Quelle est la précision des sous-titres automatiques ?

Par la personne qui crée Captions Cut. Informations vérifiées le 22 octobre 2026 sur les pages listées sous Sources.

La réponse courte

Sur une voix claire dans une langue majeure, la meilleure reconnaissance vocale actuelle reconnaît environ 95 à 98 mots sur 100 (un taux d’erreur sur les mots de 2 à 5 %). Cela laisse quand même quelques erreurs dans un clip de 45 secondes, le plus souvent dans les noms, l’argot et les nombres. La précision chute nettement avec le bruit de fond, les micros éloignés, les personnes qui parlent en même temps, les accents marqués et les langues moins dotées ; relis donc chaque sous-titre avant de publier.

Le taux d’erreur sur les mots, en clair

Le taux d’erreur sur les mots (WER) compte les mots qu’un système se trompe (substitués, omis ou ajoutés) pour cent mots prononcés. Un WER de 5 % signifie environ une erreur tous les vingt mots. Un clip court compte de 100 à 150 mots : même un excellent système laisse donc généralement quelque chose à corriger.

Les scores des systèmes

Benchmark	Résultat	Qui a mesuré
Artificial Analysis, ~8 heures d’audio anglais en conditions réelles	ElevenLabs Scribe v2 : 2,2 % de WER, environ quatrième des modèles testés	Benchmark indépendant
Jeux de données propres à AssemblyAI	Son Universal-3.5 Pro 4,35 % ; GPT-4o Transcribe 5,34 % ; Scribe v2 5,87 % ; Deepgram Nova-3 6,66 %	AssemblyAI (un éditeur)
LibriSpeech test-clean (livres audio lus)	Whisper large-v2 : 2,7 % de WER	Article de recherche sur Whisper d’OpenAI
Niveaux par langue d’ElevenLabs	5 % ou moins pour l’anglais, le français, l’allemand, l’espagnol et le japonais ; 20 à 50 % pour l’ourdou, le yoruba et le zoulou	ElevenLabs (un éditeur)

Ce qui la fait échouer

Le bruit et la distance. Dans le défi CHiME-6, les enregistrements de personnes parlant d’un bout à l’autre d’une pièce ont obtenu environ 51 % de WER pour le système de référence.
Qui parle. Une étude de 2020 dans PNAS a trouvé que cinq systèmes commerciaux avaient en moyenne 35 % de WER pour les locuteurs noirs contre 19 % pour les locuteurs blancs.
Chevauchements et langues mélangées. YouTube cite les personnes qui parlent en même temps, les langues mélangées et les longs silences parmi les raisons pour lesquelles ses propres sous-titres échouent.
Hallucinations. L’article sur Whisper note que les modèles peuvent parfois produire un texte sans rapport avec l’audio.

Obtenir des sous-titres plus propres

Enregistre près du micro, loin de la musique et de la circulation.
Choisis la langue parlée au lieu de la détection automatique sur les clips courts ou mélangeant plusieurs langues.
Relis la transcription avant d’exporter. Dans Captions Cut, chaque mot est modifiable : touche-le pour corriger le texte ou son timing.

Comment nous avons vérifié

Les éditeurs se classent premiers sur les benchmarks qu’ils choisissent ; leurs chiffres sont donc présentés comme les leurs et non comparés d’un éditeur à l’autre. Le chiffre indépendant est celui d’Artificial Analysis. Consulté le 22 octobre 2026.

Questions

Les sous-titres automatiques sont-ils assez précis pour être publiés sans vérification ?

Rarement. Même avec 2 à 5 % de WER, un clip court contient en général une ou deux erreurs, souvent dans un nom. Relis-les d’abord.

Quelles langues sont les mieux transcrites ?

Les langues très parlées avec beaucoup de données d’entraînement (anglais, espagnol, français, allemand, japonais et autres) obtiennent les meilleurs scores. Captions Cut en transcrit 53 ; les langues moins dotées demandent plus de corrections.

Sources

Chaque page consultée le 22 octobre 2026.

Sous-titrer une vidéo dans ton navigateur Obtenir l’app iPhone