N'oubliez pas de nous ajouter aux favoris !

Référence

Glossaire de la transcription

Définitions en langage simple des termes techniques utilisés dans la conversion de la parole en texte et la transcription par IA. Les principales entrées sont liées à des pages dédiées avec des explications et des exemples plus approfondis.

ASR principal et modèles

Découpage

Division d'un fichier audio long en segments plus courts avant de l'envoyer au moteur ASR. Whisper a une fenêtre de contexte de 30 secondes en interne ; les outils découpent aux limites de 10 minutes pour rester dans les limites du modèle.

Transcription en temps réel vs par lots

La transcription en temps réel traite un flux audio en direct à mesure qu'il est parlé (sous-titres en direct). La transcription par lots traite un fichier enregistré complet. Les lots sont généralement plus précis ; le temps réel a une latence de 1 à 3 secondes.

Modèles de ponctuation et de casse

Un modèle de post-traitement spécialisé qui transforme la sortie ASR en minuscules et sans ponctuation en un texte correctement ponctué et mis en forme. Whisper intègre cela directement ; les anciens pipelines utilisent un modèle séparé.

Formats et propriétés audio

Codec

L'algorithme utilisé pour compresser et décompresser les données audio. MP3, AAC, FLAC, Opus et PCM sont tous des codecs. Différents codecs font des compromis entre la taille du fichier, la qualité et le coût de calcul.

Hertz (Hz)

L'unité de fréquence : cycles par seconde. Les signaux audio sont décrits par leur fréquence d'échantillonnage (par exemple 44 100 Hz) et leur contenu fréquentiel. La parole humaine se situe environ entre 80 Hz et 8 000 Hz.

Audio avec perte vs sans perte

Compression avec perte (MP3, AAC, OGG) supprime des données audio pour réduire la taille du fichier. Sans perte (FLAC, ALAC, WAV) conserve chaque bit. Pour la transcription, la compression avec perte à 128 kbps+ est indiscernable de la compression sans perte.

Intervenants et diarisation

RTTM

Format Rich Transcription Time Marked. Format basé sur des lignes standard pour stocker la sortie de diarisation : quand chaque locuteur commence et arrête de parler. Utilisé dans les benchmarks de recherche comme DIHARD.

DER (Taux d'erreur de diarisation)

La métrique d'exactitude standard pour la diarisation des locuteurs : pourcentage du temps audio où le système attribue le mauvais locuteur (ou manque de la parole). Les systèmes de pointe atteignent un DER de 5-15% sur les benchmarks conversationnels.

Sous-titres et sous-titres codés

Horodatage

Un marqueur temporel sur chaque ligne d'une transcription, généralement au format MM:SS ou HH:MM:SS. Obligatoire pour les sous-titres ; facultatif pour le texte brut.

Transcription vs sous-titrage

La transcription produit un fichier texte brut contenant tout ce qui est dit. Le sous-titrage produit de courtes lignes chronométrées optimisées pour la lecture à l'écran (généralement 32-40 caractères par ligne, maximum 2 lignes à l'écran).

Métriques de précision

WER

Taux d'erreur en mots. Le pourcentage de mots qu'un moteur de transcription obtient incorrects, y compris les substitutions, les insertions et les suppressions. Plus bas est mieux. Les moteurs modernes atteignent 2 à 5 % de WER sur un audio propre.

RTF (Facteur de temps réel)

Vitesse à laquelle un système de reconnaissance automatique de la parole (ASR) traite l'audio par rapport à sa durée. RTF = 0,5 signifie que le traitement d'1 heure d'audio prend 30 minutes. Whisper-1 sur un GPU rapide fonctionne à un RTF d'environ 0,1-0,3.

Linguistique

Prosodie

Les schémas d'accentuation, d'intonation et de rythme dans la langue parlée. L'ASR moderne ignore pour la plupart la prosodie pour la transcription au niveau des mots, mais c'est la prochaine frontière pour la détection d'émotion et d'intention.

Effet Lombard

La tendance involontaire des locuteurs à élever la voix et à articuler plus clairement dans des environnements bruyants. Les enregistrements réalisés dans un environnement bruyant semblent plus forts que la conversation normale, ce qui complique la RAS si le modèle n'a pas été entraîné sur la parole de Lombard.

Vous cherchez plus de profondeur ? Lisez le Guide complet de la transcription IA pour un guide complet des formats, de la précision et des outils.

Dernière mise à jour : 16 novembre 2026