Nettoyeur de transcription

Ce que le nettoyeur supprime

Une transcription copiée depuis un lecteur vidéo est faite pour suivre la vidéo, pas pour être lue : un horodatage toutes les quelques secondes, un retour à la ligne là où la légende s'arrêtait, [Music] au milieu d'une phrase. Le nettoyeur retire cet échafaudage et vous rend des paragraphes. Chaque option peut être désactivée, et le résultat se met à jour pendant que vous tapez.

Quels formats il comprend

• Notre transcription YouTube : la copie avec [mm:ss] Speaker A: avant chaque segment. Les segments du même locuteur sont joints, et l'étiquette du locuteur n'est écrite qu'une fois par paragraphe.
• Le panneau de transcription de YouTube : l'heure sur une ligne, les mots sur la suivante. Les lignes d'heure sont supprimées, y compris la forme parlée que portent certaines copies (« 1 minute, 5 secondes »).
• Les fichiers de sous-titres SRT, WebVTT et SBV : numéros de répliques, lignes de minutage, en-têtes VTT, notes et balises internes disparaissent ; une balise de voix VTT devient une étiquette de locuteur ; la ligne répétée en haut de chaque réplique des sous-titres automatiques est supprimée.
• Les notes de réunion avec un nom et une heure sur leur propre ligne (« Speaker 1 0:03 ») deviennent « Speaker 1: ».

Seuls les horodatages qui ressemblent à des horodatages sont supprimés : en début de ligne, sur une ligne à part ou entre crochets. « On se retrouve à 10:30 » au milieu d'une phrase reste tel quel.

Comment les paragraphes sont reconstruits

Quand le texte vient d'un lecteur vidéo, chaque retour à la ligne est traité comme la fin d'une légende et non d'un paragraphe : les lignes sont donc d'abord jointes. Un mot coupé sur deux lignes par un trait d'union est recollé. Ensuite, un nouveau paragraphe commence toutes les 3, 4, 5, 6 ou 8 phrases (4 par défaut), et toujours quand le locuteur change. Le texte que vous avez tapé vous-même garde ses paragraphes séparés par des lignes vides.

Les sous-titres générés automatiquement n'ont généralement aucun point, donc il n'y a pas de phrases à compter. Quand un texte compte en moyenne plus de 60 mots par phrase, le nettoyeur coupe les paragraphes selon la longueur : environ 20 mots pour chaque phrase demandée, et il vous le signale.

« Corriger espaces et majuscules » supprime les doubles espaces et les espaces avant les virgules et les points, ajoute l'espace manquant après une virgule et met en majuscule la première lettre de chaque phrase. Les abréviations comme « Dr. » et les initiales comme « U.S.A. » ne terminent pas une phrase, et des mots comme « iPhone » gardent leur première lettre.

Les mots de remplissage, avec prudence

Les listes par défaut ne contiennent que des sons d'hésitation : « um », « uh », « erm » en anglais, « э », « эм » en russe, « äh », « ähm » en allemand, « euh » en français, pour dix langues : anglais, russe, ukrainien, espagnol, portugais, français, allemand, italien, polonais et néerlandais. La langue de la page choisit la liste. Des mots comme « like », « you know » ou « o sea » sont volontairement absents : ce sont aussi des mots ordinaires, et les supprimer à l'aveugle change le sens. Ajoutez-les vous-même à la liste si vous voulez les voir disparaître ; des expressions de plusieurs mots fonctionnent aussi, et votre liste est mémorisée dans ce navigateur.

Limites à connaître

Le nettoyeur met le texte en ordre, il ne le comprend pas. Il ne peut pas ajouter une ponctuation que la source n'a jamais eue, ne peut pas corriger des mots mal entendus, et une ligne qui commence par un mot en majuscule suivi de deux-points (« Note : … ») peut être prise pour une étiquette de locuteur : cette option est désactivée par défaut. Relisez le résultat avant de le publier. Tout s'exécute dans votre navigateur ; le texte n'est ni envoyé ni conservé.