Qu’est-ce qu’une transcription ? — Définition, exemples et méthodes (2026)

Une transcription consiste à convertir un enregistrement audio ou vidéo en texte écrit. Concrètement, on écoute l’enregistrement et on note fidèlement (mot à mot ou de façon synthétique) ce qui a été dit. Le résultat est un document texte souvent appelé « transcript » en contexte professionnel. La transcription sert aux entretiens, réunions, cours, podcasts, études qualitatives et sous-titres. En linguistique, c’est la méthode centrale pour rendre la parole analysable.

En français courant, « transcription » et « retranscription » sont largement synonymes : les deux désignent la mise à l’écrit d’un contenu oral. La nuance existe surtout dans l’usage : « retranscription » insiste souvent sur le caractère minutieux ou manuel du travail (recherche qualitative, journalisme, comptes rendus), tandis que « transcription » est le terme générique couvrant aussi les processus automatiques par IA. Techniquement, les deux produisent le même type de document.

Deux méthodes principales : manuelle et automatique. En manuel, on ouvre un lecteur audio (VLC, oTranscribe) et un traitement de texte, on écoute par courts segments et on tape — compter environ 4 heures de travail par heure d’audio. En automatique, on téléverse le fichier dans un outil comme VexaScribe basé sur Whisper : la transcription est prête en 5 à 10 minutes avec horodatages et étiquettes de locuteurs, à relire avant publication.

Verbatim (du latin « mot pour mot ») désigne une transcription qui restitue intégralement la parole : hésitations (euh, hmm), répétitions, faux-départs, fautes de grammaire, silences. Elle est utilisée en recherche qualitative, en analyse conversationnelle, dans les procédures judiciaires et en étude de marché — chaque nuance compte. Pour la publication (presse, livre), on lui préfère souvent une version synthétique ou éditée, plus lisible.

Un exemple type contient des horodatages, des étiquettes de locuteurs et le texte transcrit. Par exemple : « [00:00:03] Journaliste : Pouvez-vous nous présenter vos travaux ? [00:00:07] Chercheuse : Bien sûr. Depuis 2024, nous évaluons les modèles de reconnaissance vocale pour le français. » Les transcriptions académiques ajoutent des conventions pour les pauses, les chevauchements et l’intonation. Plus bas sur cette page, un exemple complet en quatre tours de parole illustre le format standard.

La transcription est l’action de convertir de la parole (audio ou vidéo) en texte écrit. Le mot vient du latin « transcribere » (trans- « au-delà » + scribere « écrire »), littéralement « écrire d’un support à un autre ». En pratique moderne, c’est ce que font les journalistes après un entretien, les étudiants après un cours, les chercheurs après une session d’enquête ou les outils IA comme VexaScribe qui traitent des heures d’audio en quelques minutes.

« Transcript » est un emprunt à l’anglais, de plus en plus utilisé en milieu professionnel francophone (tech, business, académique international) pour désigner le document texte issu d’une transcription. En français normatif, on dit plutôt « transcription » (le résultat) ou « retranscription ». Le terme « transcript » n’a pas d’entrée dans le Dictionnaire de l’Académie française mais figure dans les glossaires spécialisés du numérique et de l’audiovisuel.

En linguistique, la transcription désigne la mise à l’écrit systématique d’un discours oral, avec ou sans conventions particulières (pauses, intonation, chevauchements). Attention à ne pas confondre avec les trois autres sens du mot : en biologie moléculaire, la transcription est la synthèse d’ARN à partir d’ADN ; en droit, c’est la copie d’un acte sur un registre officiel (état civil, hypothèques) ; en musique, c’est l’adaptation d’une œuvre pour un autre instrument. Cette page traite exclusivement le sens linguistique.

Sur le benchmark FLEURS, OpenAI Whisper Large-v3 atteint un taux d’erreur de mots (WER) d’environ 4 à 5 % en français (Radford et al., 2022 — arXiv:2212.04356, tableau 5). Autrement dit, sur 100 mots prononcés, 4 à 5 sont mal reconnus en moyenne. La précision diminue avec les accents régionaux (québécois, francophone d’Afrique de l’Ouest), les bruits de fond, le vocabulaire technique ou plusieurs personnes qui parlent en même temps. Sur un audio studio propre, la précision dépasse souvent 96 %.

Techniquement, la transcription audio automatique repose sur des modèles neuronaux de type encodeur-décodeur (architecture Transformer). L’audio est découpé en segments courts (30 secondes), converti en spectrogramme de Mel, puis analysé par un encodeur acoustique. Un décodeur linguistique génère ensuite le texte, en combinant probabilités acoustiques et probabilités linguistiques. Les modèles multilingues comme Whisper sont entraînés sur des centaines de milliers d’heures d’audio dans des dizaines de langues, dont le français.