Points clés
macOS ne transcrit pas une vidéo tout seul. Ce qu’il sait faire, sans rien télécharger, c’est extraire la piste audio d’une vidéo grâce à QuickTime Player, ce qui vous laisse un fichier beaucoup plus léger à manipuler. La dictée intégrée retranscrit en direct ce que le microphone entend pendant que vous parlez : elle n’est donc pas faite pour un enregistrement que vous avez déjà. La transcription est une étape à part, et c’est la même étape quel que soit l’ordinateur utilisé.
Vous avez une vidéo sur votre Mac. L’enregistrement d’écran d’une réunion, un cours que quelqu’un vous a envoyé, un extrait que vous avez gardé. Vous voulez le texte qui va avec. Et vous préférez ne pas créer un compte chez une entreprise dont vous n’avez jamais entendu parler pour l’obtenir.
Le travail se découpe nettement en deux temps. D’abord, sortir un fichier audio propre de la vidéo. Ensuite, transformer cet audio en texte. La première moitié, votre Mac sait déjà la faire, tout de suite, avec un logiciel présent sur la machine. La seconde, il ne sait pas la faire, et vous ne trouverez rien en fouillant dans Réglages Système qui changera cela. Savoir où se situe cette limite vous évite de perdre un après-midi à chercher un menu qui n’existe pas.
Ce que macOS sait déjà faire
QuickTime Player est installé sur tous les Mac. Il lit les vidéos, il enregistre l’écran, et il peut exporter l’audio d’un fichier vidéo. C’est ce dernier point qui nous intéresse ici, et c’est souvent la seule étape à effectuer avant de confier le fichier à un autre outil.
macOS propose aussi la dictée, qui transforme la parole en texte au fur et à mesure que vous parlez. L’app Dictaphone est là également, et elle se synchronise avec la même app sur un iPhone via iCloud. Avec ces trois outils, vous pouvez capter du son, le stocker, et taper avec votre voix.
Aucun d’entre eux ne lira une vidéo existante pour vous en donner la transcription. Cela vaut la peine de le dire clairement, parce que ces outils sont assez proches les uns des autres pour donner l’impression que la fonction se cache forcément quelque part. Ce n’est pas le cas. Le Mac excelle à produire des enregistrements, beaucoup moins à les convertir en texte.
Extraire l’audio en premier
Un fichier vidéo est un conteneur. Il transporte de l’image et une piste audio, et la transcription ne s’intéresse jamais qu’à l’audio. La vidéo n’est que du poids mort pour cet usage.
Exportez donc l’audio avant de faire quoi que ce soit d’autre. QuickTime Player sait le faire, ce qui veut dire que cette première étape ne vous coûte rien et n’installe rien. Vous récupérez un fichier bien plus petit que la vidéo de départ — parfois radicalement plus petit, selon le contenu d’origine.
Cette différence de taille cesse d’être une abstraction dès que l’enregistrement est long. Un cours de deux heures en vidéo est difficile à déplacer, à envoyer ou à conserver en plusieurs copies pendant que vous cherchez le bon outil. Les mêmes deux heures en audio donnent un fichier modeste que vous manipulez sans y penser. Si vous avez tout un dossier d’enregistrements à traiter, extraire l’audio d’abord fait la différence entre une soirée de travail et un week-end entier.
Cette extraction règle aussi une question qui perd beaucoup de monde : faut-il un outil capable de gérer spécifiquement la conversion de vidéos en texte, ou une simple transcription audio suffit-elle ? Une fois que l’audio est un fichier à part, la distinction n’a plus d’importance. N’importe quel outil de transcription qui accepte l’audio acceptera le vôtre.
La dictée n’est pas le même travail
On emploie souvent dictée et transcription comme s’il s’agissait du même mot. Ce n’en est pas un, et cette différence est précisément ce qui vous sépare de la transcription que vous cherchez.
La dictée écoute un microphone et note ce qu’elle entend, en direct, au moment où cela se produit. Vous parlez, le texte apparaît. C’est une méthode de saisie. La transcription, elle, prend un enregistrement qui existe déjà — quelque chose qui s’est terminé il y a une heure ou il y a un an — et en produit le texte. L’une est un périphérique d’entrée, l’autre une conversion.
On peut essayer de combler l’écart en passant la vidéo à haute voix et en laissant la dictée écouter vos haut-parleurs. Certains le font. Cela fonctionne mal. Vous demandez à un microphone de réenregistrer un son déjà enregistré une première fois, dans une pièce, avec l’acoustique de cette pièce, et vous devez rester présent pendant toute la durée pour que cela se produise. Une heure de vidéo vous coûte une heure. Au-delà d’un court extrait, ce n’est pas une option sérieuse. Il y a plus à dire sur la reconnaissance vocale sur Mac et sur les limites de la solution intégrée, mais pour résumer : la dictée n’a jamais été conçue pour des fichiers.
Quand vous n’avez pas encore le fichier
Tout ce qui précède suppose que la vidéo est déjà sur votre disque. Ce n’est pas toujours le cas. Ce dont vous voulez le texte est parfois un appel en cours, ou une vidéo qui joue dans un onglet de navigateur, et il n’y a rien à extraire puisque rien n’a été enregistré.
C’est là que le Mac dresse son véritable obstacle. Capturer le son système du Mac lui-même — ce qui sort de la machine, et non ce qui entre par le microphone — n’est pas quelque chose que macOS propose par défaut. L’enregistrement d’écran vous donne l’image. Récupérer le son qui l’accompagnait est un problème à part, et c’est l’étape qui bloque le plus souvent les gens net. Si vous vous êtes déjà retrouvé avec l’enregistrement muet d’une réunion sans comprendre votre erreur, voilà exactement ce qui s’est passé. Vous n’avez rien fait de mal.
Il existe des façons de contourner cela, et mieux vaut les connaître avant d’en avoir besoin plutôt qu’au bout de cinq minutes d’un appel que vous ne pourrez pas refaire. Le fonctionnement de l’enregistrement d’écran avec le son sur Mac est un sujet en soi. Ce qui compte ici, c’est qu’il s’agit d’un problème de capture, pas d’un problème de transcription, et le résoudre vous ramène au cas ordinaire : un fichier sur le disque.
Une solution évite entièrement le problème. Le Dictaphone sur Mac partage ses enregistrements avec la même app sur un iPhone via iCloud, si bien que tout ce que vous enregistrez avec le téléphone apparaît sur le Mac sans que vous ayez à vous l’envoyer par e-mail ou à chercher un câble. Pour une conversation en personne, ou une conférence à laquelle vous assistez, enregistrer avec le téléphone et récupérer le fichier sur l’ordinateur est plus simple que de se battre avec le son système. Cela ne règle évidemment rien pour le son que le Mac produit lui-même.
Transformer l’audio en texte
Une fois que l’audio existe sous forme de fichier, aucune des décisions précédentes ne compte plus. La transcription se moque de savoir si le fichier vient d’une vidéo, d’un téléphone, d’un enregistrement d’écran ou de quelque chose qu’un collègue vous a envoyé. Elle se moque aussi que vous soyez sur un Mac. À partir de là, c’est exactement le même travail que sur n’importe quelle machine, et votre seul choix porte sur l’outil de transcription, rien d’autre.
C’est aussi le moment où la préférence pour l’absence de compte se heurte à la réalité, alors soyons francs. Tout ce qui fonctionne entièrement dans votre navigateur peut promettre que votre fichier ne quitte jamais la machine, et certains outils tiennent réellement cette promesse. Mais ce type d’outil dans le navigateur gère surtout des choses comme les fichiers de sous-titres ou le comptage — du texte qui est déjà du texte. La reconnaissance vocale réelle sur un enregistrement de deux heures est un travail bien plus lourd, et les outils capables de le faire demandent en général soit une application installée, soit d’envoyer votre fichier sur leurs serveurs. Quel que soit votre choix, voilà la question à poser, et la réponse devrait être facile à trouver.
SozAI en est un exemple : une application de transcription pour macOS qui traite les fichiers audio et vidéo, les enregistrements et les liens YouTube, avec identification des intervenants, résumés et traduction dans plus de 99 langues. Le même site propose aussi des outils gratuits de sous-titrage et de comptage qui fonctionnent entièrement dans le navigateur, sans rien envoyer et sans compte — ils ne transcrivent pas l’audio, mais ils sont utiles une fois que vous avez déjà une transcription à retravailler.
Ce que la transcription ne fera pas pour vous
Demandez des horodatages si le but est de retrouver un moment précis. Une transcription sans horodatage reste un texte que l’on peut chercher — vous retrouverez la phrase — mais retrouver la phrase n’est pas la même chose que retrouver l’endroit de la vidéo où elle a été dite. Si vous transcrivez un cours pour pouvoir revenir directement aux dix minutes qui comptaient, les horodatages sont l’intérêt principal de la fonction. Si vous transcrivez pour lire le texte une fois et ne jamais rouvrir la vidéo, ils ne servent qu’à encombrer la page. Décidez lequel des deux cas est le vôtre avant de commencer, car les ajouter après coup revient à faire le travail deux fois.
Attendez-vous à ce que le texte reflète l’enregistrement dont il provient. La reconnaissance vocale travaille avec ce qui a réellement été capté, et un enregistrement pris dans une pièce où les gens se coupent la parole lui donne moins de matière qu’un son propre. Extraire l’audio de la vidéo n’améliore pas le son ; cela ne fait qu’isoler ce qui était déjà là. Si le son d’origine est médiocre, vous devrez corriger la transcription, et aucune étape antérieure de ce processus n’y changera rien.
Et acceptez qu’une partie de la vidéo ne survive pas au voyage. Les diapositives, les schémas, ce qui est écrit au tableau, la personne qui pointait du doigt quelque chose — tout cela disparaît, puisque vous avez délibérément écarté l’image pour obtenir un fichier maniable. Pour une conversation, cela ne fait rien perdre. Pour une démonstration ou une présentation, la transcription ne représente que la moitié du contenu, et vous voudrez garder la vidéo d’origine à côté.
