Les sous-titres se gagnent à la table de mixage et dans les diapositives des intervenants. Prélevez un signal propre des micros de la parole pour chaque scène et chargez chaque nom et chaque sigle avant que quiconque ne monte sur scène ; le reste de la journée consiste à corriger ce que ces deux étapes ont manqué.
Une grande partie du travail de sous-titrage d’une conférence se fait avant que quiconque ne monte sur scène, et la plupart de ce travail ne relève pas du logiciel.
Un téléphone posé sur un pupitre entend la salle ; la table de mixage entend l’intervenant. Prenez le signal à la table, et soyez précis sur le signal choisi. Demandez à l’ingénieur du son un envoi auxiliaire ou matriciel dédié ne transportant que les micros de la parole : pupitre, micros-cravate, micros du panel. La musique d’entrée, la lecture vidéo et le canal des applaudissements n’y figurent pas. Une reconnaissance qui doit écouter à travers un jingle devine avec assurance les paroles.
Testez cet envoi lors de la répétition technique, avec les vrais micros et, si possible, les vraies enceintes. Sinon, vous découvrirez à 8 h 55 le matin de l’événement que la sortie matricielle est placée après le fader et que l’ingénieur coupe le pupitre entre deux interventions.
Transmettez ce signal à VocalStack de l’une des deux manières suivantes. La première consiste en un encodeur RTMP à la table. Lorsque vous ajoutez un flux RTMP comme source d’une transcription en direct, le tableau de bord affiche l’URL du serveur et la clé de flux dont l’encodeur a besoin, indique si l’audio arrive déjà et dans quel format, et vous permet de l’écouter. La seconde est une adresse de flux. Si la scène est déjà diffusée en direct sur YouTube ou en flux audio, collez ce lien et VocalStack récupère lui-même l’audio ; rien ne tourne de votre côté. Collez l’adresse propre au flux, et non la page sur laquelle il est lu. Si vous collez une page web par erreur, le tableau de bord vous le signale.
Dans les deux cas, utilisez un seul signal de micro par scène. Les micros du public et la diaphonie font perdre une précision qu’aucun réglage ne rattrape. Le meilleur micro du bâtiment appartient au panéliste qui ne cesse de s’éloigner du sien.
Une fois l’audio arrivé, les participants ont besoin d’un endroit pour lire les sous-titres.
Une diffusion est le lien que les participants ouvrent. Créez-la dans Broadcasts, donnez-lui un nom et choisissez son lien. Le tableau de bord propose un lien d’après le nom ; vous pouvez le modifier, tant qu’il comporte au moins six caractères. Le même écran affiche le code QR que les participants scannent pour ouvrir la traduction en direct et choisir leur langue.
Décidez dès maintenant si la diffusion est publique ou privée. Publique signifie que toute personne possédant le lien peut l’ouvrir. Privée signifie que les participants saisissent un court mot de passe avant que la transcription n’apparaisse. Si le lien doit changer plus tard, changez-le ; l’ancien continue de fonctionner.
Réfléchissez ensuite à la manière dont le lien atteint mille poches. Affichez le code QR sur la diapositive d’attente avant chaque session, sur la signalétique aux portes et sur la carte du badge s’il y en a une. Des centaines de téléphones qui se connectent en même temps font peser une vraie charge sur le Wi-Fi du lieu : demandez donc au lieu à quoi les points d’accès ont été dimensionnés et si le réseau invité limite le débit par appareil. Si la réponse est un haussement d’épaules, invitez les participants à utiliser leurs données mobiles. Les pages sont légères ; le Wi-Fi est le risque.
Une conférence à deux scènes n’a pas besoin de deux liens. Une seule diffusion peut être alimentée par plusieurs transcriptions en direct à la fois. La scène A et la scène B deviennent deux transcriptions rattachées à la même diffusion, et le téléphone du participant affiche les deux sur une seule page. Chaque scène est sa propre transcription en direct, et chaque forfait limite le nombre de transcriptions pouvant tourner simultanément (1 avec Paiement à l’usage, 5 avec Premium, illimité avec Enterprise). Cette limite revient dans la section budget ci-dessous.
Un lien ne vaut que par les mots qui se trouvent derrière lui.
Quel que soit le système, la reconnaissance en direct trébuche sur les noms, les termes produit et les sigles. Ajoutez le script ou les diapositives de chaque intervenant avant de commencer ; les noms et les termes qui s’y trouvent l’emportent sur ce que le moteur croit avoir entendu. Pendant l’intervention, l’onglet Script suit les mots comme un téléprompteur.
C’est aussi le moment d’être honnête sur ce qu’est le sous-titrage automatique. La reconnaissance vocale combinée à la traduction automatique n’est pas le CART (Communication Access Realtime Translation, sous-titrage en temps réel saisi par un sous-titreur humain formé), et elle n’est pas non plus de l’interprétation. Elle est rapide, peu coûteuse et infatigable, et elle inversera parfois une négation, arrondira un chiffre ou transformera une plaisanterie en affirmation factuelle. Pour une conférence d’ouverture, une session produit ou un débat, ce compromis est généralement le bon. Pour une session où un mot erroné a des conséquences (juridiques, médicales, un vote), réservez un sous-titreur ou un interprète humain et laissez la machine tourner en parallèle comme trace écrite. La référence d’accessibilité mérite aussi d’être connue : les WCAG 2.x exigent des sous-titres pour l’audio en direct au niveau AA (critère 1.2.4), et un nombre croissant de contrats du secteur public et de lieux les citent simplement.
Les mots étant fixés, la dernière préparation porte sur la personne qui les prononce.
Les étiquettes de locuteur indiquent au public qui parle. Réglez l’interrupteur sur When Needed et les étiquettes n’apparaissent qu’une fois qu’un second locuteur a été entendu : une keynote se lit donc comme un texte continu, et un panel comme une conversation.
Pour que les intervenants soient reconnus par leur nom dès la première phrase, enregistrez leur voix à l’avance sous Voices. Un extrait d’une personne qui parle suffit : MP3, M4A ou WAV, d’au moins trente secondes, même si quelques minutes sont préférables. La personne doit avoir donné son accord, et le tableau de bord vous demande de confirmer que vous disposez de l’autorisation avant de créer la voix. Ne traitez pas cela comme une simple case à cocher. Au titre du RGPD, une empreinte vocale utilisée pour identifier une personne est généralement considérée comme une donnée biométrique (article 9). Cela suppose un consentement explicite et un droit à la suppression de l’empreinte. Des règles comparables existent ailleurs, et les accords avec les intervenants sont le lieu le plus simple pour les prévoir. Une voix clonée peut être supprimée à tout moment. Tant qu’elle existe, elle permet aussi aux auditeurs d’entendre les traductions de cet intervenant dans une voix identique.
Le forfait étant arrêté, le reste concerne la journée elle-même.
Chaque transcription en direct comporte un onglet Speed avec un mode de latence et un graphique du délai dans le temps. Trois réglages :
Pour une keynote scénarisée avec un signal propre à la table, Auto est le bon choix ; pour un panel technique avec quatre accents et sans script, Accuracy vaut le délai supplémentaire.
Le démarrage est l’autre élément de timing à prévoir. Avec Paiement à l’usage, un démarrage à froid peut prendre jusqu’à 15 secondes avant que la transcription ne commence. Premium démarre en général à chaud, et Enterprise toujours. Lancez le démarrage pendant l’entrée des participants, et non au premier mot.
Quel que soit le mode, certains mots seront faux ; il faut donc que quelqu’un surveille.
Quelqu’un au pupitre doit garder l’onglet Fix ouvert. Il comporte deux interrupteurs : Mark uncertain words colore et souligne les mots dont le moteur n’était pas sûr, et Click to correct ouvre une ligne pour relecture lorsque vous cliquez dessus. L’onglet vous fait parcourir les segments incertains un par un, et une correction atteint chaque auditeur, dans chaque langue.
Le micro du public est le maillon faible de toute salle, et les questions-réponses le révèlent. Demandez au modérateur de répéter chaque question du public dans son propre micro avant d’y répondre. Les sous-titres l’en remercieront, et le fond de la salle aussi, qui ne l’a pas entendue non plus.
Entre les sessions, le pupitre a une autre tâche.
L’écran de l’hôte peut mettre en pause et reprendre un enregistrement, et la page de l’auditeur affiche alors un avis : « En pause. La transcription reprend dès que l’hôte reprend. » La pause sert à un changement de salle, et non à une pause déjeuner. Chaque enregistrement a une durée maximale de pause, réglée dans le tableau de bord à 30 secondes, 1 minute ou 3 minutes ; un enregistrement resté en pause plus longtemps se termine de lui-même.
Pour un intervalle plus long, arrêtez l’enregistrement et lancez-en un nouveau au début de la session suivante. Chaque enregistrement reste listé sur la page de la diffusion, de sorte que, l’après-midi, les participants peuvent revenir aux sessions du matin. Un seul enregistrement en direct a un plafond de quelques heures avec Paiement à l’usage, et un plafond plus élevé avec Premium (les chiffres exacts figurent sur la page tarifs) ; une longue journée représente donc de toute façon plusieurs enregistrements.
Au milieu de la matinée, vérifiez qui lit réellement.
La vue d’audience de l’onglet Broadcast indique qui est présent, combien d’auditeurs écoutent en ce moment, les langues qu’ils ont ouvertes et les auditeurs au fil du temps. Chaque transcription comprend jusqu’à 10 langues, et chaque auditeur choisit la sienne sur son propre appareil. La vue vous indique donc quelles langues la salle lit réellement, ce qui correspond rarement à la liste que les organisateurs avaient devinée. Des délégués inscrits depuis Madrid se révèlent lire l’anglais ; la rangée portugaise se remplit à partir d’une table que personne n’attendait. Gardez cette liste pour l’année prochaine.
Chacun de ces auditeurs est gratuit. Ce qui coûte de l’argent, c’est l’audio.
La transcription en direct coûte $0.60 par heure d’audio, facturée à la seconde avec un minimum de 5 minutes par transcription, dans tous les forfaits et via l’API. Deux scènes en marche huit heures chacune représentent 16 heures d’audio en direct, soit $9.60. Les traductions, les diffusions, les résumés et les exports sont inclus, quel que soit le nombre de personnes à l’écoute.
Le forfait compte pour la capacité plutôt que pour le tarif. Paiement à l’usage offre $5 de crédit unique à l’inscription, sans carte bancaire, une transcription à la fois et un enregistrement de 5 heures maximum. Une transcription en direct s’arrête immédiatement lorsque le crédit atteint zéro ; rechargez donc avant l’ouverture des portes. Premium coûte $50 par mois ($40 par mois avec l’abonnement annuel) et inclut chaque mois $50 de crédit, ce qui couvre 83 heures de direct. Il permet cinq transcriptions simultanées et des enregistrements de 10 heures, et ajoute un délai de grâce : une transcription en direct continue de tourner un moment après zéro, et les minutes supplémentaires sont facturées au même tarif. Deux scènes en parallèle exigent Premium. Enterprise propose une tarification sur mesure, une simultanéité illimitée, des enregistrements de 24 heures et un parc de moteurs dédié.
Consultez la page tarifs pour le tableau complet, et vérifiez votre solde sous Billing dans le tableau de bord la semaine précédant l’événement.
La facturation s’arrête avec l’audio ; la transcription, elle, continue.
Les transcriptions sont conservées 30 jours avec Paiement à l’usage, et sans limite avec Premium et Enterprise. Avec Paiement à l’usage, l’audio source n’est conservé que 7 jours. Exportez dans la semaine si vous êtes sur le forfait gratuit.
Pour voir la diffusion du point de vue du participant, lisez Un seul lien, toutes les langues, ou essayez la démo en direct sur la page d’accueil.
