Pourquoi les sous-titres automatiques se coupent à des endroits maladroits

Voilà quelque chose qui m'a agacé pendant des mois.

Vous importez une vidéo où quelqu'un dit : « Je suis allé au supermarché hier acheter des œufs. »

Un découpage fondé sur un nombre fixe de mots peut produire ceci :

Ligne 1 : "Je suis allé au"
Ligne 2 : "supermarché hier"
Ligne 3 : "acheter des œufs"

Relisez ça. « Je suis allé au » — au quoi ? Votre cerveau doit retenir ce fragment en mémoire de travail jusqu'à ce que la ligne suivante apparaisse. C'est comme lire un livre où quelqu'un a coupé chaque ligne avec des ciseaux à des intervalles aléatoires.

C’est le problème de segmentation des sous-titres. Il passe facilement inaperçu dans une courte démo, mais devient évident lorsqu’une phrase est coupée avant que le public ait assez de contexte. C’est pourquoi nous traitons les sous-titres comme un travail de montage, et non comme une transcription plaquée sur la vidéo.

Pourquoi c'est plus difficile qu'il n'y paraît

Découper tous les N mots est cohérent, mais produit souvent des fragments maladroits. La ponctuation offre de meilleurs points de coupure, même si celle qui est générée à partir de la parole n’est pas toujours parfaite. Le rythme aide aussi : une pause nette peut suggérer une coupure naturelle, contrairement à une simple respiration.

Il faut donc équilibrer ces signaux avec une longueur confortable à lire. Aucune règle automatique ne convient à toutes les voix, langues et façons de parler ; le résultat doit rester facile à modifier.

Ce que nous utilisons aujourd’hui

Nous avons amélioré la segmentation autour de quelques signaux simples et vérifiables :

La ponctuation lorsqu’elle est disponible. Une fin de phrase claire constitue un bon point de coupure. Nous ne supposons pas que chaque signe généré est juste.

Les pauses évidentes dans le minutage. Un intervalle notable entre deux mots peut servir de solution lorsque la ponctuation manque.

Une limite stricte de longueur. Le segmentateur actuel coupe dès qu’un bloc assemblé atteint ou dépasse 60 caractères. La ponctuation ou une pause peut encore créer un fragment court ; le résultat reste donc modifiable au lieu d’être présenté comme définitif.

L’Editor garde le dernier mot. La segmentation est un premier brouillon. Avant l’export, vous pouvez corriger le texte et scinder ou fusionner les blocs qui ne correspondent pas au débit de la personne.

Avant / Après

Même transcription, ancien algorithme vs nouveau :

Avant :

"Donc ce que j'ai fait"
"ces derniers temps c'est travailler"
"sur ce nouveau projet"
"dont je suis vraiment excité"

Après :

"Donc ce que j'ai fait ces derniers temps"
"c'est travailler sur ce nouveau projet"
"dont je suis vraiment excité"

La différence semble faible à l’écrit. Dans cet exemple, le nouveau regroupement suit mieux le débit, car chaque bloc contient une expression plus complète. Cela reste un exemple, pas la promesse qu’une règle unique produira la meilleure coupure pour chaque voix ou chaque langue.

Pourquoi ce problème passe facilement inaperçu

Les courtes démos comportent souvent des phrases préparées et peu de blocs. Une parole plus longue et moins écrite révèle davantage de combinaisons de ponctuation, de pauses et de limites de groupe, ce qui rend les coupures maladroites plus visibles.

Nous avons repéré ce schéma en testant CaptionBolt sur nos propres clips, puis ajusté le segmentateur autour de signaux vérifiables. La logique actuelle utilise, dans cet ordre, la ponctuation de fin de phrase, les pauses dont la durée dépasse 300 ms, la ponctuation de proposition et une limite stricte de 60 caractères.

Les nouveaux imports utilisent déjà cette segmentation. Considérez le résultat comme un brouillon modifiable : relisez-le dans l’Editor, puis scindez ou fusionnez les blocs qui ne suivent pas le débit de la personne.

Lectures liées

Pour voir le côté pratique de ce problème, lisez comment ajouter des sous-titres à une vidéo ou comment modifier des fichiers SRT. Pour corriger vos fichiers, utilisez le générateur automatique de sous-titres et l'éditeur de sous-titres.