Glossaire / Comment il vous entend
Transcription en continu
Aussi : transcription en temps réel
Mis à jour le
Définition
La transcription en continu (streaming) affiche les mots à l’écran pendant que vous parlez encore, plutôt qu’après votre arrêt. L’alternative, la transcription par lots, traite tout l’énoncé d’un coup et affiche le texte à la fin.
Le streaming exige un modèle conçu pour émettre des résultats partiels et les réviser à mesure que l’audio arrive, ce qui est un problème d’ingénierie différent de la transcription d’un enregistrement terminé. Tous les modèles ASR ne peuvent pas faire de streaming ; les produits sont souvent en continu dans certaines langues et repassent au traitement par lots dans d’autres.
Pour la dictée, le streaming est surtout une question de confiance : voir les mots arriver confirme que l’outil vous a entendu. La qualité du texte final se décide de toute façon à la fin de l’énoncé.
Pourquoi le streaming rend la dictée instantanée
Avec la reconnaissance par lots, le modèle se met au travail quand vous relâchez la touche, et vous attendez que tout l’enregistrement soit traité. La pause est proportionnelle à la durée de votre prise de parole. Avec le streaming, le modèle a suivi depuis le début : au relâchement de la touche, il ne reste que la dernière fraction de seconde d’audio à terminer et la mise en forme à effectuer. Le résultat est un délai qui ne s’allonge pas avec la phrase, et c’est ce qu’on veut dire quand on dit qu’un outil est rapide.
Il y a un second effet. Voir les mots en direct vous indique que l’outil vous entend correctement, et vous cessez de jeter un œil au résultat ensuite pour vérifier. Cette confiance est l’essentiel de ce qui fait de la dictée une habitude plutôt qu’une expérience.
Résultats partiels et révisions
Un modèle de streaming valide les mots provisoirement et peut changer d’avis à mesure que l’audio arrive : « la réunion a lieu » peut devenir « la réunion n’a pas lieu » un instant plus tard. Les bons outils montrent ces révisions dans un affichage temporaire, comme une fenêtre dans l’encoche ou une pastille flottante, et n’insèrent dans votre document que le texte stabilisé. Insérer les résultats partiels en direct dans l’app puis les réécrire, c’est ainsi qu’un outil finit par se battre avec votre éditeur de texte.
Pourquoi toutes les langues ne sont pas en continu
Le streaming exige un modèle de type transducteur entraîné pour la langue. Les familles qui font bien du streaming aujourd’hui couvrent quelques dizaines de langues ; les modèles par lots comme Whisper en couvrent une centaine. Un outil qui annonce 99 langues et du texte en direct fait en général du streaming dans les langues que son transducteur prend en charge et traite le reste par lots, et une page produit honnête indique lesquelles sont lesquelles.
Comment voir la transcription en streaming sur votre Mac
macOS a un exemple intégré de transcription en streaming, appelé Sous-titres en direct. Il écrit des sous-titres pour l’audio de vos apps, ou pour le son capté par le micro, pendant que l’audio est encore en lecture. Apple indique que l’audio est traité sur l’appareil. Sous-titres en direct n’est disponible que sur les Mac avec Apple silicon, et pas dans toutes les langues, tous les pays ou toutes les régions.
- Choisissez le menu Apple → Réglages Système, puis cliquez sur Accessibilité dans la barre latérale.
- Cliquez sur Sous-titres en direct et activez l’option.
- Lancez une vidéo ou un podcast dans n’importe quelle app.
- Regardez la fenêtre des sous-titres. Le texte apparaît pendant que la personne parle encore : c’est du streaming.
- Désactivez Sous-titres en direct au même endroit quand vous avez terminé.
Whisper et Parakeet peuvent-ils transcrire en temps réel ?
Pas tel quel, dans le cas de Whisper. La fiche du modèle d’OpenAI indique que les modèles Whisper ne peuvent pas être utilisés tels quels pour la transcription en temps réel, et que d’autres pourront peut-être construire dessus des applications en quasi temps réel. Le code de référence fait glisser une fenêtre de 30 secondes sur un fichier terminé.
Parakeet s’en approche davantage. La fiche du modèle Parakeet TDT 0.6B v3 de NVIDIA documente un mode streaming, et ses réglages d’exemple montrent le compromis de tout streaming : l’audio est traité par morceaux de 2 secondes, avec 10 secondes d’audio précédent et 2 secondes d’audio suivant comme contexte. L’audio suivant, c’est l’anticipation. Plus il y en a, plus le modèle a d’éléments, et plus les mots apparaissent tard.
Streaming ou traitement par lots : lequel vous faut-il ?
Le streaming compte quand quelqu’un attend les mots. Le traitement par lots suffit, et il est souvent plus simple, quand l’audio existe déjà sous forme de fichier. Si vous choisissez un outil, adaptez le mode à la tâche.
- Dicter dans un champ de texte : streaming, pour voir que vous êtes entendu.
- Sous-titres d’un appel ou d’une conférence en direct : streaming, car un sous-titre qui arrive une fois la phrase finie ne sert pas à grand-chose.
- Transcrire une réunion, une interview ou un cours enregistré : traitement par lots. Personne ne regarde les mots arriver.
- Créer des fichiers de sous-titres : traitement par lots. L’outil en ligne de commande de Whisper écrit directement des fichiers srt et vtt.
- Une langue que votre modèle de streaming ne couvre pas : traitement par lots, avec un modèle qui la couvre.
Les questions qu’on se pose.
Quelle est la différence entre la transcription en continu et la transcription par lots ?
Le streaming affiche les mots pendant que vous parlez et termine presque immédiatement quand vous vous arrêtez. Le traitement par lots attend que vous vous arrêtiez, puis traite tout l’enregistrement, si bien que la pause s’allonge avec la durée de ce que vous avez dit. Les deux peuvent être précis ; le streaming paraît plus rapide et vous montre qu’il écoute.
Le streaming rend-il le texte moins précis ?
Pas dans le résultat final. Un modèle de streaming peut réviser un mot à mesure que l’audio arrive, mais ce qui est inséré, c’est le texte final. La précision que vous constatez dépend davantage de la qualité du modèle et de votre micro que du streaming.
Pourquoi mon outil de dictée est-il en continu en anglais mais pas dans mon autre langue ?
Parce que son modèle de streaming ne prend pas en charge cette langue et qu’il se rabat sur un modèle par lots. Le texte devrait quand même être juste ; il arrivera simplement après votre arrêt plutôt que pendant que vous parlez.
Whisper peut-il faire de la transcription en temps réel ?
Pas tel quel. La fiche du modèle d’OpenAI indique que les modèles Whisper ne peuvent pas être utilisés pour la transcription en temps réel tels qu’ils sont fournis, mais que d’autres peuvent construire dessus des applications en quasi temps réel.
Un Mac a-t-il une transcription en temps réel intégrée ?
Oui. Sous-titres en direct, dans Réglages Système → Accessibilité → Sous-titres en direct, affiche des sous-titres pour l’audio pendant sa lecture. Il n’est disponible que sur les Mac avec Apple silicon, et pas dans toutes les langues ou régions.
La transcription en temps réel a-t-elle besoin d’une connexion internet ?
Pas forcément. Le streaming décrit le moment où les mots apparaissent, pas l’endroit où l’audio est traité. Apple indique que Sous-titres en direct sur Mac traite l’audio sur l’appareil.
