Convertir « automatiquement » du son en texte : pour quoi faire?

Beaucoup de gens découvrent Sonal sur ce qu’il faut bien appeler un malentendu. Parmi les requêtes qui amènent les internautes sur le site du logiciel, une nombre très important renvoie au souhait de pouvoir convertir plus ou moins automatiquement du son en texte.

Voici par exemple une série de recherches dans Google qui ont amené des internautes sur le site durant la dernière semaine…

  • logiciel de transcription audio en texte
  • programme transcription oral
  • logiciel de transcription vocale
  • logiciel qui écrit ce qui est un dit dans un enregistrement
  • logiciel retranscription audio en texte
  • logiciel retranscription ecrite des memo vocaux mac
  • analyse de la voix pour reconnaissance vocale
  • application qui retranscrit
  • conversion automatique de la voix en texte
  • logiciel conversion oral écrit
  • logiciel de conversion de l’oral a l’ecrit
  • logiciel de retranscription audio en texte
  • logiciel de transcription audio
  • logiciel gratuit pour retranscrire sa voix sur word
  • logiciel gratuit pour retranscrire sa voix sur word pour mac
  • logiciel pour enregistrer sa voix et export vers word
  • logiciel qui écrit ce qui est dit
  • logiciel traduction automatique voix texte écrit »

Je suis toujours un peu désolé de voir le nombre d’internautes qui espèrent trouver en Sonal un outil aussi gratuit que miraculeux qui fera ce travail fastidieux à leur place. Or, si vous avez déjà essayé Sonal, vous savez qu’il vous facilite beaucoup les choses, en vous « dictant » la retranscription, ce qui vous décharge presque complètement du contrôle de la bande (plus besoin de pédalier, ni même de raccourci clavier), mais qu’il ne convertit pas automatiquement le son en texte, comme peuvent le faire – plus ou moins bien – les logiciels de reconnaissance vocale.

Donc, c’est dit – et corrigé en page d’accueil – Sonal est un outil d’aide à la retranscription et, à ma connaissance, la solution à la fois miraculeuse et gratuite qui permettrait de retranscrire « automatiquement » n’existe pas encore. J’ai déjà abordé ce point ailleurs, aussi je serai bref sur ce point.

Les limites de la reconnaissance vocale

La reconnaissance vocale est pour l’instant réduite à une alternative encore problématique : soit elle parvient à reconnaître un lexique réduit chez une grande variété de locuteurs, soit elle parvient à identifier un lexique étendu, mais chez un seul locuteur. Les standards téléphoniques automatisés et tous les outils de pilotage à la voix fonctionnent assez bien s’ils savent à quoi s’attendre. Votre accent marseillais ou franc-comtois ne perturbera pas forcément l’algorithme de reconnaissance vocale s’il sait que vous allez dire soit « billet », soit « horaires ». En revanche, si le logiciel ne sait pas à quels mots s’attendre, il a intérêt à pouvoir décomposer syllabe par syllabe ce que vous venez de dire pour pouvoir trouver le mot le plus probable. Et là il vaut mieux qu’il sache, si par exemple vous avez l’accent franc-comtois, que votre prononciation de « vélo » n’est pas forcément très éloignée de celle de « vêla » dans la bouche d’un picard (d’autant que les logiciels de reconnaissance vocale ne sont pas forcément capables de faire la différence entre un cycliste et un vétérinaire – même s’il doit bien exister des vétérinaires cyclistes, je doute qu’une vache puisse vêler à vélo, mais je m’égare).  Il faut donc que le logiciel vous connaisse. Cela implique que vous aurez du mal, pour l’instant, à donner n’importe quelle voix à retranscrire à un logiciel. Les améliorations sont constantes mais – dernière limite – il ne faut pas perdre de vue que la reconnaissance vocale est adaptée à la production de documents écrits de type courrier. A ma connaissance, aucun logiciel, encore moins gratuit, n’est donc pour l’instant capable de reconnaître efficacement un lexique étendu prononcé par un nombre élevé de locuteurs, à plus forte raison s’ils s’expriment naturellement et se coupent ponctuellement la parole, voire parlent en même temps, comme cela se passe dans un entretien semi-directif.

Il serait pourtant dommage de s’arrêter à ce constat d’impossibilité technique. J’aimerais, dans ce qui suit, en profiter pour discuter plus profondément cette question de la « retranscription automatique », du pourquoi de cette aspiration et de ce qu’elle permet de comprendre de l’économie et de l’organisation de la recherche. Je terminerai en avançant, ce n’est pas une surprise, ce que Sonal peut apporter dans ce contexte.

La retranscription, comment y échapper?

L’attrait que suscite l’existence supposée d’un outil de reconnaissance vocale gratuit est bien compréhensible pour qui tient compte de l’économie spécifique de la recherche en sciences humaines. La retranscription manuelle est éminemment chronophage et pour le moins fastidieuse. Tout le monde a donc le désir assez logique d’y échapper, mais cette possibilité est inégalement répartie selon les positions : les chercheurs statutaires qui montent des projets de recherche prévoient généralement une part du budget pour les retranscriptions, qu’ils font réaliser par des prestataires privés ou par des étudiants. De leur côté, les étudiants, les doctorants et les chercheurs sous-financés se retrouvent généralement seuls,  adossés au « mur de la retranscription » et n’ont personne à qui sous-traiter ce qui leur apparaît comme un « sale boulot ».

C’est logiquement eux que la perspective d’une solution miracle attire en premier. On ne peut que comprendre cette envie profonde de s’épargner un travail fastidieux, lorsqu’il s’agit de réaliser une tâche pour un tiers mais je suis beaucoup plus partagé lorsqu’il s’agit d’étudiants à qui l’on demande de retranscrire leurs propres entretiens. C’est sans doute un peu facile, de ma position, de défendre cette option, mais je pense qu’il faut impérativement rappeler que le travail d’analyse des entretiens commence avec le processus de retranscription, qui peut et doit être une véritable étape d’appropriation des matériaux, surtout si l’on souhaite abandonner ensuite le support audio.

Aussi je ne partage pas ce rêve récurrent de pouvoir donner du son à manger à une machine, pour qu’après un processus mystérieux de « conversion », en ressorte du texte parfaitement conforme et donc substituable à la bande. Il me semble d’ailleurs que ce fantasme interroge profondément le rapport des chercheurs au son et les habitudes prises en matière d’organisation du travail. Il fait écho à quelque chose qui ne laisse pas de m’intriguer : pour bon nombre de chercheurs, le travail d’analyse, le vrai travail sociologique, semble ne commencer qu’avec le verbatim des entretiens, ce qui suppose un partitionnement quasi étanche entre les divers matériaux de l’enquête. Cela soulève plusieurs questions.

Relire ou réécouter?

La première, la plus simple, est sans doute la suivante : que gagne-t-on et que perd-on à relire un entretien plutôt qu’à le réécouter ? On gagne plusieurs choses : de la rapidité d’appropriation d’abord. Il faut généralement beaucoup moins d’une heure pour relire la transcription d’un entretien d’une heure. Autre avantage, le texte est un facteur d’objectivation précieux, bien qu’à double tranchant, qui introduit une distance salutaire entre le locuteur et le lecteur. On peut aussi évoquer, de manière très prosaïque, le poids relatif des matériaux sonores et textuels en termes de stockage, même si la question devient de moins en moins prégnante à mesure que les capacités des ordinateurs s’accroissent.

La transcription est une traduction

Si l’on se penche maintenant sur la question des inconvénients associés au fait de travailler un corpus d’entretiens à partir des seuls verbatims, on ouvre une véritable boîte de Pandore. Pour avoir dû « resynchroniser » des entretiens dans Sonal, j’ai eu l’occasion de relire et de réécouter simultanément des entretiens retranscrits par des professionnels, chose qu’on n’a que rarement l’occasion de faire en temps normal. C’est peu dire que l’exercice est surprenant. On y comprend que le rêve d’une conversion stricte des dialogues en texte est parfaitement utopique. Le transcripteur est un traducteur, qui synthétise certaines digressions, lisses des hésitations (pour des raisons de lisibilité qui se défendent), organise des alternances de parole là où il y a superpositions (ce qui est fréquent en entretien).  Le rêve d’une transcription parfaitement fidèle et littérale d’une discussion orale, qui plus est automatique, est donc une pure illusion. La sociologie est une discipline littéraire, une langue, qui ne peut  restituer le langage des personnes interrogées sans transformation. David Guéranger, dans une communication intitulée « L’écriture sociologique en tensions. La réécriture d’un entretien par Pierre Bourdieu » analyse différentes versions d’un entretien publié dans « La Misère du Monde » et montre ainsi comment P. Bourdieu s’est arrangé avec l’hétérogénéité des mondes sémantiques de ses interlocuteurs et de ses lecteurs, arbitrant sans cesse entre la fidélité à la parole et la lisibilité. Cette analyse, qui ne se prive pas de tacler au passage certaines reformulations discutables, illustre très bien les limites d’une analyse centrée sur le seul verbatim.

Le problème, une fois qu’on a admis que les verbatims n’étaient pas parfaitement substituables au son, c’est qu’il faut bien faire le constat que quelque chose cloche dans les protocoles standards de la sociologie, dans lesquels la transcription tend à jouer un rôle de frontière entre une phase empirique de collecte des matériaux sur le terrain et une phase analytique, plus littéraire, qui n’est plus reliée au terrain que par le fil fragile de la fidélité des transcriptions.

C’est là que Sonal apporte quelque chose : pourquoi, puisque c’est techniquement faisable, ne pas travailler à partir de matériaux sonores, en parallèle des retranscriptions?

Dans l’organisation usuelle du travail, le son est condamné à sortir du champ de l’analyse et l’écoute est généralement réalisée par transcripteur qui n’est généralement pas le chercheur lui-même. En grossissant le trait, on peut presque dire que bien souvent, une personne travaille un matériau sonore, le retranscrit, et qu’une nouvelle recherche commence pour une autre personne sur un nouveau matériau une fois les retranscriptions finies. De là l’idée que la vraie sociologie commencerait avec les verbatims,  que le seul matériau « noble » soit d’ordre textuel, ce qui relègue à un oubli plus ou moins programmé les enregistrements, qui sont pourtant un matériau autrement plus riche de signifiants que le texte seul.

Les avantages d’un corpus audio-textuel

Nous vivons probablement une époque de transition dans le travail sociologique. Celui-ci se construit de plus en plus à l’aide d’outils multimédias, avec des enregistrements sonores ou vidéos mais, pour l’instant du moins, les productions  qui permettent la valorisation des matériaux collectés sont dans leur immense majorité de type textuel. Cela explique peut-être l’abandon programmé du son mais les progrès de l’informatique permettent tout à fait de conserver le matériau sonore au coeur de la recherche, et il est très probable qu’il jouera largement son rôle dans les processus de restitution à l’avenir.

C’est l’optique de Sonal. La synchronisation du texte et du son permet de ne plus retranscrire pour remplacer le son par du texte mais bien pour juxtaposer les deux supports, et les garder liés et également accessibles jusqu’au terme du travail d’enquête. Si la bande est retranscrite dans Sonal, la recherche d’un mot clé sous la forme textuelle permettra la réécoute des passages où ce mot est formulé. Le système est ainsi fait que la relecture d’un passage que l’on vient d’écouter, ou l’écoute d’un passage que l’on vient de lire, est quasi-instantanée. La séparation des deux matériaux est abandonnée, la division et la scansion du travail n’est plus la même.  Un corpus audiotextuel synchronisé permet à la fois de cumuler les approches analytiques, mais aussi de gérer les deux formes hétérogènes du discours, sans sacrifier l’une au profit de l’autre, comme on le fait généralement.

Voilà le fin mot de ce long billet : j’ai l’impression que les gens téléchargent Sonal pour les possibilités de retranscription  alors que son intérêt premier est dans l’organisation radicalement nouvelle des matériaux qu’il propose. Il y a beaucoup plus dans ce projet qu’une volonté de faciliter les retranscriptions, il s’agit d’abord de permettre une gestion simultanée des matériaux sonores et textuels, à rebours de ce qui se faisait jusqu’ici, en s’appuyant sur des interfaces très simples pour organiser et analyser des corpus.  Il ne s’agit plus de rechercher à tout prix le moyen idoine d’accélérer et d’évacuer la phase de réécoute et de retranscription, avant de commencer le « vrai travail » sur le texte, mais bien de faire tomber les frontières entre le « moment sonore » et le « moment textuel » de la recherche.  Je vois donc Sonal comme le support d’une nouvelle approche des données et de leur organisation, rompant avec la scansion consacrée qui astreignait à retranscrire avant de commencer à analyser.

 


Alex Alber

Sociologue. Maître de Conférences à l'Université F. Rabelais de Tours/ Laboratoire CITERES (UMR CNRS) Chercheur associé du Centre d'Etudes de l'Emploi.

More Posts - Website

4 réflexions au sujet de « Convertir « automatiquement » du son en texte : pour quoi faire? »

  1. Bonjour,

    Merci beaucoup pour toutes les ressources disponibles qui permettent se lancer.

    J’ai une question sur la pertinence de l’utilisation de Sonal dans le cas d’entretiens avec traduction.
    Dans le cadre de ma thèse je recueille des entretiens avec le concours d’un interprète, ce qui de fait, double le temps. Dans ce cas là, pensez-vous qu’il soit pertinent d’utiliser Sonal?
    Y aurait-il un intérêt à utiliser Sonal sans le synchroniser avec les bandes son?
    Un autre logiciel serait-il plus adapté?

    Merci d’avance,

    Irène

    1. Bonjour,

      Tout dépend de vos besoins. Dans un cadre tel que le vôtre, rien ne vous oblige à retranscrire in extenso les propos et leur traduction. Vous pouvez utiliser Sonal pour transcrire uniquement les propos traduits, en conservant seulement dans la transcription la position des propos originaux. Vous pourriez ainsi conserver les deux versions, mais ne dépouiller textuellement que les propos traduits.
      Si vos entretiens sont déjà retranscrits, vous pouvez aussi les intégrer dans le logiciel et les découper thématiquement pour les analyser. Voyez le chapitre « Encoder un document texte » dans le mode d’emploi. ça marche mais il existe effectivement beaucoup d’autres logiciels pour traiter du texte seul :

      Bien cordialement,

      A. Alber

  2. J’ai téléchargé le logiciel Sonal, malheureusement le windows est trop magnifier et je ne parvient pas a le réglé.

    Merci pour votre assistance
    .

  3. Bonjour,
    Je suis dyslexique et j’ai besoin d’un outil pour m’aider à répondre aux mail son maitre 5′ par ligne.
    Merci de votre réponse, cordialement, REMY Jean Louis

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *