Glossaire des termes de transcription et de sous-titrage

Quels termes décrivent le passage de la parole au texte ?

La reconnaissance automatique de la parole (ASR, pour Automatic Speech Recognition) est la technologie qui transforme la voix enregistrée en texte écrit. Au quotidien, on parle plutôt de conversion parole-texte (speech-to-text). La transcription désigne le travail dans son ensemble. Le document écrit final est aussi appelé transcription : il reprend les mots reconnus et y ajoute souvent le nom des locuteurs, le minutage et la ponctuation.

Un modèle est le programme entraîné qui assure la reconnaissance. Il apprend à partir de données d'entraînement, c'est-à-dire d'un ensemble d'enregistrements et de textes. Le modèle acoustique fait le lien entre les sons et les unités de parole. Le modèle de langage calcule quant à lui la probabilité qu'une suite de mots apparaisse, ce qui aide le système à choisir une phrase logique plutôt qu'une tournure bizarre. Aujourd'hui, les systèmes regroupent souvent ces deux rôles dans un seul modèle.

Le décodage consiste à chercher la suite de mots la plus probable pour un extrait sonore donné. L'indice de confiance (confidence score) est une note que le système attribue à sa propre estimation. C'est un indice, mais pas une garantie. On parle d'hallucination quand l'outil génère un passage fluide qui n'a jamais été prononcé dans l'audio. Cela peut arriver pendant un blanc ou si le son est mauvais, et c'est l'une des raisons pour lesquelles il faut toujours relire un texte issu d'une transcription automatique.

Quels termes décrivent la précision ?

Le taux d'erreur par mot (WER, pour Word Error Rate) compare une transcription à un texte de référence. On additionne les mots remplacés, oubliés ou ajoutés, puis on divise ce total par le nombre de mots de la référence. Une substitution est un mot faux mis à la place du bon. Une suppression est un mot oublié, et une insertion est un mot ajouté en trop. Le taux d'erreur par caractère (CER, pour Character Error Rate) reprend le même calcul à l'échelle des caractères. On l'utilise pour les langues et les écritures où la séparation entre les mots n'est pas nette.

La transcription de référence est le texte exact, vérifié au préalable, qui sert de mètre étalon. Avant de compter les erreurs, on passe par la normalisation pour comparer les deux textes sur une base équitable : on retire par exemple la ponctuation, on écrit les nombres de la même façon et on unifie l'orthographe. Un score WER ne veut rien dire si l'on ne connaît pas sa transcription de référence, ses règles de normalisation et l'enregistrement utilisé pour le test.

Le WER donne le même poids à chaque mot. Oublier un petit mot comme « le » compte donc autant que d'écorcher un nom de famille. C'est pour cette raison que beaucoup d'utilisateurs vérifient à part les noms propres, les nombres et le vocabulaire technique. Nous ne donnons aucun pourcentage ici, car les résultats dépendent de la qualité du son et de la langue.

Quels termes décrivent les locuteurs ?

La diarisation consiste à repérer qui parle et à quel moment. Elle découpe l'enregistrement en tours de parole par intervenant, sans chercher à reconnaître les mots prononcés. Une étiquette de locuteur (speaker label) est le repère accolé à une prise de parole, comme « Locuteur 1 » ou le nom d'une personne. Un tour de parole correspond au moment où une même personne parle sans être interrompue.

On parle de chevauchement de parole (overlapping speech) quand au moins deux personnes parlent en même temps. Cette situation complique aussi bien la reconnaissance des mots que la diarisation. La détection d'activité vocale (VAD, pour Voice Activity Detection) repère les passages où quelqu'un parle et ignore les silences ou le bruit. Enfin, le taux d'erreur de diarisation (DER, pour Diarization Error Rate) mesure le temps attribué au mauvais intervenant, oublié ou détecté à tort.

Quels termes décrivent les langues et la traduction ?

L'identification de la langue permet de détecter dans quelle langue on parle. L'alternance codique (code-switching) désigne le fait de passer d'une langue à une autre au cours d'une discussion ou au milieu d'une phrase, par exemple en mélangeant l'hébreu et l'anglais. Un dialecte est une variante régionale ou sociale d'une langue. Par exemple, l'arabe standard moderne est la langue formelle utilisée à l'écrit et dans les médias, alors que l'arabe parlé au quotidien relève surtout du dialecte.

La translittération retranscrit les sons d'un mot dans un autre alphabet, comme lorsqu'on écrit un nom arabe avec des lettres hébraïques. La traduction, elle, transpose le sens d'une langue à l'autre. Une langue écrite de droite à gauche (RTL, pour Right-to-Left), comme l'hébreu ou l'arabe, se lit et s'écrit de la droite vers la gauche. Cela influence l'affichage des sous-titres et des documents dès que le texte contient aussi des mots en anglais ou des chiffres.

KolWrite transcrit dans plus de 100 langues, gère les passages qui mêlent plusieurs langues comme l'hébreu et l'anglais, et traduit d'une langue prise en charge à une autre.

Quels termes décrivent le minutage et le style de rédaction ?

Un horodatage (timestamp) indique à quel moment un passage a été dit, à partir du début du fichier. Un timecode est un repère standard qui désigne une image précise dans une vidéo, exprimé d'habitude en heures, minutes, secondes et images. L'horodatage mot à mot donne une heure de début et de fin pour chaque mot pris séparément. L'alignement forcé (forced alignment) est la technique qui consiste à caler un texte déjà connu sur la bande-son pour trouver ces repères temporels exacts.

Une transcription verbatim conserve absolument tout ce qui a été dit, y compris les tics de langage, les phrases interrompues et les répétitions. Le verbatim épuré (clean verbatim), qu'on appelle parfois verbatim intelligent, gomme ces hésitations et ces faux départs tout en gardant les mots exacts et le sens du propos. La restauration de la ponctuation rajoute les majuscules, les virgules et les points aux mots reconnus. Le formatage des nombres transforme quant à lui les nombres prononcés à l'oral en chiffres.

Quels termes décrivent les formats de fichier et les sous-titres ?

SRT et VTT sont des formats de sous-titres en texte brut qui associent chaque réplique à une heure de début et de fin. Le format VTT (ou WebVTT) est le standard utilisé sur le Web : il permet en plus de gérer la position et le style du texte. Un fichier TXT contient du texte brut, un DOCX est un document Word et un PDF est un document à mise en page fixe. Le format JSON sert à structurer des données pour les logiciels ; il contient souvent le minutage mot à mot et les étiquettes de locuteurs.

Les sous-titres codés (captions) affichent les paroles et les bruits importants pour les personnes qui ne peuvent pas entendre. Les sous-titres classiques (subtitles) transcrivent ou traduisent les dialogues pour un public qui entend le son, mais qui a besoin du texte à l'écran. Le sous-titrage pour sourds et malentendants (SDH, pour Subtitles for the Deaf and Hard of Hearing) est un type de sous-titrage qui inclut la description des sons et le nom des locuteurs. Les sous-titres fermés (closed captions) sont enregistrés sur une piste à part que l'on peut afficher ou masquer, alors que les sous-titres ouverts ou incrustés (open ou burned-in captions) sont gravés définitivement dans l'image.

Quels termes décrivent l'audio et le flux de travail ?

Un codec est le procédé qui sert à encoder et à compresser le son. Les formats sans perte (lossless), comme le WAV, gardent tous les détails de l'enregistrement d'origine. À l'inverse, les formats avec perte (lossy), comme le MP3, suppriment une partie des données pour alléger le fichier. Le débit binaire (bitrate) mesure la quantité de données traitées par seconde d'audio ; en général, plus ce débit est élevé, plus le son conserve de détails. La fréquence d'échantillonnage (sample rate) indique combien de fois par seconde le son est mesuré. Enfin, un enregistrement mono utilise un seul canal audio, contre deux pour la stéréo.

Le rapport signal sur bruit (SNR, pour Signal-to-Noise Ratio) compare le volume de la voix à celui du bruit de fond. Un SNR faible fait partie des principales causes d'erreur pour un outil de reconnaissance vocale. Le traitement par lots (batch processing) traite un groupe de fichiers déjà enregistrés, alors que la reconnaissance en continu (streaming ou temps réel) analyse le son au fur et à mesure qu'il arrive, pour un usage en direct. KolWrite fonctionne à partir d'enregistrements que vous importez et ne propose pas de sous-titrage en direct pendant un appel.

Un vocabulaire personnalisé, ou glossaire, est une liste de noms propres et de termes précis qu'on fournit à l'outil pour qu'il les reconnaisse mieux. Une API est une interface qui permet à des logiciels d'envoyer de l'audio et de récupérer du texte. La relecture, parfois appelée validation humaine (human-in-the-loop), est l'étape où une personne vérifie et corrige la transcription automatique.