Horodatage de transcription : mot par mot ou par segment, et quand choisir chacun

L’horodatage d’une transcription relie le texte au moment exact où il a été prononcé, et il existe à deux niveaux de précision. L’horodatage par segment attribue un début et une fin à chaque phrase ou groupe de mots : c’est ce dont ont besoin les sous-titres, les transcriptions à relire et les listes de chapitres. L’horodatage mot par mot donne à chaque mot son propre début et sa propre fin, ce qui ne sert que si un logiciel agit sur les mots un par un : sous-titres façon karaoké, montage par le texte, découpe précise d’extraits ou analyse de la parole.

Si vous ne développez aucune de ces fonctions, le segment est le bon choix par défaut. La suite de ce guide montre à quoi ressemble chaque type, comment ajouter des timecodes à une transcription à la main ou automatiquement, comment des outils comme Whisper calculent le timing des mots et quels formats de fichier peuvent le transporter.

Que signifie l’horodatage dans une transcription ?

Horodater, c’est insérer des timecodes dans une transcription pour qu’un lecteur puisse passer d’une ligne de texte au même instant de l’enregistrement. Un timecode s’écrit en général en heures, minutes et secondes, par exemple [00:14:32], et les fichiers de sous-titres ajoutent les millisecondes : 00:14:32.480.

Les timecodes remplissent trois fonctions. Ils permettent de vérifier une citation sur l’audio, de renvoyer à un moment précis (un chapitre, une entrée de show notes, un extrait cité dans une recherche) et de synchroniser le texte avec le son dans un lecteur ou un logiciel de montage. C’est la fonction visée qui détermine la densité d’horodatage nécessaire.

Quels sont les types d’horodatage dans une transcription ?

Quatre conventions couvrent presque toutes les transcriptions que vous croiserez. Les deux premières sont courantes dans les transcriptions saisies à la main, les deux dernières viennent des logiciels.

Les transcriptions de recherche combinent souvent les deux premiers : un timecode à chaque tour de parole, plus un à chaque minute pour les longs monologues. La page reste lisible, et la personne qui code les données retrouve n’importe quel passage en quelques secondes.

Horodatage mot par mot ou par segment : à quoi ressemble chacun

Voici une phrase au niveau du segment, sous la forme qu’utilisent tous les éditeurs de sous-titres :

00:01:22.400 --> 00:01:25.900
Les résultats ont surpris toute l’équipe.

Et le même audio au niveau du mot, tel qu’un fichier de transcription JSON classique le stocke (version abrégée) :

[
  {"word": "Les",       "start": 82.40, "end": 82.58},
  {"word": "résultats", "start": 82.61, "end": 82.98},
  {"word": "ont",       "start": 83.05, "end": 83.47},
  {"word": "surpris",   "start": 83.52, "end": 83.86},
  ...
]

La version par segment tient en une ligne qu’une personne peut lire. La version mot par mot compte sept enregistrements qu’un programme peut exploiter. Les deux décrivent les mêmes 3,5 secondes : elles diffèrent par la résolution, pas par la fidélité.

Quand l’horodatage par segment suffit-il ?

Pour la plupart des livrables qu’une personne lit ou regarde, le segment est le bon grain.

• Sous-titres classiques et sous-titres pour sourds et malentendants. Un cue est un segment : un groupe de mots affiché assez longtemps pour être lu. Le guide de style de Netflix, par exemple, fixe un minimum de cinq sixièmes de seconde et un maximum de sept secondes par sous-titre (Netflix Timed Text Style Guide). Un timing par mot n’apporte rien à un sous-titre qui respecte ces limites. Le vrai savoir-faire, ce sont les coupures de ligne et la vitesse de lecture, détaillées dans notre guide sur la longueur des lignes de sous-titres.

• Relecture et citations. Vérifier une citation dans un entretien ou une décision dans un compte rendu de réunion, c’est cliquer sur une phrase et l’écouter. La précision à la phrase suffit pour y arriver.

• Chapitres et show notes. Les chapitres YouTube exigent une liste dans la description qui commence à 00:00, compte au moins trois timecodes dans l’ordre croissant et des chapitres d’au moins 10 secondes (aide YouTube). Personne n’a besoin d’un timing au mot et à la milliseconde pour ça.

• Recherche dans un enregistrement. Une recherche qui tombe sur le bon segment vous place à quelques secondes du terme cherché ; vos oreilles font le reste.

Quand faut-il un horodatage mot par mot ?

Le timing au mot se justifie quand une fonction ne peut tout simplement pas marcher sans lui.

• Sous-titres mot par mot. Le style très répandu sur TikTok, Reels et Shorts, où chaque mot apparaît ou change de couleur au moment où il est prononcé, doit savoir quand chaque mot commence.

• Transcriptions synchronisées. Les lecteurs de podcasts et de cours qui surlignent le mot en cours pendant la lecture s’appuient sur le timing des mots.

• Montage par le texte. Supprimer une phrase dans la transcription et voir l’audio coupé au même endroit suppose un alignement mot à mot entre texte et son.

• Découpe serrée d’extraits. Les extraits automatiques qui démarrent pile sur le premier mot d’une citation, sans une demi-seconde de respiration avant, utilisent l’heure de début des mots.

• Analyse de la parole. Débit, longueur des pauses et chevauchements entre locuteurs se calculent à partir du timing des mots.

Un test simple : si vous ne pouvez pas nommer la fonction qui lira ces timecodes au mot, vous n’en avez pas besoin. Les conserver ne coûte rien dans la plupart des outils, mais les afficher aux lecteurs rend la transcription plus pénible à utiliser.

Mot par mot ou par segment : la comparaison en un coup d’œil

Comment ajouter un horodatage à une transcription

Si vous saisissez une transcription à la main, la cohérence de la convention compte davantage que la convention elle-même. Une méthode qui fonctionne :

1. Fixez le format une fois pour toutes. Utilisez [hh:mm:ss] entre crochets pour les documents. N’ajoutez les millisecondes que dans les fichiers de sous-titres, dont le format les exige.

2. Fixez le déclencheur. Un timecode à chaque changement de locuteur, à intervalle fixe (30 ou 60 secondes, c’est courant) ou les deux. Écrivez la règle en tête du document pour que les autres lecteurs sachent ce que signifie l’absence d’un timecode.

3. Relevez le temps sur le lecteur, pas de mémoire. Mettez en pause, notez la position affichée, tapez-la en début de ligne.

4. Datez aussi les trous et les passages inaudibles, par exemple [inaudible 00:12:41], pour qu’un relecteur aille droit au problème.

5. Faites un contrôle final. Sautez vers trois ou quatre timecodes et vérifiez que le texte correspond à ce que vous entendez.

Faire tout cela à la main pour une heure d’audio est long, c’est pourquoi la plupart des gens laissent désormais la reconnaissance vocale placer les timecodes et se contentent de corriger le texte. Un outil de transcription par IA vous livre une transcription horodatée où chaque segment porte son propre timecode. BlaBlaScribe fonctionne ainsi sur les fichiers importés et les liens (par exemple avec le générateur de transcription YouTube), avec une précision allant jusqu’à 99,8 % sur un audio clair, et exporte en SRT, VTT, DOCX, TXT, JSON et d’autres formats. Ce n’est pas un bot de réunion : il ne rejoint pas les appels en direct, et il n’a pas d’API publique. Si vous devez injecter des tableaux de mots dans votre propre logiciel, une API de reconnaissance vocale pour développeurs conviendra mieux.

Comment fonctionne l’horodatage des mots dans Whisper ?

Un modèle de reconnaissance vocale n’entend pas un mot à un instant unique. Il évalue l’audio par courtes trames et produit des tokens de texte au fur et à mesure que les indices s’accumulent. Le timing des mots vient de la mise en correspondance de ces tokens avec les trames, une étape qu’on appelle l’alignement. Deux méthodes dominent.

• À partir de l’attention du modèle lui-même. Whisper, le modèle open source d’OpenAI, propose une option word_timestamps qui, selon son code source, extrait des timecodes au niveau du mot « using the cross-attention pattern and dynamic time warping » (Whisper, transcribe.py). L’aide en ligne de commande qualifie toujours cette option d’expérimentale. Une fois activée, elle permet aussi à Whisper de souligner chaque mot au moment où il est prononcé dans ses sorties SRT et VTT.

• L’alignement forcé, en seconde passe. Un modèle distinct prend le texte final et l’audio, puis cherche la meilleure correspondance entre les deux, phonème par phonème. C’est la voie de WhisperX, qui combine détection d’activité vocale et alignement forcé des phonèmes ; ses auteurs notent que les timecodes d’énoncés de Whisper sont sujets à des imprécisions et que l’horodatage au mot n’y est pas disponible d’emblée (Bain et al., WhisperX, 2023).

Les API commerciales exposent la même idée sous forme d’option de requête. Google Cloud Speech-to-Text, par exemple, renvoie le début et la fin de chaque mot quand enableWordTimeOffsets vaut true, par pas de 100 ms (documentation Google Cloud). Cette granularité suffit pour surligner des mots, mais elle est trop grossière pour un montage audio à l’image près sans vérification.

Pourquoi les timecodes de Whisper sont-ils parfois imprécis ?

Les causes habituelles sont celles qui dégradent la précision de la transcription en général. La parole enchaînée brouille les frontières entre les mots (« j’sais pas », « chuis »), des locuteurs qui se coupent se disputent le même passage audio, la musique et le bruit estompent les attaques, et les longs silences ou un texte halluciné peuvent décaler les segments suivants. Sur un audio difficile, le timing est en général à peu près juste au mot et fiable à la phrase. Si les timecodes dérivent, nettoyez d’abord l’audio, découpez les fichiers très longs et utilisez un outil qui effectue une vraie passe d’alignement. Pour comprendre ce qui se passe sous le capot, lisez comment fonctionne réellement la reconnaissance vocale et notre comparatif Whisper face aux outils de transcription payants.

Quels formats de fichier peuvent contenir un horodatage mot par mot ?

• SRT ne connaît que le segment. Chaque cue a un début, une fin et un bloc de texte ; aucun champ ne prévoit de timing par mot.

• WebVTT utilise des cues par segment comme le SRT, mais la spécification WebVTT du W3C autorise aussi des timecodes à l’intérieur du texte du cue, par exemple <00:01:22.610>résultats. Chacun doit être postérieur au précédent et compris entre le début et la fin du cue. C’est la manière standard d’exprimer un timing karaoké dans un fichier de sous-titres, même si tous les lecteurs ne l’affichent pas. Les compromis entre les deux formats sont détaillés dans SRT ou VTT.

• Les transcriptions JSON sont l’endroit naturel des données au mot : des tableaux avec le mot, son début, sa fin et souvent un score de confiance, lus par les logiciels de montage, les outils de découpe et les scripts d’analyse.

• DOCX et TXT portent au mieux un horodatage par segment ou par tour de parole. Plus fin que ça, une page faite pour être lue devient du bruit.

En pratique : si le livrable est un fichier qu’une personne ouvre, c’est le timing par segment qui doit y figurer. Si le livrable est une donnée qu’un autre programme consomme, le timing au mot peut valoir la peine d’être conservé.

Lequel choisir ?

1. Transcriptions, notes, citations, chapitres, sous-titres classiques : par segment. Exportez en SRT ou VTT pour la vidéo, en DOCX ou TXT pour la lecture.

2. Sous-titres animés pour les vidéos courtes : mot par mot, mais vous le manipulez rarement vous-même. Un outil comme Word-by-Word Captions utilise le timing des mots en interne pour créer des sous-titres qui s’allument à chaque mot prononcé (un MP4 complet avec sous-titres incrustés et sans filigrane nécessite une offre payante).

3. Lecteur synchronisé sur un site web : mot par mot, affiché par un lecteur comme le Podcast Transcript Player, qui surligne chaque mot pendant la lecture de l’épisode.

4. Votre propre logiciel de montage, de découpe ou d’analyse : du JSON au mot issu d’une API ou d’un aligneur comme WhisperX, vérifié sur un échantillon avant de vous y fier.

Questions fréquentes

Quelle est la différence entre l’horodatage mot par mot et l’horodatage par segment ?

L’horodatage par segment attribue un seul début et une seule fin à toute une phrase ou un groupe de mots, tandis que l’horodatage mot par mot donne un début et une fin à chaque mot. Les segments conviennent aux sous-titres et aux transcriptions à lire ; les mots servent aux fonctions logicielles comme les sous-titres animés et le montage par le texte.

L’horodatage mot par mot est-il plus précis ?

Il est plus fin, pas plus exact. Un bon timecode de segment est tout aussi fiable pour retrouver un moment, et le timing des mots sur une parole bruitée ou superposée est souvent approximatif.

Faut-il un horodatage mot par mot pour des sous-titres ?

Non. Les cues SRT et VTT sont des segments par nature. L’exception, ce sont les sous-titres mot par mot des vidéos courtes, que les outils génèrent à partir d’un timing des mots interne.

Comment obtenir l’horodatage des mots avec Whisper ?

Passez word_timestamps=True en Python ou --word_timestamps True en ligne de commande ; Whisper associe alors un début et une fin à chaque mot de chaque segment. La fonction est signalée comme expérimentale, et WhisperX ajoute un alignement forcé quand il vous faut un timing plus serré.

À quelle fréquence placer des timecodes dans une transcription ?

Pour une transcription destinée à la lecture, la convention courante est un timecode à chaque changement de locuteur, ou toutes les 30 à 60 secondes pour les longs monologues. Les fichiers de sous-titres horodatent automatiquement chaque cue.

Un fichier VTT peut-il contenir un timing au mot ?

Oui. La spécification WebVTT autorise des timecodes à l’intérieur du texte du cue, comme <00:01:22.610> devant un mot, que les lecteurs peuvent utiliser pour un surlignage façon karaoké. Le SRT n’a pas d’équivalent.