Sous-titrage automatique : comparer qualité et coût
Les outils de sous-titrage automatique produisent en quelques minutes ce qui demandait des heures. Ils ne produisent pas pour autant des sous-titres accessibles. Comparer les outils, c'est surtout comparer ce qu'ils permettent de corriger, et à quel coût.
Une administration publie chaque mois une dizaine de vidéos : conférences de presse, tutoriels pour les usagers, captations de séances. Une entreprise forme ses équipes par des modules filmés. Toutes deux savent que ces vidéos doivent être sous-titrées, et toutes deux se tournent vers des outils de sous-titrage automatique, qui promettent un résultat en quelques minutes. Le résultat arrive en effet vite. La question est ce qu’il vaut, et ce qu’il coûte de le rendre exact.
Ce qu’un sous-titre accessible doit contenir
Avant de comparer des outils, il faut fixer la cible. Les règles WCAG 2.2 exigent, au niveau A, des sous-titres pour les contenus vidéo préenregistrés comportant du son (critère 1.2.2) et, au niveau AA, pour les contenus en direct (critère 1.2.4). En France, le RGAA 4.1.2 reprend ces exigences pour les services publics et les grandes entreprises concernées. Ces sous-titres doivent être exacts, synchronisés et complets.
Pour les personnes sourdes ou malentendantes, « complet » signifie davantage que les mots prononcés : identification des locuteurs, indication des sons utiles à la compréhension (rires, applaudissements, musique, bruit soudain), respect de la ponctuation qui porte le sens. En France, la charte relative à la qualité du sous-titrage à destination des personnes sourdes ou malentendantes, adoptée en 2011 sous l’égide du Conseil supérieur de l’audiovisuel, en fixe les conventions pour la télévision ; elle reste une bonne référence pour la vidéo en ligne.
Un sous-titre automatique non relu n’est pas un sous-titre conforme. Le W3C le rappelle dans ses ressources sur l’accessibilité des médias : la reconnaissance automatique est un point de départ utile, pas un résultat suffisant.
Six critères, appliqués à tous
Nous comparons ici cinq solutions représentatives des approches disponibles fin 2025, sur six critères identiques. Les tarifs évoluent souvent et dépendent des volumes ; nous indiquons le modèle de facturation, pas des prix.
- Qualité de la reconnaissance en français, y compris les noms propres et le vocabulaire spécialisé.
- Éditeur de correction : facilité pour corriger le texte, découper les segments, caler le temps.
- Conventions d’accessibilité : identification des locuteurs, indications sonores, longueur des lignes.
- Formats d’export : SRT et WebVTT au minimum, sous-titres incrustés si besoin.
- Confidentialité : où sont traités et conservés les contenus, et sous quelles conditions.
- Modèle de coût : inclus, à la minute, par abonnement, ou coût d’infrastructure.
Le comparatif
| Critère | YouTube (sous-titres automatiques) | Microsoft 365 (Stream, Teams) | Happy Scribe | Rev | Whisper (modèle ouvert) |
|---|---|---|---|---|---|
| Reconnaissance en français | Correcte sur un son propre, fragile sur les noms propres | Correcte, adaptée aux réunions et présentations | Bonne, vocabulaire personnalisable | Pensé d’abord pour l’anglais ; français disponible | Bonne selon la taille du modèle ; noms propres à corriger |
| Éditeur de correction | Éditeur intégré à YouTube Studio, simple | Édition limitée des transcriptions | Éditeur complet, conçu pour le sous-titrage | Éditeur en ligne complet | Aucun en soi ; à associer à un éditeur (Subtitle Edit, par exemple) |
| Conventions d’accessibilité | À ajouter à la main | Identification des intervenants en réunion | Locuteurs, réglages de longueur et de durée des segments | Locuteurs ; service humain pour les sous-titres complets | À ajouter à la main |
| Formats d’export | Téléchargement des pistes (SRT, VTT, SBV) | Export de transcription (VTT, DOCX) | SRT, VTT et nombreux autres, incrustation possible | SRT, VTT et autres formats courants | SRT, VTT selon l’outil d’appel |
| Confidentialité | Contenu publié chez Google ; inadapté aux vidéos internes sensibles | Dans le périmètre du locataire Microsoft 365 | Service en ligne européen ; conditions à vérifier par contrat | Service en ligne américain ; conditions à vérifier par contrat | Traitement entièrement interne possible |
| Modèle de coût | Inclus | Inclus dans les licences concernées | À la minute ou par abonnement ; option humaine | À la minute ; tarif plus élevé avec relecture humaine | Gratuit (licence ouverte) ; coût du matériel et du temps d’intégration |
Ce tableau décrit les fonctions documentées par chaque éditeur. La qualité de reconnaissance dépend fortement du son : un micro-cravate dans une salle calme donne de bien meilleurs résultats, avec n’importe quel outil, qu’un enregistrement de salle avec écho. Avant de choisir, testez les outils sur deux ou trois de vos propres vidéos, dont une difficile.
Lecture par profil
Quelques vidéos publiques par mois
Pour une collectivité ou une PME qui publie sur YouTube, les sous-titres automatiques de la plateforme, corrigés dans l’éditeur intégré, constituent une solution raisonnable. Le coût est le temps de relecture. Il faut ajouter à la main les indications de locuteurs et de sons, et vérifier les noms propres, qui sont la source d’erreur la plus visible.
Un volume régulier ou plusieurs langues
Une plateforme spécialisée comme Happy Scribe ou Rev se justifie dès que le volume devient régulier : l’éditeur fait gagner du temps sur chaque vidéo, les réglages de segmentation produisent des sous-titres plus lisibles, et l’option de relecture humaine permet de déléguer les contenus les plus exposés. Le choix entre les deux tient surtout à la langue principale, à la localisation du traitement et aux engagements contractuels sur les données.
Des contenus internes ou sensibles
Formations internes, réunions de direction, contenus médicaux : ici, envoyer la vidéo à un service en ligne peut poser un problème de confidentialité. Deux options. Rester dans le périmètre d’un environnement déjà contractualisé, comme Microsoft 365, si l’organisation l’utilise et en a validé les conditions. Ou déployer un modèle ouvert comme Whisper, publié par OpenAI en 2022 sous licence libre, sur ses propres serveurs. Le traitement reste alors entièrement interne, mais il faut monter la chaîne : serveur avec processeur graphique pour un volume significatif, outil d’édition, procédure de relecture.
- Prêtes à l’emploi, sans compétence technique
- Éditeurs de correction aboutis (plateformes spécialisées)
- Options de relecture humaine à la demande
- Aucune donnée ne quitte l’organisation
- Pas de coût à la minute, mais un coût d’infrastructure
- Intégration, maintenance et éditeur à prévoir
Le vrai coût : la relecture
Dans tous les cas, le poste principal n’est pas l’outil mais le temps humain de correction. Il dépend de la qualité de la reconnaissance, donc du son, et de l’ergonomie de l’éditeur. C’est pourquoi un outil plus cher par minute peut revenir moins cher au total, s’il réduit de moitié le temps de relecture.
Pour estimer ce coût avant de choisir, une méthode simple : prendre trois vidéos représentatives, les faire traiter par deux ou trois outils, et chronométrer la correction jusqu’à un résultat conforme. Ce test, d’une demi-journée, vaut mieux que toutes les fiches commerciales.
Deux habitudes réduisent aussi le temps de relecture, quel que soit l’outil : enregistrer avec un micro proche de l’orateur, et constituer un lexique des noms propres et des termes métier, que plusieurs plateformes acceptent comme vocabulaire personnalisé.
Liste de contrôle avant de publier une vidéo sous-titrée
- Le texte a été relu intégralement par une personne, noms propres compris.
- Les locuteurs sont identifiés quand ils changent ou ne sont pas visibles.
- Les sons utiles à la compréhension sont indiqués.
- Les segments sont courts, lisibles et synchronisés avec la parole.
- Le fichier est fourni dans un format que le lecteur vidéo sait afficher (WebVTT pour le web).
- Une transcription textuelle est proposée à côté de la vidéo quand c’est utile.
Le sous-titrage n’est qu’une partie de l’accessibilité des médias. Notre guide sur les vidéos accessibles traite aussi de la transcription et de l’audiodescription, et notre comparatif des outils de transcription de réunions approfondit la question de la confidentialité. Pour mettre en place une chaîne de production durable, voir notre offre Accessibilité et inclusion.
- W3C, Web Content Accessibility Guidelines (WCAG) 2.2, critères 1.2.2 et 1.2.4, 2023.
- W3C, Web Accessibility Initiative, ressources sur les sous-titres et l’accessibilité des médias.
- DINUM, Référentiel général d’amélioration de l’accessibilité (RGAA) 4.1.2.
- Conseil supérieur de l’audiovisuel, charte relative à la qualité du sous-titrage à destination des personnes sourdes ou malentendantes, 2011.
- Documentation publique des solutions citées (YouTube, Microsoft, Happy Scribe, Rev, OpenAI Whisper).
Questions fréquentes
Les sous-titres automatiques de YouTube suffisent-ils pour être conforme ?
Non, pas sans relecture. Les WCAG exigent des sous-titres exacts et synchronisés. Les sous-titres automatiques contiennent des erreurs de mots, de ponctuation et de noms propres, et n'indiquent ni les locuteurs ni les sons utiles. Ils sont une bonne base de travail, pas un résultat final.
Quelle différence entre transcription et sous-titres ?
La transcription est le texte intégral, sans contrainte de temps. Les sous-titres sont découpés en segments courts, synchronisés avec l'image et limités en longueur de ligne pour être lisibles. Un bon outil produit les deux à partir du même travail de correction.
Combien de temps faut-il pour relire des sous-titres automatiques ?
Cela dépend de la qualité du son, du nombre de locuteurs et du vocabulaire. Pour un enregistrement propre avec un seul orateur, la relecture prend souvent une à deux fois la durée de la vidéo ; pour une table ronde bruitée, beaucoup plus.
Peut-on sous-titrer en direct automatiquement ?
Oui, plusieurs outils de visioconférence le proposent. Le résultat aide une partie du public mais ne remplace pas un sous-titrage en direct réalisé par des professionnels (vélotypie, sténotypie) pour les événements importants.