MP3 vers texte Gratuit et précis

La plupart des outils de transcription « gratuits » limitent l’utilisation à quelques minutes par jour ou apposent un filigrane sur le résultat jusqu’à ce que vous payiez. ScribeGrab fonctionne sur notre propre GPU, il n’y a donc pas de frais d’utilisation du cloud par minute ni de limite quotidienne : fichiers individuels allant jusqu’à 60 minutes et 1,5 Go, environ 100 langues détectées automatiquement, et votre fichier est supprimé dès qu’il est traité.

Le format MP3 est celui dans lequel la plupart des enregistrements se terminent, ScribeGrab le lit donc directement, sans conversion préalable. Vous avez un autre type de fichier ? WAV, M4A, FLAC, OGG, AAC et les fichiers vidéo courants fonctionnent tous de la même manière. Consultez la section générale Conversion de la voix en texte prend également en charge les mémos vocaux enregistrés sur téléphone. conversion audio en texte pour obtenir la liste complète.

1. Ouvrez ScribeGrab et cliquez sur « Ouvrir l’outil ».
2. Faites glisser votre fichier MP3 (jusqu’à 60 minutes / 1,5 Go).
3. Laissez notre modèle de reconnaissance vocale le transcrire sur notre GPU.
4. Téléchargez la transcription au format TXT, ainsi que SRT/VTT si vous souhaitez des sous-titres.

La première chose que les gens demandent à propos d’un fichier MP3, c’est s’il a une qualité suffisante pour être transcrit. Presque toujours, oui. La reconnaissance vocale n’écoute pas comme vous : l’audio est rééchantillonné en mono 16 kHz avant même que le modèle ne le voie, car c’est là que se trouve l’information contenue dans la parole humaine. Un fichier stéréo de 320 kbps et un fichier mono de 128 kbps aboutissent à peu près au même résultat, et même les enregistrements vocaux de 64 kbps sont généralement bien transcrits. Le débit binaire n’est pas le problème sur lequel il faut se concentrer.

Ce qui détermine réellement la précision est l’enregistrement lui-même, et dans l’ordre approximatif d’importance : la distance par rapport au microphone (un téléphone posé sur une table à deux mètres de distance entraîne plus de pertes qu’aucun codec) les chevauchements de paroles, une forte réverbération dans une pièce nue avec des murs parallèles, et un bruit de fond constant comme la climatisation, le trafic ou le ventilateur d’un ordinateur portable. Un enregistrement à 96 kbps réalisé avec un microphone rapproché est toujours meilleur qu’un enregistrement sans perte réalisé avec un microphone éloigné.

Cela signifie que les améliorations utiles sont celles que vous apportez avant l’enregistrement, et non après. Rapprochez l’enregistreur de la personne qui parle. Si deux personnes parlent, placez-le entre elles plutôt que devant l’une d’elles. Éteignez le ventilateur. Et si vous avez déjà le fichier et qu’il est de mauvaise qualité, transcrivez-le quand même : c’est gratuit, cela prend quelques minutes, et vous en apprendrez davantage en lisant le résultat qu’en essayant de deviner s’il vaut la peine d’essayer.

Le MP3 est le format auquel les gens font référence lorsqu’ils parlent de « fichier audio », mais ce n’est pas toujours la seule copie dont vous disposez, et parfois un autre format est préférable. Si vous en avez plusieurs, utilisez la liste ci-dessous.

• WAV ou FLAC — non compressé ou compressé sans perte de qualité. Utilisez ces formats si vous les avez ; ils sont plus volumineux, mais aucune information n’a été supprimée. Le format FLAC est environ deux fois moins volumineux que le WAV pour un son identique.
• M4A / AAC — c’est le format utilisé par les mémos vocaux de l’iPhone et la plupart des enregistreurs modernes. Il est légèrement plus efficace que le MP3 au même débit binaire. Téléchargez directement, aucune conversion n’est nécessaire.
• MP3 — universel, et convient parfaitement à tout débit binaire supérieur à 64 kbps pour la parole.
• OGG / Opus — c’est le format utilisé par les notes vocales de WhatsApp et les enregistrements Discord. Il est excellent aux faibles débits binaires. Téléchargez tel quel.
• MP4, MOV, MKV, WebM — fichiers vidéo. Inutile d’extraire l’audio au préalable ; la piste audio est extraite côté serveur.

Convertir un fichier MP3 en WAV avant de le télécharger ne sert à rien, si ce n’est pour augmenter sa taille, car les informations supprimées par le MP3 ne sont pas restaurées. Omettez cette étape. Les fichiers d’une durée maximale de 60 minutes sont traités en une seule fois, et vous obtenez un fichier texte brut ainsi que des fichiers SRT et VTT de sous-titres issus de la même opération, que la source soit audio ou vidéo.

Un seul fichier MP3 en entrée, trois fichiers en sortie, tous issus de la même opération : choisissez celui qui correspond le mieux à vos besoins :

• transcript.txt — texte brut, une phrase par ligne. C'est le format idéal pour la lecture, la recherche, l’insertion de citations ou le copier-coller dans un document.
• subtitles.srt — les mêmes mots avec des codes horaires de début et de fin, dans un format accepté par presque toutes les plateformes vidéo et tous les logiciels de montage. Utile même pour l’audio seul : c’est ainsi que vous pouvez trouver où dans un enregistrement de deux heures, quelque chose a été dit.
• subtitles.vtt — la version optimisée pour le web du même format, pour un lecteur HTML5 ou un éditeur en ligne.

Lorsqu’il y a plusieurs personnes qui parlent, la transcription inclut également des étiquettes d’orateurElles sont déterminées à partir des voix elles-mêmes : l’outil mesure les caractéristiques de chaque segment parlé et regroupe ceux qui se ressemblent, ce n’est donc qu’une estimation éclairée plutôt qu’une certitude. Deux personnes ayant des voix similaires peuvent finir par être regroupées, et une personne qui s’approche ou s’éloigne du microphone peut être divisée en deux. Considérez ces étiquettes comme une première ébauche que vous corrigerez rapidement, et non comme une transcription précise de ce que chacun a dit au tribunal.

Une transcription n’est jamais prête à être publiée telle quelle, quel que soit l’outil utilisé pour la créer. En effectuant les corrections dans cet ordre, vous gagnerez beaucoup de temps :

1. Commencez par corriger les noms propres à l’aide d’une fonction de recherche et remplacement. Les noms, les entreprises, les lieux et le jargon sont ce que les modèles vocaux ont le plus de mal à gérer, et ils se trompent souvent systématiquement — le même nom est mal interprété de la même manière à chaque fois. Une seule modification globale par nom corrige vingt occurrences.
2. Ensuite, relisez pour identifier les limites des phrases. La ponctuation est déduite des pauses et de l’intonation ; ainsi, un locuteur qui s’interrompt se verra attribuer un point à un endroit inhabituel. Il s’agit d’une relecture rapide, pas d’une réécriture.
3. Corrigez ensuite les étiquettes des locuteursUne fois que vous connaissez les noms, faites-le avant de commencer à modifier le texte, tant que la structure correspond encore à l’audio.
4. Ensuite seulement, effectuez une édition pour améliorer la lisibilitésupprimez les mots inutiles, raccourcissez les répétitions, coupez les faux départs. Faites-le en dernier, car chaque étape précédente est plus facile avec un texte intégral.

Deux choses vous feront gagner plus de temps que tout ce qui précède. Gardez le fichier SRT ouvert à côté du texte : lorsqu’un passage semble confus, le code temporel vous amène directement à cette seconde dans l’audio afin que vous puissiez écouter au lieu de deviner. Et si vous enregistrez vous-même l’audio, placez le microphone près du locuteur : un téléphone posé sur la table à une distance d’un bras réduit la précision plus que n’importe quel réglage ne peut compenser, et c’est la seule variable entièrement sous votre contrôle.