Outils d’IA pour les sous-titres et la transcription : lequel pour quoi

Retranscrire à la main un entretien d’une heure prend quatre à cinq heures, même à quelqu’un d’entraîné. Les outils de transcription par IA ramènent ça à quelques minutes. Mais « quelques minutes », c’est un peu trompeur : le texte produit par la machine doit lui aussi être corrigé, et selon la langue, l’accent et la qualité de l’enregistrement, cette relecture prend plus ou moins de temps.

Voici les outils les plus cités pour la transcription et les sous-titres, à quoi chacun sert et ce qu’on peut en attendre raisonnablement.

Deux besoins différents

Transcription et sous-titres reposent sur la même technologie, mais ne visent pas le même résultat. Dans une transcription, on veut un texte complet et exact : qui a dit quoi, à quelle minute. Entretiens, cours, réunions, notes de podcast. Pour des sous-titres, c’est la lisibilité qui compte : longueur des lignes, durée d’affichage, synchronisation avec la voix. Coller une transcription telle quelle en sous-titres donne presque toujours un mauvais résultat, avec des phrases qui mangent la moitié de l’écran.

Avant de choisir, demandez-vous donc ce que vous ferez le plus souvent.

Descript : montage et transcription au même endroit

D’après sa page de tarifs, Descript propose la transcription automatique dans 25 langues, dont le français, sur toutes les formules. Il détecte et étiquette automatiquement plus de huit intervenants, et traduit les sous-titres dans 61 langues.

Sa vraie différence : la transcription sert d’outil de montage. Vous supprimez une phrase dans le texte, elle disparaît aussi de la vidéo. Pour monter des entretiens ou produire des podcasts, c’est redoutablement efficace. Le glossaire de transcription (Transcription glossary) permet d’enregistrer les noms et termes que vous utilisez souvent pour améliorer la précision, mais le tableau des tarifs le rattache aux formules supérieures.

Les formules : Free avec 60 minutes de médias par mois et export en 720p. Hobbyist à 24 dollars par mois, ou 16 en annuel, avec 10 heures de médias et du 1080p sans filigrane. Creator à 35 ou 24 dollars, 30 heures et 4K. Business à 65 ou 50 dollars, 40 heures et doublage dans plus de 30 langues.

Attention : Descript compte en « heures de médias » tout fichier importé ou enregistré, que vous le transcriviez ou non. Si vous chargez tous vos rushes, le quota fond vite.

ElevenLabs Speech to Text

Pour la plupart des gens, ElevenLabs est un outil de voix off. Mais la même réserve de crédits sert aussi à transformer la parole en texte. Selon la FAQ de sa page de tarifs, cela consomme environ 330 crédits par minute. Avec les 10 000 crédits de l’offre Free, cela fait environ 30 minutes par mois ; avec les 30 000 de Starter, environ 90 minutes ; avec les 121 000 de Creator, environ 6 heures. Si vous utilisez aussi ces crédits pour la synthèse vocale, ces durées baissent d’autant.

Si vous payez déjà ElevenLabs pour vos voix off, c’est un moyen pratique d’obtenir une transcription de temps en temps sans second abonnement. En revanche, pas d’interface de montage : vous récupérez le texte, le reste vous revient.

Pictory et les sous-titres automatiques des outils vidéo

Dans les générateurs de vidéos comme Pictory, les sous-titres automatiques sont inclus dans toutes les formules. D’après la page de tarifs, ils s’exportent en .srt, .vtt ou txt. L’essai gratuit dure 14 jours et les formules payantes commencent à 25 dollars par mois en facturation annuelle. Mais la FAQ parle de 7 langues sur Starter et 29 sur Professional et Teams, sans que la liste apparaisse sur la page. Si vous avez besoin d’une langue précise, vérifiez-le pendant l’essai.

Les plateformes d’avatars comme HeyGen et Synthesia génèrent elles aussi des sous-titres automatiques. Utile si vous y produisez déjà vos vidéos ; pour les seuls sous-titres, un abonnement de plus ne se justifie pas.

Les options gratuites

YouTube Studio génère automatiquement des sous-titres en français pour les vidéos que vous mettez en ligne. La qualité varie, mais vous pouvez les corriger avant de les publier. Si seul YouTube vous intéresse, vous n’avez peut-être besoin de rien d’autre.

CapCut est l’outil gratuit le plus répandu pour les sous-titres automatiques sur les vidéos courtes. La plupart des créateurs de Shorts et de Reels s’en servent.

Si vous êtes à l’aise techniquement, des modèles de reconnaissance vocale open source tournent sur votre propre ordinateur : gratuitement, et sans que l’enregistrement quitte votre machine. Il faut une installation et un peu de puissance, mais pour des enregistrements sensibles, c’est un vrai avantage sur le cloud.

Là où les transcriptions automatiques trébuchent

Dans les avis d’utilisateurs, les reproches se concentrent sur quelques points. Les connaître aide à prévoir le temps de correction.

Noms propres et mots étrangers. Noms de personnes, marques et termes techniques anglais sont souvent mal orthographiés. « Kubernetes » peut devenir à peu près n’importe quoi.

Homophones et accords. En français, la machine entend bien, mais écrit parfois de travers : « ces » ou « ses », participes mal accordés, pluriels qui ne s’entendent pas. Une relecture attentive reste indispensable.

Accents et débit rapide. Avec un accent régional marqué ou quelqu’un qui parle très vite, la précision baisse nettement.

Les gens qui parlent en même temps. Quand deux personnes se coupent la parole, tous les outils produisent une bouillie.

La ponctuation. Les outils la devinent. Dans les longues phrases à rallonge, les points tombent à des endroits étranges.

L’attente réaliste : sur un enregistrement propre, vous obtenez un brouillon lisible, mais pour un texte destiné à être publié, il faut tout réécouter une fois en corrigeant. Pour une heure d’enregistrement, comptez entre une demi-heure et une heure de correction. C’est quand même bien plus rapide que de tout taper.

L’enregistrement compte plus que l’outil

Le moyen le moins cher d’améliorer une transcription n’est pas de changer d’outil, mais de mieux enregistrer. Un micro-cravate ou un micro à une main de la bouche, une pièce avec tapis et rideaux, ni musique ni climatisation en fond. En interview, un micro et une piste par personne. La transcription multipiste de Descript (Multitrack transcription) attribue alors la parole à chacun de façon bien plus fiable.

Si l’enregistrement est déjà mauvais, tentez un nettoyage avant la transcription : Studio Sound dans Descript ou le Voice Isolator d’ElevenLabs (environ 1 000 crédits par minute).

Les formats de sous-titres

Quel que soit l’outil, il faut pouvoir exporter les sous-titres sous forme de fichier. Le format le plus courant est le .srt, lu par YouTube, la plupart des lecteurs et des logiciels de montage. Pour les lecteurs web, il y a le .vtt. Les sous-titres incrustés (burned-in) ne peuvent pas être désactivés, mais s’affichent partout sur les réseaux sociaux.

Envoyer un .srt séparé sur YouTube a un avantage sur l’incrustation : YouTube peut lire ce texte et s’en servir pour comprendre le contenu de la vidéo. Sur les Shorts et les Reels, l’incrustation est la norme, car la plupart des gens regardent sans le son.

Confidentialité

Ce que vous envoyez à un outil en ligne est traité sur les serveurs de l’éditeur. Pour une consultation médicale, un échange entre avocat et client ou une réunion interne confidentielle, ce n’est pas anodin, et le RGPD encadre le transfert de données personnelles hors de l’UE. Descript se dit conforme SOC 2 Type II et assure garder les projets confidentiels ; son offre entreprise mentionne l’exclusion des données d’entraînement et des durées de conservation sur mesure. Pour les enregistrements vraiment sensibles, une solution locale reste plus sûre.

Quel outil pour qui

Montage de podcasts et d’entretiens à partir du texte : Descript. Pour un podcast hebdomadaire, Hobbyist suffit en général.

Déjà abonné à ElevenLabs, besoin d’une transcription de temps en temps : ElevenLabs Speech to Text, sans abonnement supplémentaire.

Uniquement des sous-titres pour YouTube : les sous-titres automatiques de YouTube Studio, relus.

Sous-titres incrustés pour Shorts et Reels : CapCut ou Descript.

Enregistrements sensibles et confidentiels : un modèle open source qui tourne en local.

Questions fréquentes

Comment transformer un audio en texte gratuitement ?

L’offre gratuite de Descript donne 60 minutes de médias par mois. L’offre Free d’ElevenLabs fournit assez de crédits pour environ 30 minutes de transcription par mois.

Les sous-titres automatiques sont-ils fiables ?

Sur un enregistrement propre, ils donnent un brouillon lisible ; ils se trompent sur les noms propres, les termes techniques et le débit rapide. Relisez-les une fois avant de publier.

Peut-on traduire les sous-titres dans une autre langue ?

Descript traduit les sous-titres dans 61 langues. Pour faire passer la voix elle-même dans une autre langue, voyez notre guide du doublage par IA.

Comment obtenir un fichier SRT ?

Descript, Pictory et la plupart des outils de sous-titrage exportent en .srt. Vous pouvez aussi télécharger les sous-titres depuis YouTube Studio.

Fiches des outils: Descript, ElevenLabs, Pictory.

Pages citées dans ce guide