Générer des sous-titres automatiquement, calés sur la voix
Pour générer des sous-titres automatiquement sans une seule faute de transcription, il faut renverser l'ordre habituel : écrire le texte d'abord, le faire lire par la voix en une seule prise, puis caler chaque sous-titre sur les pauses de cet enregistrement. Les mots affichés sont alors exactement les mots prononcés ; seul le minutage reste à calculer.
C'est ainsi que chaque film PageToVid reçoit ses sous-titres, incrustés dans l'image et exportés en fichier WebVTT. Ce guide s'adresse à une petite entreprise ou une équipe marketing qui a besoin de vidéos sous-titrées, dans une langue ou plusieurs, et il décortique un vrai film en hindi, réplique par réplique.
Shifa Clinic, en hindi : un film 16:9 de 50 secondes réalisé à partir de la page « Visit Us » de la clinique, 107 mots prononcés, dix répliques de sous-titres en devanagari. Son équivalent anglais vient de la même page.
Deux façons de générer des sous-titres automatiquement
La plupart des outils de sous-titrage automatique écoutent une vidéo terminée et devinent les mots. C'est la seule option quand les images existent déjà : un webinaire, une interview, une vidéo tournée au téléphone. Quand la vidéo reste à faire, un autre ordre est possible : le texte d'abord, la voix ensuite, les sous-titres en dernier.
| Reconnaissance vocale sur la vidéo | Sous-titres tirés du texte (PageToVid) | |
|---|---|---|
D'où viennent les mots | De ce qu'un modèle croit avoir entendu | Du texte confié à la voix |
Erreurs typiques | Noms propres, accents, jargon, bruit de fond | Aucune sur les mots ; seul le minutage peut dériver |
Minutage | À partir des mots reconnus | À partir des pauses de la prise de voix unique |
Marques et chiffres | Souvent mal compris | Écrits comme vous les avez orthographiés |
Idéal pour | Une vidéo déjà tournée | Un film tiré d'une page ou d'un storyboard écrit |
YouTube le dit lui-même dans son aide : les sous-titres automatiques peuvent trahir le propos à cause d'une mauvaise prononciation, d'un accent, d'un dialecte ou d'un bruit de fond, et il faut toujours les relire. Des sous-titres tirés du texte évitent cette relecture des mots. La différence entre sous-titres et sous-titrage pour sourds, incrustés ou non, est expliquée dans sous-titres et sous-titrage ; les outils qui partent d'un texte ou d'une URL plutôt que d'images sont comparés sur la page comparatif.
Générer des sous-titres automatiquement, étape par étape
Toute la procédure, d'une URL à un MP4 sous-titré et un fichier .vtt. Les sous-titres sont activés par défaut et inclus dans toutes les formules, y compris le premier film gratuit d'un site.
Collez la page et choisissez la langue
Ouvrez une nouvelle vidéo, collez l'URL et choisissez la langue de la narration. Les sous-titres sont écrits dans la même langue et la même écriture que la voix : devanagari pour l'hindi, alphabet arabe de droite à gauche pour l'arabe.
Laissez « Incruster les sous-titres » coché
Cette case fait deux choses : elle dessine les sous-titres dans l'image et écrit un fichier WebVTT à côté du MP4. Ne la décochez que si la vidéo portera ses propres sous-titres ailleurs.
Choisissez un style de sous-titres
Cinq rendus : Karaoké (le style maison, le mot prononcé sur une plaque à la couleur de la marque), Percutant (grandes capitales pour le mobile), Pastilles (une par mot), Discret (un bandeau sobre) et Contour. Ajoutez si vous voulez une animation du mot prononcé : Pop, Rebond, Vague, Halo ou Glissé.
Signalez les mots importants
Entourez un mot de doubles astérisques dans le texte d'une scène : le sous-titre l'affiche dans la couleur de la marque, une taille au-dessus, et la voix ne lit jamais les astérisques. Le réglage automatique met aussi en valeur chiffres, prix et pourcentages.
Lancez le rendu, puis regardez-le une fois sans le son
Les sous-titres seuls doivent raconter l'histoire. Au second visionnage, avec le son, un mot surligné en avance ou en retard signale un problème de minutage ; un mot faux, un problème de texte.
Téléchargez le fichier .vtt
La page du film propose un bouton « Télécharger les sous-titres .vtt ». Importez-le comme piste de sous-titres sur votre lecteur ; YouTube cite le WebVTT parmi ses formats acceptés.
Besoin du même film dans d'autres langues ? Une commande de traduction crée un nouveau film par langue, narration traduite, revoisée et resous-titrée, jusqu'à 6 langues à la fois : voir la traduction vidéo et localiser une vidéo en plusieurs langues.
Exemple concret : le film en hindi de Shifa Clinic
La page « Visit Us » de Shifa Clinic réunit les informations pratiques dont un patient a besoin : l'adresse, les horaires de consultation, le tarif et un numéro pour prendre rendez-vous. Nous en avons tiré un film de 50 secondes en hindi, 107 mots prononcés, au format 16:9.
Sa première réplique s'affiche de 1,50 s à 3,87 s : « डॉक्टर के पास जाना मुश्किल है? » (« Aller chez le médecin, c'est compliqué ? »). Le fichier .vtt contient dix répliques, une par scène : l'adresse près de la Crescent Public School, les horaires du matin et du soir, le numéro de téléphone, la réservation en ligne, la consultation à ₹200 et l'appel à réserver. La dernière se termine à 45,17 s ; les secondes restantes sont la carte de fin, sans parole à sous-titrer.
Trois points à retenir :
- Chaque réplique se lit sans effort. Les dix durent de 2,4 à 6,1 secondes, toutes sous les sept secondes que Netflix fixe comme maximum pour un sous-titre. C'est la règle d'une idée par scène qui garde chaque réplique courte.
- La réplique la plus longue est le numéro de téléphone. La sixième compte sept mots et dure 6,1 secondes, parce qu'un numéro à onze chiffres se lit chiffre par chiffre ; c'est pourquoi notre minutage compte un chiffre plus cher qu'une lettre.
- Rien n'a été translittéré. Les sous-titres sont en devanagari parce que la narration a été écrite en hindi.
Le film anglais tiré de la même page dure 47 secondes, 85 mots, sept répliques.
Corriger les sous-titres après le rendu
Comme le texte des sous-titres est la narration, il n'existe que trois types de correction, chacune avec son coût.
| Problème | Que faire | Coût |
|---|---|---|
Un mot faux ou maladroit | Modifiez le texte de la scène dans l'éditeur ; la voix et le sous-titre changent ensemble | Un nouveau rendu, 40 crédits |
La voix écorche un nom | Ajoutez une prononciation (API ou MCP) : la voix dit la graphie phonétique, le sous-titre garde votre orthographe | Un nouveau rendu |
Sous-titres décalés par rapport à la voix | « Resynchroniser les sous-titres » : nouveau minutage sur la même piste voix, rien n'est réenregistré | Gratuit la première fois après un rendu |
Toutes les retouches possibles, scène par scène, sont dans corriger une vidéo sans la refaire. Les formules et le coût d'un rendu sont sur la page tarifs.
Les erreurs qui rendent les sous-titres automatiques difficiles à lire
- Deux phrases d'introduction dans une même scène. Une scène, c'est une réplique dans le fichier .vtt. Une scène qui enchaîne une accroche et une citation devient une réplique de dix secondes, trop longue pour être lue d'un bloc.
- Compter sur le fichier .vtt dans un fil social. Les réseaux lancent les vidéos sans le son et la plupart ne chargent pas de piste séparée. Gardez les sous-titres incrustés pour les réseaux ; réservez le .vtt à votre lecteur et à YouTube.
- Une marque que la voix prononce mal. Corrigez la prononciation, pas l'orthographe : déformer le nom pour aider la voix l'affiche mal écrit à l'écran.
- Du texte ajouté dans la bande des sous-titres. Chaque scène animée laisse une bande libre en bas de l'image pour les sous-titres ; placez vos propres textes au-dessus.
Quand ne pas utiliser PageToVid pour vos sous-titres
PageToVid sous-titre les films qu'il fabrique ; il ne sous-titre pas une vidéo que vous importez telle quelle.
Vos propres enregistrements. Pour un webinaire, une interview ou un vlog, commencez par les sous-titres automatiques de YouTube : mettez la vidéo en ligne, laissez YouTube transcrire, puis corrigez le texte dans l'onglet Sous-titres de YouTube Studio. YouTube annonce des sous-titres automatiques dans plus de quatre-vingt-quinze langues, et rappelle qu'il faut les relire. Pour plus de contrôle, un logiciel de sous-titrage dédié offre une forme d'onde, des alertes de longueur de ligne et l'export SRT ou VTT.
Accessibilité réglementaire ou diffusion TV. Le sous-titrage pour sourds et malentendants exige des indications sonores et l'identification des locuteurs, absentes d'un sous-titre de narration. Passez par un prestataire de sous-titrage professionnel.
Les événements en direct. Le sous-titrage en temps réel est un autre métier : utilisez les sous-titres en direct de votre plateforme de diffusion ou un vélotypiste.
Sources
Transformez votre site en vidéo — gratuitement
Collez la page à filmer. PageToVid écrit le script, filme le vrai site, enregistre la voix et livre le MP4.
Questions fréquentes
Les sous-titres sont-ils produits par reconnaissance vocale ?
Non. Le texte des sous-titres est celui que lit la voix, il ne peut donc pas être mal entendu. Seul le minutage est calculé, à partir des pauses de l'enregistrement.
Peut-on télécharger les sous-titres dans un fichier ?
Oui. Chaque film avec sous-titres reçoit un fichier WebVTT (.vtt), téléchargeable depuis la page du film et utilisable comme piste de sous-titres sur votre lecteur ou sur YouTube.
Les sous-titres fonctionnent-ils en hindi, en arabe et dans d'autres écritures ?
Oui. Les sous-titres utilisent la langue et l'écriture de la narration, le devanagari pour l'hindi, et les langues qui s'écrivent de droite à gauche, comme l'arabe, s'affichent de droite à gauche.
Combien coûte la correction de sous-titres décalés ?
La première resynchronisation après un rendu est gratuite : elle recale les sous-titres sur la piste voix existante et relance le rendu. Une deuxième sur le même rendu coûte un rendu.
Comment nous calons les sous-titres sur une seule prise de voix
La narration d'un film PageToVid est un enregistrement continu, et chaque scène en est une tranche (voir la narration fait la durée). Le seul minutage qui décide si les sous-titres paraissent synchrones, c'est donc l'endroit où chaque scène commence dans cet enregistrement.
Nous prenions autrefois ces débuts dans un alignement forcé, un modèle qui écoute l'audio. Sur un film français de huit scènes, chaque frontière tombait environ 1,6 seconde trop tôt : le sous-titre changeait alors que la voix finissait encore la phrase précédente. La solution est venue de l'enregistrement lui-même. Un narrateur marque ses plus longues pauses entre deux paragraphes, et chaque scène est un paragraphe : un film de huit scènes a donc ses sept frontières sur les sept plus longues pauses. Chaque changement de scène est accroché à la longue pause la plus proche de son estimation.
À l'intérieur d'une scène, les mots sont découpés en un groupe par passage parlé, de préférence sur la ponctuation, puis répartis selon le temps qu'il faut pour les dire : un chiffre coûte plus qu'une lettre, car « 1976 » se prononce mille neuf cent soixante-seize. Mesuré contre une transcription de ce film français, 3 mots sur 227 étaient décalés de plus d'une demi-seconde ; en réintroduisant l'alignement, 83 l'étaient.
À l'écran, les mots arrivent par blocs de cinq au plus, et le sous-titre d'une nouvelle scène apparaît environ 150 millisecondes avant que la voix reprenne : l'œil n'est jamais en retard sur l'oreille.