Une mauvaise transcription n’a en général qu’une ou deux causes, et les fautes sur la page disent lesquelles. Sept causes courantes d’erreurs de transcription audio, ce que chacune donne, pourquoi elle se produit et le remède, dans l’enregistrement comme dans la transcription.
Les erreurs de transcription audio sont rarement dues au hasard. Une transcription qui change « Kubernetes » en « Cooper Netties », range les paroles de deux personnes sous un seul nom ou écrit « fifty » là où l’intervenant a dit « fifteen » vous montre ce qui n’a pas fonctionné. Chaque cause laisse sa propre sorte de fautes, et chacune a son remède. Certains remèdes concernent le prochain enregistrement, d’autres la transcription que vous avez déjà.
Ce guide part de la faute. Repérez dans la liste ci-dessous celle qui correspond à votre transcription, puis allez à sa section : à quoi ressemble l’erreur, pourquoi elle se produit en termes simples, et que faire.
La plupart des problèmes de transcription se rangent dans sept schémas. Associez le symptôme à la cause :
Deux causes s’additionnent souvent. Un invité à distance, casque sur les oreilles, dans un café bruyant et avec un accent produira trois sortes d’erreurs à la fois. Corrigez d’abord la cause qui touche le plus de lignes : en général le son, puis la langue, puis les mots.
À quoi cela ressemble. Dans un enregistrement fait dans un café, « Let’s move the launch to March » devient « Let’s move the lunch to March » (l’enregistrement est en anglais). Un mot couvert par un claquement de porte disparaît. Sur un long silence avec une climatisation qui ronronne, une ligne que personne n’a dite apparaît, par exemple « Thank you for watching. »
Pourquoi cela arrive. La reconnaissance vocale devine les mots les plus probables d’après le son qu’elle reçoit. Le bruit recouvre d’abord les parties faibles de la parole : la fin des mots et les petits mots entre eux. Avec moins de signal réel, la devinette s’appuie davantage sur ce qui suit d’habitude, et « lunch » est plus courant que « launch ». Sur un bruit continu sans aucune parole, certains systèmes produisent quand même une phrase toute faite, parce qu’ils ont appris à écrire quelque chose dès qu’ils entendent un son.
Remède dans l’enregistrement. Rapprochez le micro de l’intervenant plutôt que d’augmenter le gain. Doubler la distance réduit le son direct de l’intervenant d’environ 6 dB alors que le bruit de la pièce reste le même : la proximité compte donc plus que n’importe quel réglage. Coupez ventilateurs et climatisation pendant l’enregistrement si vous le pouvez, et enregistrez dans une pièce aux surfaces douces plutôt qu’entre verre et carrelage.
Remède dans la transcription. Dans VocalStack, indiquez la langue parlée pour les enregistrements bruyants au lieu de laisser la détection automatique. La note du tableau de bord le dit elle-même : indiquer la langue améliore la précision sur les enregistrements bruyants et les accents marqués. Pour une transcription en direct, le mode de latence Accuracy accepte un peu plus de délai en échange de moins d’erreurs sur un son difficile. Les lignes dont le moteur est le moins sûr (sous le seuil de confiance de la transcription, 0.60 par défaut) sont montrées aux auditeurs comme « Audio unclear » au lieu d’une supposition, et ne sont jamais lues à voix haute. Une ligne purement inventée peut être masquée à la main : les lignes masquées sont exclues de la transcription, des exports, des sous-titres et du lecteur.
À quoi cela ressemble. « The data shows a thirty percent rise » devient « The data shows a dirty percent rise ». Les fautes suivent une seule personne tout au long de l’enregistrement, alors que les lignes de tous les autres sont propres.
Pourquoi cela arrive. Un système de reconnaissance apprend comment sonnent les mots à partir de la parole sur laquelle il a été entraîné. Quand un intervenant prononce un son autrement que la plupart de cette parole, par exemple « th » dit « d », le système entend exactement ce qui a été dit et choisit le vrai mot qui correspond le mieux à ce son. La détection automatique de la langue peut aggraver les choses : un accent marqué peut déplacer les indices vers une tout autre langue (voir comment fonctionne la détection automatique de la langue).
Remède dans l’enregistrement. Pour une conférence en direct, ajoutez un Reference Script avant de commencer (voir la section sur le jargon plus bas), afin que les mots que l’intervenant va probablement dire soient déjà connus. Un bon micro aide tous les accents, car une plus grande part de chaque son arrive au moteur.
Remède dans la transcription. Indiquez la langue parlée de cet enregistrement. Utilisez ensuite l’onglet Fix : Mark uncertain words colore et souligne les mots dont le moteur n’était pas sûr, et vous pouvez parcourir les passages incertains un par un au lieu de tout relire. Quand le moteur a envisagé d’autres mots, il les propose comme corrections suggérées, si bien que remplacer « dirty » par « thirty » se fait le plus souvent en un clic. Play just this word permet de vérifier à l’oreille avant de modifier quoi que ce soit.
À quoi cela ressemble. Un intervenant demande « So we agree on Tuesday? » pendant qu’un autre l’interrompt avec « No, Thursday works ». La transcription affiche une seule ligne sous Speaker 1 : « So we agree on Tuesday no Thursday works. » Ou l’inverse : une personne qui s’est animée en milieu de réunion apparaît comme Speaker 1 et Speaker 3.
Pourquoi cela arrive. Deux tâches distinctes tournent en dessous. La reconnaissance vocale écrit les mots ; la diarisation des locuteurs décide qui parle quand, d’après le son de chaque voix. La plupart des systèmes attribuent un seul locuteur à chaque passage audio : quand deux personnes parlent en même temps, l’une des deux perd. Un changement de voix (excitation, fatigue, éloignement du micro) peut faire passer quelqu’un pour une nouvelle personne. Diarisation et reconnaissance vocale explique en détail ces deux tâches.
Remède dans l’enregistrement. Donnez à chaque personne son propre micro. Ce seul changement fait plus pour plusieurs intervenants que n’importe quel réglage. Lors d’une table ronde ou d’une réunion avec des questions du public, demandez à l’animateur de répéter chaque question dans son propre micro avant d’y répondre.
Remède dans la transcription. Choisissez le réglage des étiquettes de locuteurs : When Needed (par défaut) étiquette les lignes dès qu’une seconde voix est entendue, On étiquette chaque ligne, Off n’en étiquette aucune. Nommez chaque locuteur pendant ou après l’enregistrement. Le nom est une couche posée sur les mots : il ne change donc jamais le texte, et il s’applique à cette personne dans tous les enregistrements de la transcription. Ajoutez aux locuteurs enregistrés une personne que vous retrouvez souvent, et les transcriptions suivantes la reconnaîtront par son nom. Une ligne qui enchaîne deux phrases peut être scindée en deux : touchez l’espace où la nouvelle ligne doit commencer.
À quoi cela ressemble. « We deployed it on Kubernetes » devient « We deployed it on Cooper Netties ». « Ms Nguyen » devient « Miss Win ». Un nom de médicament se transforme en trois petits mots anglais. Le reste de la phrase est correct.
Pourquoi cela arrive. Un système ne peut écrire que des mots qu’il connaît, et un nom n’apparaît souvent qu’une fois, sans rien autour qui permette de le prévoir. Quand il n’a jamais vu le mot, il choisit les mots ordinaires qui sonnent le plus près. C’est le cas le plus difficile pour une transcription précise de la terminologie technique : la phrase ne donne aucun indice, donc aucun contexte ne tire d’affaire.
Remède dans l’enregistrement. Donnez les mots au système avant que l’intervenant les prononce. Dans VocalStack, c’est un Reference Script : ajoutez avant de commencer le texte ou les diapositives d’une conférence en direct, ou une liste de noms et de termes, et les noms et termes qui s’y trouvent l’emportent sur ce qui a été mal entendu. Pendant l’intervention, le script suit la transcription comme un téléprompteur. Chaque mot corrigé par le script est marqué SCRIPT parmi les corrections et peut être annulé si l’intervenant a vraiment dit autre chose.
Remède dans la transcription. Corrigez le nom une fois et vérifiez le reste avec la recherche. Les corrections parviennent à tous les auditeurs tant que la transcription est en direct, dans chaque langue qu’ils lisent, et chaque correction est listée et peut être annulée. Les exports (SRT, PDF, Excel, JSON) incluent les corrections : sous-titres et documents portent donc l’orthographe corrigée.
À quoi cela ressemble. Une conférence s’ouvre sur un salut en espagnol et se poursuit en anglais, et l’anglais ressort en charabia d’allure espagnole. Ou bien quelques lignes au milieu d’une transcription anglaise apparaissent dans une langue voisine. Certains systèmes, réglés sur la mauvaise langue, écrivent une traduction approximative au lieu de ce qui a été dit.
Pourquoi cela arrive. Quand aucune langue n’est indiquée, le système doit la détecter à partir du son, souvent d’après les premières secondes. Un salut, une citation ou un accent marqué peuvent l’aiguiller du mauvais côté. Une fois la mauvaise langue choisie, tous les mots de ce passage sont faux d’un seul coup.
Remède dans l’enregistrement. Si l’enregistrement est dans une seule langue, indiquez-la. Laissez la détection activée quand deux langues ou plus sont réellement parlées, pour que chaque partie soit transcrite dans sa propre langue ; en indiquer une seule y forcerait l’autre. Dans une transcription en direct, la langue peut être changée pendant qu’elle tourne, et le changement s’applique aussitôt.
Remède dans la transcription. Une ligne entendue dans la mauvaise langue ne se corrige pas mot à mot, car rien n’y est juste. VocalStack peut retranscrire la ligne : choisissez la langue dans laquelle elle a réellement été prononcée, et l’audio de la ligne est relu dans cette langue. Le résultat remplace la ligne comme une correction ordinaire, avec la même annulation que n’importe quelle autre.
À quoi cela ressemble. « The fees went up » devient « The thieves went up ». « Free » et « three » s’échangent. Les erreurs se répartissent sur tout l’enregistrement et sont pires pour l’intervenant à distance lors d’un appel.
Pourquoi cela arrive. Beaucoup des sons qui distinguent « f », « s » et « th » se situent dans les hautes fréquences. Une ligne téléphonique ne transporte rien au-delà d’environ 3,4 kHz, et un casque Bluetooth fait souvent passer son micro dans un mode appel à la bande bien plus étroite. La compression à faible débit des appels vidéo en retire encore plus. Le système reçoit un son dont ces sons ont déjà disparu et devine entre des mots qui sonnent désormais pareil.
Remède dans l’enregistrement. Utilisez un micro filaire, ou un casque dont le micro reste en pleine qualité. Enregistrez chaque intervenant à distance de son côté si possible, plutôt que d’enregistrer l’appel. Pour un événement, prenez le signal sur la table de mixage plutôt que sur le micro d’un ordinateur portable ou d’un téléphone dans la salle : la configuration en direct de VocalStack prend un câble depuis la table de mixage, alors que le micro intégré d’un téléphone capte davantage la pièce.
Remède dans la transcription. Un son qui n’a jamais été capté ne peut pas être récupéré, ni par une machine ni par une personne. Servez-vous des marques de mots incertains pour repérer les passages abîmés, écoutez la ligne pour vérifier et corrigez ce que vous entendez. Quand personne ne peut dire ce qui a été prononcé, masquer la ligne est plus honnête que de laisser une supposition.
À quoi cela ressemble. « Fifteen » devient « fifty ». « One twenty » devient « 120 » alors que l’intervenant voulait dire un dollar vingt. « The third of the fourth » ressort comme une date dans le mauvais ordre. Chaque faute tient en un mot, et tous les autres mots de la phrase sont justes.
Pourquoi cela arrive. « Fifteen » et « fifty » diffèrent surtout par la syllabe accentuée, et c’est la première chose que perdent le bruit ou un débit rapide. Les nombres dits à l’oral omettent aussi ce que les nombres écrits exigent : unités, virgules décimales, ordre du jour et du mois. Le système doit deviner le format, et sa devinette est la plus courante, pas la vôtre.
Remède dans l’enregistrement. Demandez aux intervenants de dire les chiffres en toutes lettres, avec l’unité : « one dollar twenty », « the fifteenth of March ». Pour une intervention préparée, mettez les chiffres dans le script.
Remède dans la transcription. Vérifiez à l’oreille chaque chiffre qui compte avant que la transcription soit citée, envoyée ou publiée. Un nombre faux se lit comme un nombre juste : rien sur la page ne vous avertit. Ce que mesure le taux d’erreur de mots, et ce qu’il ne voit pas explique pourquoi un seul chiffre faux coûte plus que sa part du taux d’erreur.
Quand une transcription a beaucoup de problèmes, corrigez-les dans cet ordre, pour qu’aucune correction ne soit défaite par la suivante :
Facilitez ensuite le prochain enregistrement : un micro par intervenant, la langue indiquée et un script qui contient les noms. La plupart des erreurs de transcription audio se jouent avant que quelqu’un appuie sur enregistrer.
Pour une audience, une consultation médicale ou tout cas où un seul mot faux a des conséquences, faites relire la transcription par une personne avant de l’utiliser, quel que soit le système qui l’a produite. Pour voir lesquelles de ces erreurs produit votre propre audio, essayez un enregistrement dans le tableau de bord.