Sous-titres IA automatiques pour toute vidéo en ligne

OpenAI Whisper compilé en WebAssembly via Transformers.js. Quatre tailles disponibles : Tiny (~40 Mo, le plus rapide), Base (~75 Mo, équilibré), Small (~240 Mo, précis) et Large v3 Turbo (~600 Mo, qualité broadcast, masqué derrière le bouton modèles avancés). Les modèles se téléchargent une fois depuis Hugging Face et sont mis en cache dans le navigateur pour les utilisations suivantes. L'accélération WebGPU est utilisée automatiquement quand disponible.

Oui. Silero VAD pré-segmente l'audio en zones de parole réelles avant l'exécution de Whisper, ce qui améliore la précision sur les fichiers longs et saute les intros, outros et pauses silencieuses. Les sous-titres apparaissent en direct dans l'éditeur au fur et à mesure que Whisper décode — pas besoin d'attendre la fin de la transcription complète pour commencer à relire. Les vidéos longues (plus de 30 minutes) fonctionnent mieux sur un ordinateur de bureau avec au moins 8 Go de RAM.

Vous pouvez exporter en SRT, VTT ou ASS — VTT est le format standard pour les sous-titres codés WCAG / ADA / EAA sur les lecteurs web (HTML5 , YouTube, Vimeo). Les sous-titres incluent timing, étiquettes de locuteur (quand la détection est activée) et ponctuation propre. Le MP4 incrusté place les sous-titres dans les zones de sécurité et prend en charge contour + ombre pour une lisibilité à fort contraste.

Whisper accepte un prompt initial — un texte qui le conditionne avant la génération. Nous transmettons les termes de votre glossaire comme prompt, pour que les marques (« Anthropic »), noms de produits (« Claude », « GPT-4 »), noms propres et jargon technique s'écrivent correctement. C'est le plus gros gain de précision pour les podcasts tech, les conférences et les contenus chargés en marques. Un terme par ligne, sans formatage spécial.

Whisper infère les frontières de mots via le décodage par attention croisée. La précision est d'environ ±200 ms — adaptée à la mise en évidence style karaoké et à la plupart des cas d'usage de sous-titres. Si le décodage est trop lent sur votre appareil, activez le Mode rapide et les mots seront répartis linéairement dans chaque segment. La signalisation de confiance marque les mots dont Whisper n'était pas sûr pour vérification rapide.

Oui. Les modèles Opus-MT gèrent les dix premières paires de langues (en, ru, es, fr, de, pt, it, ja, ko, zh). Si une paire directe est manquante, l'outil bascule sur NLLB-200 distillé. Conservez l'original en deuxième ligne pour une sortie bilingue — utile pour le contenu d'apprentissage des langues et les publics internationaux.

Oui. L'outil télécharge les PNG Twemoji pour chaque mot-clé correspondant et les compose sur la vidéo via les filtres overlay FFmpeg, positionnés au-dessus de la ligne de sous-titres et synchronisés sur le mot prononcé. Les exports SRT et VTT conservent également les caractères emoji.

SRT (universel), VTT (sous-titres codés web/HTML5) et ASS (animation complète avec tous les styles de modèles préservés — s'ouvre dans Aegisub, DaVinci Resolve, mpv ou tout lecteur compatible libass). Le MP4 incrusté utilise H.264, AAC et le flux audio original copié sans réencodage.

Une fois qu'un modèle Whisper est mis en cache après le premier passage, l'outil s'exécute entièrement dans votre navigateur via WebAssembly — transcription, mise en forme, incrustation et export se font tous en local. Les modèles de traduction sont aussi mis en cache à la première utilisation. La page elle-même se charge depuis nos serveurs, mais le traitement de votre vidéo ne nécessite pas de connexion Internet.

Oui, dans Chrome et Safari modernes. Sur les appareils avec moins de 4 Go de RAM, les modèles Small et Large v3 Turbo sont masqués et nous basculons par défaut sur Tiny pour éviter les plantages. Pour les vidéos longues, un ordinateur portable est recommandé.