Un fichier audio de quarante minutes dort sur votre téléphone. Une réunion qui s'est tenue mardi, un entretien avec un client, un cours que vous comptiez réécouter. Vous savez que la réponse est dedans, quelque part vers la vingtième minute, et vous n'avez ni le temps ni le courage de tout repasser. La transcription audio en texte existe pour ce moment précis : elle change une heure de son en un document que vous parcourez des yeux en trois minutes.
Une machine écrit vite. Elle n'écrit pas juste du premier coup. Elle entend des sons, elle ne comprend pas ce qui se dit, et cela se voit toujours aux mêmes endroits : les noms propres, les sigles, les chiffres, les passages où deux personnes parlent en même temps. Ce guide part d'un fichier son seul, sans image : réunion, entretien, cours, note vocale, podcast. Si votre matière de départ est une vidéo, notre méthode pour transcrire une vidéo en texte prend le même besoin par l'autre bout.
La réponse courte
Pour convertir un enregistrement en texte, déposez le fichier audio dans un outil de reconnaissance vocale en ligne, indiquez la langue parlée, lancez la transcription, puis relisez avant de diffuser. Rien à installer, rien à retaper. Dans le studio en ligne d'EasyVids, un fichier son se dépose comme une vidéo, et le texte revient découpé en passages, chacun attaché à son instant exact dans l'enregistrement. La seule étape que personne ne peut sauter est la relecture : c'est elle qui sépare un brouillon utilisable d'un document que vous pouvez envoyer à quelqu'un d'autre.
Ce qui change quand la source est un fichier audio seul
Transcrire une vidéo et transcrire un enregistrement sonore ne demandent pas la même vigilance. Devant une vidéo, l'image rattrape beaucoup de choses : vous voyez qui parle, vous lisez un nom sur une diapositive, un chiffre s'affiche à l'écran, un mot mangé se devine au contexte visuel. Avec un fichier audio, cette béquille n'existe pas. Le texte devient la seule trace de ce qui a été dit, et il sera lu par des gens qui n'étaient pas dans la pièce.
Deuxième différence, plus sournoise : un enregistrement sonore est rarement fait pour être transcrit. Un téléphone posé au milieu d'une table, un micro d'ordinateur portable à un mètre, un dictaphone au fond d'une poche, la prise de son est subie, pas préparée. Une vidéo, elle, est presque toujours tournée avec l'intention d'être vue. Vous démarrez donc avec un matériau plus difficile, et c'est pour cette raison que votre critère doit rester la fidélité, jamais la vitesse.
Les six étapes, du fichier au document
La chaîne est courte et toujours la même, quel que soit l'outil. Le fichier est envoyé, le son est préparé, un moteur écrit ce qu'il entend, chaque passage reçoit son horodatage, vous relisez, vous exportez dans le format qui correspond à l'usage. Connaître cet enchaînement sert surtout à savoir où intervenir quand le résultat déçoit : le problème vient presque toujours de la première étape, celle de l'enregistrement, et non du moteur.
Une remarque pour ceux qui partent d'une vidéo mais ne veulent que la parole. Il est souvent plus simple d'extraire l'audio de la vidéo avant de lancer la transcription, en particulier quand le fichier vidéo est trop lourd pour être envoyé tel quel. Le moteur ne travaille de toute façon que sur la piste sonore : tout le reste est du poids inutile.
Les formats de fichiers, et celui qui pose vraiment problème
Les formats courants passent sans difficulté : MP3, M4A, WAV, OGG. Les enregistreurs de téléphone produisent le plus souvent du M4A, les notes vocales des messageries de l'Opus dans un conteneur OGG, les dictaphones du WAV. Peu importe, car la première chose que fait un moteur de reconnaissance vocale est de tout ramener à son format de travail, en général du mono à basse fréquence d'échantillonnage. La voix humaine tient largement dans cette bande. Un WAV très lourd n'apporte donc aucun avantage sur un MP3 propre.
Deux pièges méritent d'être connus. Le premier : un enregistrement compressé à l'extrême, comme certaines notes vocales très longues, perd les fréquences hautes, celles qui distinguent un f d'un s. Le moteur ne peut pas restituer ce qui a été jeté au moment de l'enregistrement. Le second : un fichier stéréo où chaque interlocuteur occupe un canal différent. Au passage en mono, les deux voix se superposent au lieu de rester séparées. Quand vous avez le choix, préférez un mono propre à un stéréo mal réparti.
La fidélité se joue à l'enregistrement, pas au traitement
Aucun réglage logiciel ne rattrape une voix captée à trois mètres dans une salle carrelée. La distance entre la bouche et le micro est le facteur numéro un : c'est elle qui décide du rapport entre la parole et tout le reste. Éloignez le micro, et le bruit ambiant remonte au niveau de la voix. Les erreurs arrivent alors en grappes, sur des phrases entières, et non une par une.
Si vous savez à l'avance qu'un enregistrement sera transcrit, six gestes suffisent à changer le résultat, et ils ne coûtent rien.
- Rapprochez le micro. Un téléphone posé devant celui qui parle vaut mieux qu'un micro d'ordinateur au bout de la table.
- Commencez par un tour de table. Chacun dit son prénom et une phrase. Vous saurez plus tard qui parle, et vous entendrez la prononciation exacte de chaque nom.
- Une personne à la fois. Les chevauchements de voix sont la seule erreur qu'aucun moteur ne sait réparer.
- Coupez ce qui souffle. Climatisation, ventilateur, hotte, moteur : ce bruit régulier masque les consonnes, qui portent l'essentiel de l'information.
- Évitez le haut-parleur. Une voix qui sort d'une enceinte avant d'entrer dans un micro arrive déjà abîmée.
- Épelez les mots difficiles. Un nom de société, une référence produit, un sigle interne : dites le une fois lettre par lettre, vous aurez la bonne version quelque part dans le fichier.
Les quatre endroits où la machine se trompe
Un moteur de reconnaissance vocale ne cherche pas le mot juste, il cherche la suite de sons la plus probable dans la langue qu'il connaît. Cette mécanique explique la première famille d'erreurs, et la plus coûteuse : les noms propres. Un patronyme, une marque, un lieu peu courant ne font pas partie de ce qu'il a appris. Ils sont donc remplacés par le mot ordinaire le plus proche, avec une assurance parfaite. Rien dans le texte ne signale l'endroit, et c'est précisément ce qui rend l'erreur dangereuse : elle se lit sans accrocher.
Les sigles viennent ensuite. Épelés à l'oral, ils reviennent en syllabes accolées ou en mots inattendus. Le remède est mécanique : décidez d'une écriture unique, puis appliquez la partout d'un seul remplacement. Les chiffres posent un problème d'une autre nature, parce qu'ils restent plausibles. Une date, une quantité, un numéro de référence se transcrivent au son, et le résultat se lit très bien tout en étant faux. C'est la seule catégorie où relire en silence ne sert à rien : il faut réécouter le passage.
Quatrième famille, les voix superposées. Quand deux personnes parlent en même temps, le moteur ne rend pas deux phrases, il en rend une seule, faite de morceaux des deux. Aucune option ne répare cela après coup. À la relecture, le réflexe consiste à repérer les phrases qui ne veulent rien dire, à revenir à leur horodatage, puis à réécrire le passage à la main. Ajoutez à cette liste le jargon d'un métier : un vocabulaire technique dégrade la transcription autant qu'un mauvais micro.
Le lexique : cinq minutes avant, une heure gagnée après
Avant une transcription qui compte, écrivez la liste des mots que le moteur ne peut pas connaître. Les prénoms et noms des participants, les noms de produits, les sigles maison, les lieux, deux ou trois termes techniques. Cette liste sert deux fois. Si l'outil accepte un lexique ou une note de contexte, vous la lui donnez et vous orientez ses hypothèses. Sinon, elle devient votre plan de relecture, et vous savez exactement quoi chercher dans le texte.
La méthode qui va vite tient ensuite en une phrase : ne corrigez pas en lisant, corrigez en cherchant. Ouvrez le texte, recherchez la version fautive d'un nom, remplacez toutes les occurrences d'un coup. Un moteur se trompe de façon régulière : il écrit presque toujours la même erreur pour le même mot, ce qui rend le remplacement global sûr, à condition d'avoir vérifié la première occurrence à l'oreille.
Plusieurs interlocuteurs : séparer les tours de parole
Distinguer les voix porte un nom, la diarisation. Le principe consiste à regrouper les passages qui se ressemblent acoustiquement, puis à leur coller une étiquette : locuteur 1, locuteur 2. Le système ne sait pas qui est qui, il sait seulement que ce n'est pas la même personne. C'est déjà l'essentiel, parce qu'un compte rendu de réunion sans tours de parole est illisible : on ne sait plus qui s'engage sur quoi.
Les limites sont connues et faciles à anticiper. Deux timbres proches se retrouvent parfois fusionnés sous une seule étiquette. Une personne qui s'éloigne du micro peut recevoir une nouvelle identité en cours de route. Les interventions très courtes, les « oui », les « d'accord », se rattachent souvent au mauvais locuteur. Une fois le texte relu, remplacez les étiquettes par les prénoms réels : le document devient utilisable par quelqu'un qui n'a pas assisté à la réunion, ce qui est tout l'intérêt de l'opération.
Le bruit de fond : ce qui se rattrape, ce qui ne se rattrape pas
Trois bruits, trois issues différentes. Le bruit régulier, une climatisation, un moteur, le souffle d'une salle, se traite plutôt bien : il est constant, donc identifiable, et les moteurs récents s'en accommodent. Les bruits brefs, une chaise qui racle, une porte, des couverts, coûtent un mot ou deux et se réparent à la relecture. Le troisième est le seul vraiment fatal : une conversation voisine. C'est de la parole, et rien n'indique au moteur que ce n'est pas la vôtre.
Un débruitage avant transcription peut aider sur les deux premiers cas. Allez y doucement : poussé trop loin, un réducteur de bruit mange les consonnes en même temps que le souffle, et la transcription se dégrade au lieu de s'améliorer. Testez le réglage sur une minute avant de traiter une heure entière, en comparant les deux versions du même passage.
La relecture : écouter d'abord, lire ensuite
La relecture d'une transcription se fait en deux passes, et elles ne se ressemblent pas. La première est une écoute ciblée : vous ne réécoutez pas tout, vous sautez aux endroits marqués, ceux qui contiennent un chiffre, un nom propre, un sigle, ou une phrase qui ne veut rien dire. C'est ici que l'horodatage devient précieux, chaque passage renvoyant à sa seconde exacte dans l'enregistrement, exactement comme pour des sous-titres automatiques.
La seconde passe se fait au silence, sans l'audio, et c'est elle qui transforme un brouillon en document.
- Ponctuation et paragraphes. Un moteur ponctue au souffle, pas au sens. Coupez les phrases trop longues, ouvrez un paragraphe à chaque changement de sujet.
- Hésitations et béquilles. Retirez les « euh », les « voilà », les répétitions involontaires, sauf si vous produisez un verbatim intégral.
- Étiquettes de locuteurs remplacées par les prénoms réels, une bonne fois pour toutes.
- Titres intermédiaires, un par grand moment de l'échange : c'est ce qui rend un compte rendu consultable six mois plus tard.
- Une dernière recherche sur chaque mot de votre lexique, pour vérifier qu'aucune occurrence n'a échappé au remplacement.
Les formats de sortie, et lequel choisir
Un même passage de reconnaissance vocale produit toujours la même matière : du texte, plus des horodatages. Ce que vous exportez dépend de ce que vous allez en faire, et c'est le choix que la plupart des gens font le plus mal, en gardant par défaut le format le plus complet plutôt que le plus utile.
Le texte brut sert à chercher une phrase et à la coller ailleurs. Le document mis en page sert à être lu par d'autres, avec ses intervenants nommés et ses titres. Le fichier horodaté, au format SRT ou VTT, devient indispensable dès que la parole doit être réaffichée à l'écran, par exemple si vous montez ensuite l'enregistrement en vidéo : notre guide du fichier SRT explique comment il est construit et comment le modifier. La synthèse structurée, enfin, ne garde que les décisions, les actions et les échéances. C'est le seul format qu'on relit vraiment une semaine après une réunion.
Verbatim ou texte lissé : deux documents, pas un
Le verbatim intégral garde tout, y compris les hésitations, les faux départs et les phrases inachevées. Il fait foi, et il sert dans un cadre juridique, dans une recherche qualitative, ou quand vous devez citer quelqu'un exactement. Le texte lissé retire ce qui gêne la lecture sans toucher au sens : c'est ce que vous voulez pour un compte rendu, une newsletter ou un article tiré d'un entretien.
L'erreur consiste à vouloir un seul document qui fasse les deux. Gardez le verbatim de côté, travaillez sur une copie lissée. Et si vous publiez une citation, revenez toujours à l'audio pour la vérifier mot à mot : c'est la phrase que quelqu'un pourra vous opposer, pas votre version nettoyée.
Enregistrer d'autres personnes : le cadre à vérifier avant
Un enregistrement de réunion ou d'entretien contient la parole de personnes qui ne sont pas vous. En France, l'article 226-1 du Code pénal sanctionne le fait de porter atteinte à l'intimité de la vie privée d'autrui en captant, en enregistrant ou en transmettant, sans le consentement de leur auteur, des paroles prononcées à titre privé ou confidentiel. Les règles varient d'un pays à l'autre, et parfois d'un État à l'autre aux États-Unis : renseignez vous sur celles qui s'appliquent là où vous enregistrez. Le réflexe le plus sûr reste le plus simple, annoncer que vous enregistrez au tout début, et laisser la phrase dans le fichier.
Deuxième point, le traitement du fichier. Une transcription en ligne suppose l'envoi de l'enregistrement à un service tiers. Quand il contient des données personnelles de personnes situées dans l'Union européenne, le règlement général sur la protection des données, applicable depuis mai 2018, encadre cet usage. Regardez ce que l'outil annonce sur la durée de conservation des fichiers, et posez la question avant plutôt qu'après pour un entretien médical, un dossier de recrutement ou un échange couvert par une clause de confidentialité.
Questions fréquentes
Peut-on transcrire un fichier audio en texte gratuitement ?
Pour un essai, oui, et cela suffit souvent à juger. Les outils sérieux laissent transcrire un enregistrement court sans engagement, ce qui vous permet de mesurer la qualité sur votre propre son, avec vos accents et votre bruit de fond, plutôt que sur une démonstration choisie. Au delà, transcrire des heures d'audio devient un service payant, parce que chaque minute consomme du calcul. Le détail des offres se trouve sur la page des tarifs, qui reste la seule source à jour.
Quelle précision attendre sur un enregistrement de réunion ?
Aucun pourcentage unique ne veut dire grand chose, parce que la précision dépend d'abord de votre fichier et pas du moteur. Sur une voix seule, proche du micro, dans une pièce calme, le texte revient souvent presque propre, et la relecture se limite aux noms et aux chiffres. Sur une réunion à six autour d'une table, avec une porte qui claque et deux personnes qui se coupent, prévoyez de réécrire des passages entiers. Le bon réflexe consiste à transcrire une minute d'essai avant de lancer l'heure complète.
Comment transcrire une note vocale reçue dans une messagerie ?
Exportez d'abord le fichier depuis l'application, la fonction de partage ou d'enregistrement le propose presque toujours, puis importez ce fichier dans l'outil de transcription. Ne rejouez jamais la note sur le haut-parleur du téléphone pour la faire réenregistrer par un autre appareil : vous ajoutez à ce moment là l'acoustique de la pièce et vous perdez une partie de ce qui rendait la voix compréhensible.
Que faire quand l'enregistrement contient deux langues ?
Choisissez la langue dominante plutôt que la détection automatique, puis corrigez à la main les passages dans l'autre langue. Un moteur réglé sur une langue transcrit les mots étrangers phonétiquement, ce qui donne un résultat étrange, mais au moins facile à repérer. Si les deux langues occupent des blocs longs et séparés, coupez l'audio en deux fichiers et transcrivez chacun dans sa langue : le gain est net par rapport à un passage unique.
Peut-on obtenir un compte rendu plutôt qu'un verbatim ?
Oui, mais en deux temps, et l'ordre compte. Transcrivez, relisez, résumez en dernier. Un résumé calculé sur une transcription non relue reprend les erreurs sans les signaler, et il les rend invisibles puisque le texte d'origine disparaît derrière la synthèse. Une fois le verbatim propre, en tirer les décisions, les actions et les échéances prend quelques minutes.
Votre prochain enregistrement n'a pas besoin d'être réécouté trois fois. Déposez le fichier, laissez la machine écrire, et gardez votre attention pour la relecture, qui fait toute la différence entre un brouillon et un document que l'on transmet. Le plus simple est d'essayer sur un enregistrement court, avec un compte gratuit, et de juger sur votre propre son.