Sous-titres SRT et VTT : un fichier de plus, sans un centime de plus

Quand on parle de sous-titrage automatique, l'image qui vient est celle d'une intelligence artificielle qui réécoute un enregistrement et devine ce qui a été dit. C'est ce que vend PlayPlay, et c'est ce que facturent la plupart des outils qui posent le mot « IA » sur cette fonction. Chez nous, le sous-titre n'est pas deviné : il est déjà là. C'est un sous-produit de ce que le lecteur fait de toute façon, et cette différence n'est pas un détail de marketing, elle change ce que la fonction coûte et ce sur quoi vous pouvez compter.

Pourquoi ils ne coûtent rien à fabriquer

Quand un article est sonorisé, le moteur ne rend pas seulement un fichier audio. Il garde aussi, pour chaque mot, l'instant où il commence et l'instant où il finit. C'est ce calage mot à mot qui permet le surlignage synchronisé du texte pendant l'écoute, celui décrit dans l'article sur la lecture guidée et dans celui sur l'horodatage mot à mot. Or un sous-titre, à la base, c'est exactement cela : un morceau de texte, un instant de début, un instant de fin.

Fabriquer un SRT ou un VTT ne demande donc aucun nouveau traitement. Aucun appel d'IA supplémentaire, aucun modèle qui réécoute l'audio, aucun stockage en plus. On assemble un fichier à la volée à partir d'une donnée déjà capturée le jour de la génération. C'est pour cela que la fonction est offerte là où d'autres la vendent comme une brique à part : nous n'avons rien à refacturer, parce que nous n'avons rien à recalculer.

La seule condition, dite franchement

Il y a une limite, et elle mérite d'être posée noir sur blanc plutôt que découverte à l'usage. Le calage mot à mot n'existe que pour les audios générés à partir du 13 juillet. Un article sonorisé avant cette date n'a pas de piste de synchronisation : il a un fichier son, pas la liste des mots avec leurs instants. Pour lui, l'export de sous-titres ne renvoie pas un fichier vide qui laisserait croire à une panne, il renvoie un message clair qui dit ce qui manque et comment l'obtenir : régénérer l'audio de l'article suffit à recréer le calage, et les sous-titres suivent.

C'est une dette assumée, pas un défaut caché. Nous préférons vous dire « cet audio est trop ancien, régénérez-le » plutôt que produire un fichier de sous-titres approximatif reconstruit par une transcription indépendante, qui aurait sa propre marge d'erreur et contredirait parfois ce que la voix dit réellement.

Deux formats, deux usages

L'export propose le SRT et le VTT, et le choix n'est pas cosmétique. Le SRT est le format universel du sous-titre : une plateforme vidéo, un logiciel de montage, un lecteur multimédia le comprennent sans réglage. Le VTT (WebVTT) est le format du web : c'est celui qu'une balise de piste attend dans une vidéo HTML, et il porte l'information de langue, ce qui compte quand la page mêle plusieurs langues. La seule différence visible entre les deux tient à un détail de norme, la virgule ou le point avant les millisecondes du minutage, mais chaque écosystème est strict sur le sien.

Ce qui sépare un sous-titre lisible d'un sous-titre juste techniquement

Un fichier de sous-titres peut être parfaitement valide et rester illisible à l'écran. C'est le piège des outils qui découpent au mot ou à la seconde ronde. Nous appliquons les conventions du sous-titrage professionnel, celles de la BBC, de Netflix ou du CSA, parce que c'est l'accessibilité que ces fichiers servent, et qu'un sous-titre qu'on ne peut pas suivre ne rend service à personne.

Concrètement, cela veut dire quelques règles simples et non négociables :

• Une ligne ne dépasse pas quarante-deux caractères. Au-delà, l'œil doit faire un aller-retour horizontal et décroche.
• Un sous-titre tient sur deux lignes au maximum. La troisième masque l'image et sort de l'empan de lecture.
• Un sous-titre reste affiché au moins une seconde, faute de quoi il clignote sans se lire, et sept secondes au plus, faute de quoi l'œil le relit et s'ennuie.
• La coupure se fait sur une frontière naturelle du texte : une fin de phrase, une respiration marquée par une virgule, un vrai silence entre deux mots. Jamais au milieu d'une idée.

Ces règles ne sont pas là pour faire joli. Elles sont ce qui distingue un fichier qu'on peut poser sur une vidéo d'un fichier qu'il faudrait reprendre à la main.

À quoi ça sert concrètement

Le premier usage est l'accessibilité, au sens strict. Une personne sourde ou malentendante ne bénéficie pas de la version audio d'un article ; le sous-titre, lui, rend ce contenu lisible en même temps qu'il est écouté par d'autres. Le second usage est la vidéo : un extrait sonore posé sur une image fixe, une reprise sur les réseaux, un montage court se regardent le plus souvent sans le son, et un sous-titre correct est ce qui fait qu'on les regarde jusqu'au bout.

L'export se récupère par l'interface pour un article donné, et par l'API pour ceux qui automatisent leur chaîne de publication, dans la logique décrite sur la page text to speech français : la même donnée sert la voix, le surlignage et le sous-titre, parce qu'elle a été capturée une fois, proprement, au bon moment. Le reste des fonctions du lecteur est détaillé sur la page dédiée aux sous-titres.

Le sous-titrage n'est pas un module d'IA de plus. C'est ce que devient une donnée de calage quand on a pris la peine de la garder. La qualité tient à l'exactitude de cette donnée, pas à la puissance d'un modèle qui devinerait après coup : le sous-titre dit exactement ce que la voix prononce, au bon moment, parce qu'il vient de la même source.

À lire aussi

• A priori, in fine, etc. : comment une voix française doit lire le latin
• La ligature œ : le petit signe qui trahit un moteur de synthèse vocale
• M., Mme, Me, Dr : lire les titres de civilité à voix haute en français