Sous-titres automatiques vidéo : « le chaine massif », « part Dieu », « PEUFQ », les fautes que mon test a trouvées en 127 mots, et ce qu'il faut relire avant de publier

Les sous-titres automatiques écrivent juste la plupart des mots, et se trompent sur ceux qu’une entreprise ne peut pas laisser passer. Le 22 octobre 2026, j’ai fait lire un texte de 127 mots, une présentation d’entreprise lyonnaise inventée pour le test, par la voix de synthèse française de Windows, puis je l’ai fait transcrire par deux modèles de Whisper, small et medium, avec la bibliothèque libre faster-whisper. Résultat, sans aucune retouche : 7 passages fautifs avec le modèle small, 8 avec le modèle medium, dont 5 communs aux deux. Le nom de la dirigeante, deux quartiers de Lyon, le label PEFC et « chêne », devenu « chaine ». Et tous deux ont coupé des phrases au milieu d’un groupe de mots, ce que la charte de qualité du sous-titrage télévisé demande d’éviter.

Je filme et je monte moi-même des vidéos d’entreprise, et j’utilise l’IA en production. Voici le test, ses limites, ce que dit la règle télé sur la longueur des sous-titres, ce que coûte un sous-titrage, et les six points à relire avant de publier.

Qu’est-ce que les sous-titres automatiques ratent, concrètement ?

Ce qui est propre à votre entreprise. Le texte du test, que j’ai écrit, parlait d’une menuiserie installée à Vaise, de comptoirs pour la Croix-Rousse, d’espaces d’accueil à la Part-Dieu, de chêne massif certifié PEFC et d’une démarche RSE. L’entreprise et sa dirigeante sont inventées : il fallait un texte dont je connaissais chaque mot pour compter les fautes.

Voici tous les passages où au moins un des deux modèles s’est trompé. Le reste du texte est sorti juste, à la ponctuation, aux majuscules et à l’écriture des nombres près.

Test Shooting Life du 22 octobre 2026 : texte de 127 mots (796 caractères) lu par la voix « Microsoft Hortense » de Windows, 50 secondes d'audio, transcrit par faster-whisper 1.2.1 (modèles small et medium, langue française imposée), sans retouche.

Les limites de ce test sont réelles. Une voix de synthèse articule toujours de la même manière, sans bruit de fond, sans accent, sans deux personnes qui se coupent la parole. Je n’ai pas mesuré ce que ces conditions changent, et 127 mots ne font pas une statistique. Ce que le test montre, c’est le type de mots qui tombent : surtout les noms, les lieux et les sigles, plus quelques accords. C’est-à-dire, pour l’essentiel, ce qui identifie l’entreprise filmée. Si vous passez par ChatGPT pour transcrire, sa page d’aide n’accepte en import audio que le son seul, pas le fichier vidéo : j’ai testé comment extraire la piste son avant de l’envoyer.

Pourquoi un modèle plus gros ne suffit-il pas ?

Parce qu’il ne se trompe pas aux mêmes endroits. Le modèle medium a corrigé deux fautes du small, le nom de l’entreprise et le sigle RSE. Mais il a ajouté trois fautes d’accord que le small n’avait pas faites : « menuiseries », « issue de », « forêt certifiée ». Et sur le nom de la dirigeante, il a déformé aussi le prénom. Bilan : 8 passages fautifs contre 7.

La faute qui se voit le plus est commune aux deux : « le chaine massif ». « Chaine » sonne comme « chêne », et l’article masculin qui le précède trahit l’erreur à l’écran. Sur une vidéo où le chêne massif est l’argument de vente, c’est la phrase qu’on remarque.

Un dernier point n’est pas une faute, mais une décision à prendre : les deux modèles ont écrit « 42 salariés » et « 9e arrondissement » en chiffres, mais « vingt ans » en toutes lettres. Ni l’un ni l’autre n’est faux. Dans la même vidéo, mieux vaut choisir l’un ou l’autre.

Que dit la règle sur la longueur et la vitesse d’un sous-titre ?

Pour la télévision française, la référence est la charte relative à la qualité du sous-titrage à destination des personnes sourdes ou malentendantes, datée du 12 décembre 2011 et élaborée par le CSA, aujourd’hui l’Arcom. Elle a été écrite pour les programmes de télévision : rien dans son texte ne vise une vidéo d’entreprise publiée sur LinkedIn. Mais c’est le repère le plus précis que j’ai trouvé, et quatre de ses seize critères touchent directement ce que fait une transcription automatique :

• l’orthographe : respect des règles d’orthographe, de grammaire et de conjugaison (critère 2) ;
• la longueur : deux lignes au plus pour un programme en différé (critère 3) ;
• le temps de lecture : « 12 caractères pour une seconde, 20 caractères pour deux secondes, 36 caractères pour trois secondes, 60 caractères pour quatre secondes », avec une tolérance de 20 % (critère 6) ;
• le découpage : une phrase coupée sur plusieurs sous-titres doit respecter les unités de sens (critère 13).

J’ai confronté les deux transcriptions à ces critères.

Pourquoi 15 et 18 ? La case la plus généreuse de la grille de la charte est de 60 caractères pour quatre secondes, soit 15 par seconde ; avec la tolérance de 20 %, 18. C’est mon calcul, la charte ne donne pas de valeur au-delà de quatre secondes.

Le dépassement vient d’abord du débit : la voix du test parlait à environ 16 caractères par seconde, silences compris, et une transcription mot à mot suit la voix. Pour tenir la grille, il faut condenser le texte, ce qu’un outil de transcription ne fait pas seul. Quant au découpage, la charte donne elle-même l’exemple à éviter, « Il déteste les jeunes / filles ». Mon test en a produit de semblables : « une entreprise de / menuiserie », « et une / démarche RSE ». Enfin, les deux modèles livrent chaque sous-titre sur une seule ligne, jusqu’à 90 caractères : c’est au montage de le recouper en deux lignes au plus.

Combien coûte un sous-titrage, et qu’est-ce qui est compris chez moi ?

La seule grille que j’ai ouverte pour cet article donne des chiffres qui ne concordent pas tout à fait. Le guide des tarifs de vidéo d’entreprise de Layve, une plateforme de réservation de photographes et de vidéastes, publié le 24 avril 2026, donne trois lignes :

Source : Layve, « Combien coûte une vidéo d'entreprise en 2026 ? Barème corporate France », publié le 24 avril 2026, relu le 22 octobre 2026.

Le guide ne dit pas si ces montants couvrent une transcription relue, une traduction ou une incrustation dans l’image, ni pour quelle durée de vidéo. Ce sont des repères d’un guide, pas des prix payés. Le même guide avance aussi un pourcentage de vidéos sous-titrées en 2026 sans en donner la source : je ne le reprends pas.

Chez moi, il n’y a pas de ligne « sous-titres » à part. Ma page vidéo d’entreprise le formule ainsi : « Je livre les formats et les durées adaptés à chaque plateforme, sous-titrés si besoin. » Le sous-titrage y figure parmi ce qui fait varier le prix d’un devis, avec le temps de tournage, le nombre de personnes et de caméras, et le motion design. Pour les vidéos verticales, ma page réseaux sociaux affiche « Sous-titres inclus », pour des vidéos à 150 € l’unité ou, en pack, à partir de 100 € la vidéo ; j’ai détaillé ce que couvre ce tarif, et ce qui se fixe au devis, dans le prix d’une vidéo pour les réseaux sociaux. Pour savoir ce que recouvre une interview à partir de 650 € ou un film de présentation à partir de 1 200 €, j’ai détaillé les lignes du devis qui font le prix d’une vidéo d’entreprise.

Vous avez une interview ou un film d'entreprise à sous-titrer pour LinkedIn ou votre site ? Décrivez-moi votre projet : devis gratuit, réponse sous 24 h.

Que faut-il relire avant de publier des sous-titres générés par IA ?

Les six points que mon test fait ressortir, dans l’ordre où je conseille de les relire :

1. Les noms de personnes, d’entreprise et de lieux. Dans mon test, aucun des deux modèles n’a écrit juste le nom de la dirigeante. Je conseille de demander, avant le tournage, la liste écrite des noms qui seront prononcés, avec leur orthographe.
2. Les sigles et les labels. PEFC est devenu « PEUFQ » et « Pœufq », RSE est devenu « RSV » chez l’un des deux.
3. Les accords. Le modèle medium a mis au pluriel « menuiserie », au singulier « forêts certifiées », et au féminin « issu ».
4. Les mots qui sonnent pareil. « Chêne » et « chaîne » ne se distinguent qu’à l’écrit. L’article masculin d’à côté aide à repérer la faute.
5. Les chiffres et les dates. Décidez une fois s’ils s’écrivent en lettres ou en chiffres, et appliquez-le partout.
6. Les coupures. Un sous-titre ne finit pas sur « de », « la », « des » ou « une », et il tient sur deux lignes au plus.

Une méthode simple pour les quatre premiers points : relire le texte seul, sans l’image ni le son. À l’oreille, « le chaine massif » passe ; écrit, il saute aux yeux. Et faites relire les noms par la personne filmée : c’est elle qui connaît l’orthographe de son propre nom. Si la vidéo doit aussi être traduite, la relecture se refait dans la langue d’arrivée : dans un second test, un modèle a changé « 1 200 clients » en « 2,200 clients », et j’ai détaillé ce que coûte et ce que rate une traduction vidéo par IA.

Le sous-titrage fait partie des tâches répétitives où l’IA fait gagner du temps, comme je l’explique dans ce que l’IA change en vidéo en 2026, et ses limites. Pour une vidéo publiée sur LinkedIn, pensez aussi à placer les sous-titres dans la bande qui survit au recadrage : j’ai calculé ce qu’un plan horizontal perd quand on le recadre en vertical. Et si la vidéo contient des plans générés, ce n’est plus seulement une question de relecture : j’ai listé ce qui trahit une vidéo d’entreprise générée par IA.

Sources : Charte relative à la qualité du sous-titrage à destination des personnes sourdes ou malentendantes, 12 décembre 2011 (PDF publié par l'Arcom, consulté le 22 octobre 2026) ; Layve, guide des tarifs de la vidéo d'entreprise en France, 2026 (publié le 24 avril 2026, consulté le 22 octobre 2026) ; test Shooting Life du 22 octobre 2026 (faster-whisper 1.2.1, modèles small et medium).