L'horodatage mot à mot : ce que c'est, et ce qui tombe sans lui
Chaque mot situé précisément dans l'audio. Quatre fonctions en dépendent, la plupart des moteurs n'en rendent pas, et la difficulté n'est pas où on la cherche.
Demandez un fichier audio à un moteur de synthèse vocale et vous obtenez un fichier audio. Demandez-lui où commence le huitième mot et, la plupart du temps, il n'a pas de réponse. Cet écart, entre disposer du son et savoir ce qui se dit à un instant donné, c'est ce que l'horodatage mot à mot vient combler. Et il décide de beaucoup plus de choses qu'il n'y paraît.
Ce qu'est réellement un horodatage mot à mot
C'est un instant de début et un instant de fin, dans l'audio, pour chaque mot du texte. Pas pour le paragraphe, pas pour la phrase : pour le mot. Un article de trois minutes produit une table de six à sept cents entrées, chacune disant « ce mot court de 42,180 à 42,415 secondes ».
La différence avec un calage à la phrase compte plus qu'on ne l'imagine. Le calage à la phrase vous dit quelle phrase est en cours. Le calage au mot vous dit quel mot est en cours, c'est toute la distance entre une interface qui suit la lecture et une interface qui l'approxime. À débit normal, une phrase dure quatre à six secondes. Surligner un bloc entier pendant six secondes ne donne pas la sensation de suivre : ça donne la sensation d'une lampe restée allumée.
Les quatre fonctions qui en dépendent sans le dire
Le texte surligné. Le texte à l'écran s'éclaire au rythme de la voix. C'est la fonction visible, celle qu'on demande par son nom, parce que c'est elle qui rend une version audio utile à quelqu'un qui lit difficilement, et pas seulement à quelqu'un qui a renoncé à lire.
La recherche dans la parole. Taper un nom et sauter au moment où il est prononcé suppose de savoir où chaque mot se trouve. Sans horodatage, on cherche dans la transcription, mais on n'atterrit pas dans l'audio.
Des sous-titres qui tombent juste. Un fichier de sous-titres est une suite de blocs avec un point d'entrée et un point de sortie. Fabriqués depuis un calage à la phrase, les blocs décrochent dès le milieu d'un paragraphe ; fabriqués depuis un calage au mot, ils se posent là où les mots sont, et les coupes tombent sur une respiration plutôt que sur une estimation.
Corriger trois mots sans refaire l'article. Si un nom propre est mal prononcé, la correction devrait coûter trois mots de synthèse, pas l'article entier. Cela suppose de retrouver le passage dans l'audio, de couper aux silences qui l'encadrent, d'y insérer le segment corrigé et de recoudre. Tout cela part de la connaissance exacte de l'endroit où le passage se trouve.
Retirez l'horodatage et aucune de ces quatre fonctions ne tombe bruyamment. Elles deviennent simplement indisponibles, ce qui est une chose bien plus facile à découvrir trop tard.
D'où il vient, et pourquoi tous les moteurs n'en rendent pas
Il existe deux façons d'obtenir un calage au mot. La première : le moteur le rend en même temps qu'il synthétise. Il sait ce qu'il a produit, donc il peut dire où. C'est la voie précise, et elle ne coûte rien de plus.
La seconde s'appelle l'alignement forcé. On prend l'audio et le texte d'origine, on passe un moteur de reconnaissance vocale sur l'audio, et on rapproche sa sortie du texte de départ. Ça fonctionne, c'est le repli quand le moteur reste muet, et ça introduit sa propre marge d'erreur. Ça coûte aussi une seconde passe sur chaque fichier.
Qu'un moteur rende ou non des horodatages ne dit rien de sa qualité vocale. D'excellentes voix n'en rendent pas, des voix quelconques en rendent. C'est un choix d'interface fait tôt dans la vie d'un produit, et rarement rouvert ensuite, raison pour laquelle il vaut mieux poser la question avant de construire par-dessus qu'après.
La difficulté n'est pas le chronomètre, c'est l'appariement
Voici ce qui surprend les équipes qui construisent cela pour la première fois : le mot écrit et le mot prononcé ne se correspondent pas un pour un.
Un moteur de synthèse développe le texte avant de le lire. Un sigle peut être épelé lettre par lettre, et un mot écrit devient alors quatre mots prononcés. Une année se lit en toutes lettres, un nombre décimal devient une expression autour d'un séparateur, un symbole monétaire se transforme en un nom qui ne figure nulle part dans la source, un ordinal se voit pousser un suffixe. Chacun de ces cas casse l'hypothèse selon laquelle le n-ième mot écrit correspond au n-ième intervalle sonore.
Si vous surlignez en comptant les mots, le surlignage est juste jusqu'au premier sigle et faux pour tout le reste du paragraphe. La solution consiste à conserver la correspondance entre le mot source et le nombre de mots prononcés qu'il a engendrés, puis à faire voyager cette correspondance dans chaque fonction en aval. Ce travail n'a rien de spectaculaire, et c'est pourtant lui la vraie difficulté : les horodatages eux-mêmes sont la moitié facile.
Deux pièges plus discrets méritent d'être nommés. Les fichiers longs accumulent une dérive quand les calages sont recousus d'un bloc à l'autre : c'est la dernière minute d'une lecture de vingt minutes qui trahit les erreurs en premier. Et un texte modifié après la synthèse invalide toute la table : un horodatage appartient à un audio précis d'un texte précis, et le réutiliser d'une version à l'autre produit un surlignage tranquillement, subtilement faux.
Les questions à poser avant de s'engager
Si le texte surligné, la recherche dans la parole, les sous-titres calés ou la correction ciblée figurent quelque part dans votre feuille de route, les questions sont : le moteur rend-il un calage au mot nativement, ou faut-il ajouter une passe d'alignement ; comment les mots développés sont-ils reliés au texte source ; et le calage survit-il à une relecture du même article. Un moteur qui répond « au niveau de la phrase » n'est pas disqualifié, cela signifie simplement que les quatre fonctions ci-dessus deviennent un chantier plutôt qu'un réglage.
Chez WeDispatch, la règle est écrite comme une capacité du moteur et non comme une propriété d'un forfait, précisément parce que les moteurs changent : un palier de lecture qui ne rend pas d'horodatage éteint les fonctions qui en dépendent et le dit à l'écran, plutôt que de proposer un surlignage qui désignerait discrètement le mauvais mot. Pour voir à quoi cela ressemble, l'entrée texte synchronisé couvre le côté interface, la recherche dans la parole le côté navigation, et la correction ciblée le côté réparation. La réponse la plus rapide reste malgré tout de l'entendre sur un de vos articles.
Sonorisez vos articles avec WeDispatch
Ce blog sera lui-même sonorisé par WeDispatch. Envie de voir ce que ça donne sur vos contenus ?
Demandez une démo