L’essentiel (BLUF) : L'outil transforme l'audio ou la vidéo en texte et sous-titres : il reconnaît la parole avec le modèle Whisper directement dans votre navigateur, détecte la langue de l'enregistrement ou prend celle que vous choisissez, ajoute des horodatages et fournit le résultat en TXT, SRT, VTT et JSON. Pour la vidéo, il produit aussi un clip avec sous-titres incrustés. Le fichier n'est jamais envoyé, aucun jeton n'est débité et il n'y a pas d'API payante ici.
L'outil prend un fichier audio ou vidéo et transforme la parole en texte. Vous déposez un fichier et vous obtenez une transcription avec horodatages, des sous-titres prêts à l'emploi et, pour la vidéo, le même clip avec des sous-titres incrustés directement dans les images.
La reconnaissance tourne avec le modèle Whisper (le modèle multilingue ouvert Xenova/whisper-tiny) via Transformers.js : sur la carte graphique via WebGPU quand le navigateur la propose, sinon sur le processeur via WASM. La piste audio est extraite du fichier localement, dans la mémoire de votre navigateur.
Audio : MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Vidéo : MP4, WebM, MOV, M4V, MKV, AVI, OGV. Pour une vidéo, l'outil extrait lui-même la piste audio – inutile de la découper séparément.
Le son est converti en mono 16 kHz – exactement la forme attendue par Whisper. Un enregistrement long est reconnu par blocs de 30 secondes avec un recouvrement de 5 secondes, afin qu'aucun mot ne se perde aux jonctions.
Le fichier n'est pas envoyé : le son, la reconnaissance et l'assemblage des sous-titres se produisent entièrement dans votre navigateur. Il n'y a pas d'API payante ici et aucun jeton n'est débité.
Les poids du modèle sont téléchargés une seule fois depuis le catalogue ouvert de Hugging Face puis restent dans le cache de votre navigateur : au prochain passage, le modèle démarre sans nouveau téléchargement. Pas d'inférence côté serveur, pas de CUDA et pas de GPU de secours chez nous.
Whisper reconnaît 99 langues. Par défaut, la langue est détectée automatiquement et l'outil indique laquelle il a entendue. Si l'enregistrement est court ou mélangé, vous pouvez choisir la langue manuellement dans la liste – la reconnaissance en est alors plus précise.
Vous pouvez copier le texte d'un bouton ou le télécharger dans quatre formats. TXT est une transcription simple, avec ou sans horodatages. SRT et VTT sont des sous-titres prêts pour les lecteurs, les monteurs vidéo et YouTube. JSON est la transcription avec la langue, la durée et chaque réplique horodatée – pratique pour un traitement ultérieur.
Pour un fichier vidéo, l'outil fabrique un nouveau clip dans lequel les sous-titres sont incrustés directement dans les images. Une telle vidéo se lit partout, même là où les sous-titres externes ne sont pas pris en charge : dans les messageries, sur les réseaux sociaux et dans n'importe quel lecteur. Le son d'origine est conservé.
Les mêmes sous-titres sont aussi téléchargeables en fichiers SRT et VTT – vous pouvez les rattacher à la vidéo d'origine sans la reconstruire.
Il ne traduit pas la parole dans une autre langue : la reconnaissance se fait dans la langue de l'enregistrement, la traduction est une autre tâche. Il ne sépare pas les locuteurs par la voix et n'indique pas qui a dit quoi.
Il ne traite pas la musique et le bruit comme de la parole : s'il n'y a pas de parole intelligible dans l'enregistrement, la transcription sera vide ou imprécise. La qualité dépend de l'enregistrement – une voix claire, sans bruit ni écho, donne un résultat nettement meilleur.
Choisissez un fichier audio ou vidéo, réglez la langue si besoin (ou laissez la détection automatique) et appuyez sur « Reconnaître la parole ». Attendez la transcription – la progression est affichée à l'écran et la reconnaissance peut être annulée.
Copiez ensuite le texte ou téléchargez TXT, SRT, VTT ou JSON. Si vous avez déposé une vidéo, appuyez sur « Créer une vidéo avec sous-titres » et téléchargez le clip fini.
Créateurs de vidéos et de podcasts – des sous-titres pour la publication et une transcription pour les descriptions. Étudiants et journalistes – le texte des cours, des interviews et des enregistrements de dictaphone. Tous ceux qui veulent vite obtenir le texte d'un enregistrement sans l'envoyer sur le serveur de quelqu'un d'autre.
Nulle part. Le son est extrait et reconnu entièrement dans votre navigateur, sur votre appareil. Il n'atteint jamais notre serveur.
Non. C'est un outil gratuit qui tourne sur votre appareil : il n'y a pas d'API payante ici, donc il n'y a rien à débiter.
Le modèle calcule sur votre appareil. Le premier lancement est plus long : les poids du modèle sont téléchargés et le graphe s'échauffe. Ensuite le modèle vient du cache de votre navigateur et la reconnaissance va plus vite.
Choisissez la langue manuellement dans la liste et relancez la reconnaissance – sur les enregistrements courts, un choix manuel est plus précis que la détection automatique.
Oui. Téléchargez SRT ou VTT et rattachez-les à la vidéo, ou fabriquez directement dans l'outil un clip avec sous-titres incrustés.