Transcrire une vidéo

Non. Le modèle vocal est téléchargé dans votre navigateur et la transcription se fait sur votre propre machine — l'enregistrement ne nous est pas envoyé, ni à personne d'autre. Vous pouvez couper la connexion une fois le modèle chargé, cela continue de fonctionner.

Oui, et il le demande au modèle vocal lui-même — le modèle qui transcrit identifie aussi les langues. Sur l'enregistrement néerlandais qui nous sert de test, il a annoncé le néerlandais avec 96 % de confiance. La langue retenue apparaît dans la liste dès qu'elle est connue : vous voyez qu'elle est juste, ou vous arrêtez en quelques secondes. Si vous connaissez la langue, l'indiquer vous-même reste le plus sûr.

Cela dépend du réglage de qualité et de votre ordinateur, et chaque réglage indique à peu près combien de temps prend une minute d'enregistrement. L'outil utilise la puce graphique quand le navigateur en propose une, et sinon il calcule sur tous les cœurs du processeur à la fois. Sur l'ordinateur de bureau que nous avons mesuré, une vidéo de dix minutes a pris environ une minute et demie en Meilleure avec la puce graphique, et environ deux minutes et demie en Bonne sans elle. La meilleure prend à peu près la durée de l'enregistrement. Pendant le traitement, l'estimation s'affine parce qu'elle mesure votre machine au lieu de deviner.

Plus de vingt : français, anglais, danois, néerlandais, allemand, espagnol, italien, polonais, finnois, suédois, norvégien, portugais, russe, ukrainien, turc, arabe, hindi, japonais, coréen et chinois, entre autres. Choisissez-en une avant de lancer, ou laissez la langue être déduite du son — voir plus bas.

Vers l'anglais oui, une option est prévue. Le modèle sait écrire ce qu'il entend ou le traduire en anglais, et aucune autre combinaison. Français vers allemand n'est pas à sa portée, et nous préférons ne pas le proposer plutôt que de le proposer mal.

Tout ce que votre navigateur sait lire : MP4, MOV, WebM, MKV et AVI pour la vidéo, MP3, M4A, WAV, FLAC, OGG et Opus pour l'audio. Il extrait lui-même le son de la vidéo, inutile de le séparer au préalable.

Texte brut, Word (.docx), PDF, Markdown, CSV pour un tableur, JSON, ainsi que des sous-titres SRT ou VTT. Les formats document peuvent porter un horodatage par paragraphe, et les fichiers de sous-titres portent les temps qu'attend un lecteur vidéo.

Bonne, et honnête sur le fait de n'être pas parfaite. Sur un entretien néerlandais de neuf minutes, elle rejoignait presque mot pour mot un logiciel de bureau ; ce qu'elle rate, ce sont surtout les noms propres, là où la reconnaissance vocale est généralement la plus faible. Relisez avant de vous y fier.

Vingt minutes par fichier. C'est une limite de mémoire plutôt qu'une règle — l'audio décodé occupe la mémoire de votre navigateur, et au-delà de vingt minutes un onglet joue avec votre machine. Découpez d'abord un long enregistrement avec notre rogneur audio.

Il télécharge le modèle vocal une seule fois. Sa taille dépend du réglage et de la présence d'une puce graphique : d'environ 80 Mo pour Rapide à environ 1,6 Go pour La meilleure. Avec une puce graphique, il récupère des versions conçues pour la puce ; sans, des versions conçues pour le processeur. Le navigateur conserve le modèle, donc le fichier suivant démarre tout de suite.

Rapide, Bonne et Meilleure, ainsi que le modèle qui traduit en anglais, sont téléchargés depuis Hugging Face, le dépôt public où ils sont publiés. La meilleure est notre propre version pour navigateur de Whisper large-v3, car personne n'en publie, et elle vient de notre propre serveur de fichiers. Ces téléchargements sont les seules requêtes de l'outil, et ils vont dans un seul sens : les fichiers descendent, rien ne monte. Votre enregistrement n'en fait jamais partie — il est confié au modèle dans votre propre navigateur et ne touche jamais le réseau. Tout le reste, y compris le code qui fait tourner le modèle, est servi par helpyself.com.

Aucun cookie, et rien de votre enregistrement ni de votre transcription. Le site retient quelques préférences générales — votre thème, si vous êtes connecté — et cet outil ajoute une seule chose : le modèle vocal, conservé dans le stockage du navigateur pour que le fichier suivant démarre tout de suite, un par réglage utilisé. C'est le téléchargement décrit plus haut, entre environ 80 Mo et 1,6 Go, et il reste jusqu'à ce que vous effaciez les données de ce site dans le navigateur, ce qui le supprime entièrement.

Parce qu'une partie de l'enregistrement n'était pas de la parole. La musique, les applaudissements, une note tenue ou une pièce avec un ventilateur enferment n'importe quel modèle vocal dans une boucle — il écrit la même phrase encore et encore, avec aisance et dans la bonne langue, sans que rien n'indique qu'elle est inventée. Le passage est alors redécodé plusieurs fois avec un peu d'aléa ; si la boucle persiste, il est omis et le résumé le signale. Un trou visible vaut mieux qu'un paragraphe de dialogue jamais prononcé.

L'outil choisit Meilleure sur un ordinateur doté d'une puce graphique et Bonne sans, et c'est généralement le bon choix. Passez de Bonne à Meilleure quand l'audio est difficile — un accent, une pièce bruyante, plusieurs personnes ou du chant. L'écart est réel et mesuré sur des chansons, le cas le plus dur : sur trois titres aux paroles connues, Meilleure a retrouvé 47 %, 57 % et 100 % des mots distinctifs, contre 33 %, 40 % et 83 % pour Bonne. La meilleure est la plus précise et la plus lente, pour quand chaque mot compte. Rapide donne un brouillon approximatif.