« Nous en prendrons quatre, non, six classeurs. » Un système de reconnaissance peut transcrire correctement cette phrase. Pour obtenir un sous-titre facile à lire, vous voudrez peut-être raccourcir la répétition. Ce faisant, six ne doit pas redevenir quatre. Le parcours technique du son au fichier texte n’est donc que le début du travail éditorial.
whisper.cpp documente la reconnaissance vocale locale, y compris la prise en charge du CPU. Le modèle approprié et les fichiers d’exécution doivent être préparés. Les variantes uniquement anglaises et multilingues, ainsi que la transcription et la traduction, relèvent de décisions distinctes ; un programme lancé en local n’exécute pas automatiquement la tâche que vous souhaitez.
Fixer la langue source et l’objectif
Décidez d’abord si les propos doivent être conservés dans leur propre langue ou rendus en anglais. Un enregistrement en allemand accompagné d’une transcription en allemand est une tâche différente d’une traduction en anglais. Un texte anglais fluide resterait un mauvais résultat pour le premier objectif.
Les instructions du serveur utilisent –translate pour la traduction de la langue source vers l’anglais ; –language décrit la langue parlée. Pour votre appel réel, reprenez les options de l’aide correspondante plutôt que de mélanger des paramètres issus de différents exemples.
Préparer un court enregistrement personnel
Enregistrez vous-même quelques phrases non sensibles : un changement de quantité, un nom propre inventé et une restriction telle que « seulement après vérification ». Notez au préalable la formulation connue. Une pause volontairement courte aide aussi à distinguer la reconnaissance des mots de la segmentation dans le temps.
Utilisez un environnement local préparé et un format audio adapté. Produisez d’abord une base textuelle qui reste proche des mots prononcés. Réécoutez les passages contenant le nombre et le nom, et signalez tout ce qui n’est pas clair. Une orthographe attendue issue de votre liste de noms ne doit pas remplacer discrètement un passage réellement indistinct.
Conservez cette base séparément de la version de sous-titres raccourcie ultérieure. Vous pourrez ainsi retracer quelle modification provient de la reconnaissance et laquelle de votre travail éditorial. Cet article fournit la méthode, et non une transcription réalisée ici.
Le temps devient partie intégrante du format de fichier
Une piste de sous-titres associe un texte au début et à la fin d’un intervalle de temps. Le format WebVTT de la spécification W3C décrit de tels segments de texte alignés dans le temps. Un exemple de format simple de notre cru se présente ainsi ; ses horodatages sont des valeurs pédagogiques et doivent être ajustés pour un enregistrement réel :
WEBVTT
00:00:00.000 --> 00:00:04.000
We need six folders for the course.
00:00:04.500 --> 00:00:07.000
Open sealed material only after checking back.Enregistrez un texte réellement adapté sous forme de fichier UTF-8 et vérifiez-le avec l’enregistrement correspondant dans un lecteur ou un outil de sous-titrage approprié. Le texte, le minutage et la lisibilité sont trois observations distinctes. Une ligne correcte peut apparaître trop tôt ou rester visible trop brièvement.
Placez les retours à la ligne au niveau d’unités de sens. Un « ne… pas » isolé peut être mal compris lors d’une lecture rapide. Une condition d’approbation doit également rester reconnaissable dans son contexte au lieu de disparaître à cause d’une coupure inadaptée.
Donnez à l’audio original, à la transcription et aux sous-titres le même nom de base, mais des extensions différentes. Une courte note sur la langue et l’état de l’édition évite qu’une ancienne version traduite ne se retrouve par erreur à côté du nouvel enregistrement original.
Ce que démontre un flux de travail local
Avec cet échantillon, vous pouvez examiner si votre configuration préparée fournit le texte souhaité et combien de retouches les sous-titres nécessitent. Il ne vous apprend rien de général sur la qualité de reconnaissance pour l’ensemble des langues, des accents ou des bruits de fond.
Un passage de traduction constitue alors un test distinct. Il exige une comparaison du sens, et pas seulement de l’orthographe. Si plusieurs langues figurent dans le même enregistrement, vous devriez inclure explicitement les passages concernés dans la vérification à l’écoute.
L’intérêt du traitement local réside dans un parcours de travail qui vous est propre et que vous pouvez nommer. Des sous-titres exploitables naissent lorsque vous reliez ce parcours à l’enregistrement réel : choisir la bonne tâche, vérifier la formulation, éditer délibérément et contrôler le texte par rapport à ses horodatages.
Sources et état
Sources au 25 octobre 2026. README de whisper.cpp · Options de l’exemple de serveur whisper.cpp.
W3C : WebVTT comme source complémentaire sur le format.
