Les sous-titres YouTube font-ils mieux que Whisper en français ?

On ne peut pas conclure que les sous-titres automatiques de YouTube font mieux que Whisper en français. Le taux d’erreur publié pour Whisper large-v3 est plus bas, mais les deux mesures portent sur des fichiers et des transcriptions de référence différents. Elles ne constituent pas un test entre les deux outils sur les mêmes vidéos.

Pour publier sur YouTube, la piste intégrée convient si vous pouvez attendre sa génération et la corriger dans YouTube Studio. Whisper large-v3 permet de préparer une transcription avant la mise en ligne, à condition de disposer d’un flux de traitement adapté. Dans les deux cas, les passages où une erreur change le sens demandent une écoute humaine.

Deux taux d’erreur à lire dans leur contexte

Le taux d’erreur de mots, ou WER, additionne les mots remplacés, omis et ajoutés, puis rapporte ce total au nombre de mots d’une transcription de référence. Il mesure un écart entre deux textes selon les règles du test. Il ne mesure directement ni la qualité des coupures à l’écran, ni la synchronisation, ni le temps passé à corriger la piste.

• YouTube : l’étude de Transcribe.so mesure un WER de 12,9 % pour les pistes françaises servies le 26 octobre 2026, avec un intervalle de confiance de 8,7 % à 19,4 %, sur quatre vidéos retenues ; elle prend pour référence les sous-titres déposés par leurs créateurs. Le site vend un outil de transcription, ce qui invite à garder son intérêt commercial à l’esprit.
• Whisper large-v3 : le benchmark du projet OMIST de Nantes Université indique un WER de 7,2 % sur 17 fichiers audio français, une latence de 139,2 secondes par minute audio et 10 Go de mémoire vidéo sur GPU ; le corpus comprend des enregistrements réalisés pour l’évaluation et des fichiers trouvés en ligne. Le résultat décrit cette configuration de sous-titrage pédagogique.

La première mesure compare deux pistes d’une même vidéo, dont celle du créateur peut avoir été réécrite pour faciliter la lecture. Une reformulation éditoriale peut ainsi compter comme erreur même si la parole a été comprise. Le test retire aussi la ponctuation et normalise une partie du texte avant le calcul, mais conserve les différences d’écriture des nombres. La seconde mesure évalue une transcription sur un autre ensemble d’enregistrements : son pourcentage ne prédit pas le résultat de Whisper sur les vidéos retenues pour YouTube.

La sélection joue également sur le chiffre publié pour YouTube : seuls des contenus disposant d’une piste ajoutée par le créateur pouvaient entrer dans la comparaison. Une vidéo française écartée par la règle de détection des références atypiques ferait passer le WER français à 16,9 % si elle était réintégrée. Avec un si petit échantillon et des références de nature différente, l’écart entre 12,9 % et 7,2 % indique des performances dans deux conditions précises, pas un classement général.

Ce que chaque option change avant la publication

L’aide de YouTube indique que le sous-titrage automatique est disponible en français pour les vidéos longues et les Shorts ; lorsqu’une piste automatique existe, elle est publiée sur la vidéo, mais elle peut ne pas être prête au moment de la mise en ligne. Son délai de préparation dépend de la complexité de l’audio. Le créateur peut ensuite consulter et modifier la piste dans YouTube Studio.

Ce parcours évite une étape de transcription séparée. En contrepartie, une équipe qui veut publier d’emblée une piste relue ne connaît ni son contenu ni sa disponibilité avant que YouTube l’ait produite. Pour une vidéo mise en ligne à heure fixe, cette incertitude compte autant que le taux d’erreur moyen mesuré sur d’autres contenus.

Le dépôt officiel de Whisper fournit le code et les poids des modèles sous licence MIT, avec une utilisation sur ses propres ressources. Une transcription locale peut donc être préparée à partir du fichier audio avant la publication et intégrée au travail de montage. Elle demande toutefois l’installation des outils nécessaires, du matériel pour le modèle choisi et une conversion en piste de sous-titres utilisable. La latence du benchmark dépend de sa configuration : la reprendre comme délai garanti sur un autre ordinateur serait trompeur.

Le choix opérationnel est donc assez net. Si la vidéo part directement sur YouTube et que la correction peut suivre la génération automatique, la piste intégrée réduit les manipulations. Si une transcription doit être relue avant la mise en ligne, ou si les fichiers doivent être traités dans un environnement maîtrisé, une exécution locale de Whisper répond mieux à cette contrainte. Aucune de ces conditions ne dispense d’écouter les segments incertains.

Trois volumes, un prix d’API et des coûts à compléter

Le logiciel Whisper exécuté localement n’a pas de tarif de transcription à la minute, mais son matériel, son exploitation et le travail de correction ont un coût. L’aide YouTube ne donne pas non plus de prix à la minute pour la piste automatique. Pour disposer d’un montant calculable, le calcul ci-dessous utilise le tarif officiel de l’API whisper-1, affiché à 0,006 $ par minute lors de la vérification du 30 octobre 2026 ; la fiche classe ce modèle comme déprécié. whisper-1 est un modèle d’API distinct du Whisper large-v3 exécuté localement dans le benchmark : son tarif ne lui attribue pas le WER de ce test.

Calcul selon les prix publiés le 30 octobre 2026. Les volumes suivants sont hypothétiques et mensuels, en dollars américains hors taxes. Ils excluent les frais d’infrastructure, les éventuels frais de conversion et le temps humain. Les durées locales prolongent seulement la latence relevée dans le benchmark ; elles ne sont ni des prix ni des promesses de vitesse.

• Petit volume, 30 minutes audio par mois : l’API whisper-1 revient à 0,18 $. À la cadence mesurée pour large-v3, le traitement local représenterait 1 h 09 min 36 s, auxquels s’ajoutent des coûts matériels non chiffrés. La piste YouTube n’a pas de montant à la minute calculable à partir de l’aide publiée.
• Volume régulier, 300 minutes par mois : l’API représente 1,80 $. L’extrapolation de la mesure locale atteint 11 h 36 de traitement, avant préparation et correction. Le coût complet de la piste YouTube dépend notamment du temps consacré à sa relecture.
• Volume élevé, 3 000 minutes par mois : l’API représente 18 $. L’extrapolation locale atteint 116 h de traitement dans les conditions mesurées. Ni le coût du GPU local ni celui de la correction des pistes YouTube ne peuvent être déduits de ces données.

Ces scénarios donnent un prix d’API et un ordre de grandeur du temps de calcul, pas un coût complet comparable pour les trois voies. Il manque le prix du matériel ou de sa location, son utilisation réelle, l’électricité et surtout la durée de correction par vidéo pour établir un seuil de rentabilité. Une erreur rare sur un nom ou une quantité peut prendre plus de temps à résoudre qu’une série de différences de ponctuation.

Les passages à corriger avant de publier

La correction humaine devient indispensable quand une transcription plausible peut modifier une information utile au spectateur. YouTube signale que les accents, les dialectes, la prononciation et le bruit de fond peuvent dénaturer la parole reconnue. Le WER, calculé après normalisation dans l’étude des pistes YouTube, ne renseigne pas non plus sur toutes les qualités de présentation d’un sous-titre publié.

1. Écoutez les noms de personnes, de lieux et de marques, ainsi que le vocabulaire propre à la vidéo. Une transcription fluide peut contenir un autre nom tout aussi vraisemblable ; la lecture seule ne permet pas de trancher.
2. Reprenez les nombres, les dates, les unités et les négations en suivant l’audio. Écrire un nombre en chiffres plutôt qu’en lettres peut augmenter le WER sans gêner la compréhension ; inverser une quantité ou oublier une négation a une conséquence autrement plus sérieuse.
3. Repassez sur les paroles couvertes par du bruit, les voix qui se chevauchent et les mots peu articulés. Vérifiez ensuite l’orthographe, les accents, les coupures et le temps d’affichage dans la piste qui sera effectivement publiée.

Pour départager les deux méthodes sur vos propres vidéos, le critère utile est le temps nécessaire pour obtenir une piste correcte et lisible, depuis le fichier audio jusqu’à la dernière correction. Les pourcentages publiés éclairent ce choix, mais seule une comparaison sur les mêmes enregistrements, avec une référence vérifiée à l’écoute, mesurerait leur précision relative pour votre production.

À lire aussi :

• Publicités cachées sur YouTube : 45,5 % des vidéos du corpus oublient le label
• YouTube Stations transforme les catalogues en direct 24 h/24, sur invitation
• Doublage automatique YouTube : contrôlez les erreurs avant qu’elles voyagent