Transcription vidéo : importez le fichier, recevez le texte horodaté

Transcription vidéo : c’est la piste son qui est lue, pas l’image

Une transcription vidéo est une reconnaissance vocale appliquée à la piste son d’une vidéo : ffmpeg, l’outil multimédia open source, copie la première piste audio du fichier en laissant l’image de côté, la convertit en MP3 16 kHz mono et la confie au modèle Whisper d’OpenAI ; le codec de l’image, H.264 ou HEVC, n’entre donc pas en jeu.

• L’image est ignorée. Les diapositives, les sous-titres incrustés et tout autre texte à l’écran ne sont pas lus ; seul ce qui est dit entre dans la transcription.
• Pas de son, pas de texte. Un enregistrement d’écran sans micro ni son système est refusé avec le message « Ce fichier ne contient pas de son. »
• Une seule piste. Si un clip contient plusieurs pistes audio, un film avec deux doublages par exemple, c’est la première qui est utilisée.
• Trop lourd ? Importez seulement le son : QuickTime Player enregistre aussi un clip en audio seul, et le M4A obtenu se transcrit comme un mémo vocal. Le texte reste identique, l’envoi ne pèse plus qu’une fraction de la vidéo.

Le chemin étant le même, une minute de vidéo coûte autant qu’une minute d’audio, et pour transformer un enregistrement audio en texte, donc un son seul, on suit exactement cette route.

Transcrire un fichier vidéo en quatre étapes

Quatre étapes mènent un clip de votre ordinateur ou de votre téléphone jusqu’à une transcription téléchargeable, et il n’en faut pas plus : rien à installer, pas de retour en arrière pour noter ce qui a été dit.

1. Choisissez la vidéo. Déposez un fichier MP4, MOV, MKV, WEBM ou d’un autre format dans la zone d’import, ou cliquez dessus pour le sélectionner. Votre navigateur vérifie le type et la taille avant tout envoi.
2. Lancez la transcription. Le premier enregistrement d’un invité démarre tout de suite et gratuitement : en entier jusqu’à 10 minutes, les 10 premières minutes s’il est plus long. Une fois connecté, vous voyez combien de minutes le fichier va consommer, et rien ne tourne avant votre clic sur « Transcrire ».
3. Regardez et lisez côte à côte. Le clip est lu depuis votre propre appareil, à côté de la transcription ; un clic sur un horodatage amène le lecteur à ce moment.
4. Téléchargez le texte ou les sous-titres. Enregistrez un TXT ou un Markdown pour lire et retoucher, un SRT ou un VTT comme sous-titres.

La reconnaissance vocale tourne sur notre serveur, si bien que la page ne demande ni extension ni application de bureau. Un long enregistrement affiche sa progression en minutes traitées : pour un webinaire de 90 minutes, vous voyez où en est le travail au lieu de fixer une icône de chargement. Sur un écran plus large, vous pouvez ouvrir l’espace de travail avec votre fichier, où le lecteur, la transcription et les outils IA sont côte à côte.

Formats vidéo et limites de taille

Pour passer une vidéo en texte, le site accepte les conteneurs des téléphones, des caméras, des applications de réunion et des enregistreurs d’écran ; seules la taille et la durée ont une limite stricte.

La taille et la durée dépendent de la connexion :

• Sans compte : fichiers jusqu’à 100 Mo ; le premier enregistrement est transcrit gratuitement, en entier jusqu’à 10 minutes, puis viennent de courts extraits gratuits.
• Après connexion : fichiers jusqu’à 500 Mo et jusqu’à 4 heures.
• Au-delà de 4 heures, découpez d’abord l’enregistrement en plusieurs parties.

L’image pèse bien plus que la parole : une heure d’enregistrement d’écran en 1080p peut dépasser la limite de 500 Mo, quand la même heure de son occupe quelques dizaines de mégaoctets. L’extension n’est qu’un premier contrôle ; le serveur lit le conteneur réel avec ffprobe et refuse tout ce qui n’est pas un média, avant l’affichage d’un prix.

Quelles vidéos se transcrivent bien

Les vidéos se transcrivent le mieux quand une personne parle face caméra, dans un cours, une interview, un webinaire ou un enregistrement d’écran commenté, parce qu’une voix claire parle alors près du micro.

• Bien : un micro-cravate ou un casque, une pièce calme, une seule personne qui parle à la fois.
• Moins bien : une musique sous la voix, le bruit d’un public, des personnes qui se coupent la parole, le vent sur un téléphone filmant en extérieur.
• Clips musicaux : les paroles chantées ressortent moins nettes que la parole.

OpenAI a entraîné Whisper sur 680 000 heures d’audio collectées sur le web, comme le décrit l’article « Robust Speech Recognition via Large-Scale Weak Supervision » publié en 2022 ; les accents et la langue familière entrent donc dans ce pour quoi le modèle a été conçu, alors que les voix qui se chevauchent et la musique sous la parole restent les sources d’erreur habituelles. Nous ne publions pas de taux de précision en pourcentage : il dépend bien plus de l’enregistrement que du logiciel. Votre premier enregistrement gratuit sert de test honnête sur vos propres images, et l’horodatage à côté d’une ligne déformée vous amène directement au passage à réécouter.

Exemple de transcription vidéo

Une transcription vidéo revient sous forme d’une ligne par phrase prononcée, et chaque ligne commence par la minute et la seconde où cette phrase débute.

Texte d’exemple au format TXT exact, pas un vrai enregistrement :

[0:00] Bonjour à tous, voici la démo produit du nouveau tableau de bord.
[0:06] À gauche, vous voyez les filtres que nous avons ajoutés la semaine dernière.
[0:13] J’ouvre le rapport des ventes, puisque c’est lui qui a suscité le plus de questions.
[0:21] Comme vous le voyez, les totaux se mettent à jour sans recharger la page.

La ponctuation et les majuscules viennent de Whisper, et la langue parlée est détectée seule : aucun réglage à faire avant le démarrage. Après la première heure, l’horodatage gagne un champ pour les heures, comme [1:04:10]. Chaque horodatage marque le début d’une phrase, pas celui de chaque mot.

Après la transcription : sous-titres, export, IA

Une transcription vidéo terminée se télécharge dans quatre formats, compris dans le prix, dont deux sont des fichiers de sous-titres.

• TXT et Markdown pour lire, prendre des notes et retoucher, avec ou sans les repères [m:ss].
• SRT pour Premiere Pro, DaVinci Resolve et YouTube Studio ; VTT pour les lecteurs HTML5.

Le même envoi permet de générer des sous-titres SRT depuis la vidéo, avec les heures de début et de fin issues de la reconnaissance, en un seul passage. Pour convertir ces sous-titres ou retirer les minutages, il existe des convertisseurs de sous-titres qui tournent dans votre navigateur, pour SRT, VTT et texte brut.

Les actions IA partent de la transcription terminée : résumé, notes détaillées, moments clés, chapitres et minutages, article, post pour réseaux, un Pro Transcript nettoyé, chat sur l’enregistrement ou prompt personnalisé. Elles sont comprises dans l’enregistrement transcrit, sans seconde facturation : ce sont les minutes de reconnaissance vocale qui se paient, pas chaque bouton.

Transcription vidéo gratuite, et quand les minutes entrent en jeu

Votre premier enregistrement est gratuit sans compte, en entier jusqu’à 10 minutes et les 10 premières minutes s’il est plus long ; ensuite, un fichier complet coûte une minute de solde par minute d’enregistrement, à partir de $0.033 la minute.

Concrètement, le cadeau couvre un enregistrement d’écran de 10 minutes ou une courte interview. Un cours de 75 minutes demande un pack en plus, et la page le dit avant tout débit. Le « premier enregistrement » n’existe qu’une fois par invité : une vidéo YouTube sans sous-titres déjà transcrite compte aussi comme cet enregistrement.

Une vidéo déjà sur YouTube doit-elle être importée ?

Non : la plupart des vidéos YouTube ont des sous-titres, et leur texte se lit directement, sans import ni reconnaissance vocale.

Le texte gratuit d’une vidéo YouTube sous-titrée vient de la piste de sous-titres, sans inscription et sans limite, et les analyses IA sur ce texte sont gratuites elles aussi. La reconnaissance vocale, et donc les minutes, n’intervient que lorsqu’aucun texte n’existe au départ : pour votre propre fichier, ou pour une vidéo YouTube sans sous-titres.

Où va votre vidéo

Seul le texte reste quand vous transcrivez une vidéo ici : le fichier vidéo lui-même est supprimé de notre serveur dès que son son a été extrait.

• Le son extrait part chez Whisper d’OpenAI pour la reconnaissance ; ses morceaux sont supprimés dès que la transcription est prête.
• Sans compte, la transcription n’est pas enregistrée sur le serveur : il la garde environ une heure, le temps que la page la récupère, puis elle ne vit plus que dans votre navigateur.
• Un envoi qui ne démarre jamais, pendant une recharge de minutes par exemple, est supprimé au bout d’une heure environ.
• Après connexion, la transcription est enregistrée dans votre compte.
• Le lecteur joue le clip depuis votre propre appareil. Après un rechargement de la page, choisissez-le de nouveau pour le regarder ; le texte est déjà enregistré.
• Quand vous choisissez un fichier sur cette page, votre navigateur en garde une copie temporaire pour la transmettre à l’espace de travail, puis la supprime dès qu’elle est reprise, au plus tard au bout d’une heure.

Toutes les règles se trouvent dans notre politique de confidentialité.

Ce que la transcription vidéo ne fait pas

Le texte affiché à l’écran échappe à cette transcription vidéo : elle convertit la parole en texte et ne lit pas l’image.

• Pas d’identification des intervenants ; un seul flux de lignes horodatées.
• Pas de sous-titres incrustés dans l’image ; vous recevez des fichiers SRT ou VTT pour le logiciel de montage ou le lecteur.
• Pas de lecture des pistes de sous-titres déjà présentes dans un MKV ou un MP4 ; le texte naît de la parole.
• Pas de liens Google Drive, Dropbox, Vimeo ou TikTok : téléchargez d’abord le clip sur votre appareil.
• Les fichiers de plus de 500 Mo ou de plus de 4 heures sont refusés ; importez seulement le son ou découpez l’enregistrement.
• Seule la première piste audio est utilisée.

Ce qui est garanti quand vous voulez convertir votre propre vidéo en texte : le prix s’affiche avant le démarrage, les minutes ne sont débitées qu’après une transcription réussie, et l’export de la transcription terminée est inclus.

Guides par format et par tâche : MP4 to text · MP4 to SRT

Questions fréquentes

Peut-on transcrire une vidéo gratuitement ?

Oui, votre premier enregistrement : sans compte, il est transcrit gratuitement, en entier jusqu’à 10 minutes, les 10 premières minutes s’il est plus long. Ensuite, un invité reçoit un court extrait gratuit ; le fichier complet consomme des minutes de votre solde, et l’inscription vous en offre 10.

Faut-il un compte ?

Non pour le premier enregistrement et pour les courts extraits gratuits. Oui pour les fichiers complets ensuite : la connexion passe par un lien envoyé par e-mail, sans mot de passe à créer.

Quels formats vidéo et quelles tailles de fichier puis-je importer ?

MP4, MOV, MKV, WEBM, AVI, MPEG, TS et WMV, ainsi que des fichiers audio comme MP3, M4A et WAV. Jusqu’à 100 Mo sans compte ; jusqu’à 500 Mo et 4 heures après connexion.

Ma vidéo dépasse la limite. Que faire ?

Importez seulement le son. Exportez la piste audio, en M4A depuis QuickTime Player par exemple, et importez-la : la transcription est la même, puisque seul le son est reconnu, et l’envoi ne pèse qu’une fraction de la vidéo.

Ma vidéo est-elle conservée sur votre serveur ?

Non. La vidéo est supprimée du serveur dès que son son est extrait, ou au bout d’une heure environ si la transcription ne démarre jamais ; les morceaux audio sont supprimés après la reconnaissance. Le texte reste dans votre navigateur ou, si vous êtes connecté, dans votre compte.

La transcription lit-elle le texte à l’écran ou les sous-titres incrustés ?

Non. Seule la parole devient du texte. Les diapositives, les sous-titres incrustés dans l’image et tout autre texte à l’écran ne sont pas lus.

Distingue-t-elle les intervenants ?

Non. Il n’y a pas d’étiquette de locuteur : la transcription est un seul flux de lignes horodatées, quelle que soit la personne qui parle.