartissent pas uniformément dans l’enregistrement, ce qui est la seule vraie bonne nouvelle ici. Les noms propres, le vocabulaire technique, les chiffres et les passages où plusieurs personnes parlent en même temps, c’est là que le résultat automatique échoue vraiment. La majeure partie d’un enregistrement de deux heures reviendra essentiellement juste, et quelques minutes seulement – généralement là où deux personnes se coupent la parole, ou où quelqu’un débite un chiffre rapidement – demanderont une vraie attention. Si vous savez à peu près où se trouvent ces minutes-là, vous pouvez y aller directement plutôt que de relire tout le document du début à la fin. Faire ses propres calculs au préalable, en fonction de la durée de l’enregistrement et de l’usage réel prévu pour le texte, avec un calculateur de temps de transcription, donne un plan bien plus réaliste qu’une estimation faite avant même de commencer.
Découper le fichier ne fait pas gagner de temps, mais ça sauve la soirée
Couper un enregistrement de deux heures en quatre morceaux de trente minutes avant de le transcrire ne rend pas le travail total plus rapide. Le calcul des sections précédentes ne change pas – vous transcrivez toujours deux heures de parole, et vous corrigez tout ce qui demande correction, quelle que soit la façon de découper le fichier. Ce qui change, c’est la possibilité d’interrompre le travail.
Un seul fichier de deux heures représente en pratique une seule session, parce que le rouvrir plus tard veut dire retrouver son point d’arrêt dans un mur de texte sans coupures naturelles. Quatre fichiers séparés représentent quatre sessions, et vous pouvez en terminer un ce soir, un demain, et le reste la semaine suivante, sans perdre le fil de là où vous vous étiez arrêté. Pour un enregistrement aussi long – assez long pour que le finir en une seule fois soit improbable pour la plupart des gens – cette possibilité d’interruption compte davantage que n’importe quel gain de vitesse obtenu en traitant les morceaux en parallèle. Si vous comptez faire la relecture correctement, prévoyez de la fractionner plutôt que d’espérer vous y asseoir une seule fois et tout finir.
Une application qui traite le fichier entier d’un seul coup, plutôt que de vous laisser gérer le découpage vous-même, est une option qui vaut la peine d’être connue ici. L’application de transcription est disponible via la page de téléchargement pour iOS, Android et macOS, et elle accepte un fichier audio, vidéo, un enregistrement ou un lien YouTube pour vous renvoyer un texte avec identification des locuteurs, un résumé, et une traduction dans un large éventail de langues – une solution parmi celles décrites plus haut, pas un raccourci pour éviter la relecture elle-même.
Ce qui ne s’applique pas, en réalité
La transcription automatique ne connaît pas le nom de vos interlocuteurs, à moins qu’on le lui indique. Elle attribue une étiquette plutôt qu’un nom qu’elle n’a aucun moyen de deviner, et ça reste ainsi jusqu’à ce que quelqu’un fasse la correction. Elle ne captera pas non plus, de façon fiable, un nom qu’elle n’a jamais vu orthographié, un terme spécifique à votre domaine, ou un chiffre prononcé rapidement au milieu d’une phrase rapide. Ce sont exactement les points sensibles autour desquels tourne toujours la correction, et aucune puissance de calcul n’y échappe.
Les passages où plusieurs personnes parlent en même temps sont presque impossibles à récupérer complètement, quelle que soit la méthode choisie. Quand deux personnes se coupent la parole, la transcription automatique comme la personne qui tape à la main en perdent une partie – le logiciel s’engage sur un seul fil de la conversation et laisse tomber l’autre, et la personne qui tape a le même problème, juste plus lentement. Si un enregistrement de deux heures contient de longs passages de parole superposée, prévoyez un temps de correction supplémentaire spécifiquement pour ces moments-là, et n’attendez d’aucune des deux méthodes qu’elle vous restitue une version propre des deux voix à la fois.
L’estimation de deux heures elle-même n’est qu’un point de départ, pas une garantie. Un enregistrement avec un débit régulier, un seul locuteur, et un vocabulaire familier avancera plus vite à chaque étape décrite ici qu’un enregistrement avec trois personnes, un micro médiocre, et un sujet que vous ne maîtrisez pas déjà. Le calcul ci-dessus vous donne un plan pour la soirée. Il ne promet pas que vous le terminerez en une seule fois.
