Pour obtenir le texte d'une vidéo, deux cas se présentent. Si elle a des sous-titres, le texte existe déjà : sur YouTube, ouvrez sur ordinateur « Afficher la transcription » dans la description, et pour vos propres vidéos, téléchargez le fichier de sous-titres dans YouTube Studio. Sinon, faites transcrire la piste audio, par exemple avec Whisper, « Transcrire » dans Word ou Fireflies : tous trois acceptent directement un fichier MP4. Horodatage et noms des intervenants ne viennent pas avec toutes les méthodes, et une transcription ne devient un fichier SRT qu'après un vrai travail de découpage. Nous le montrons sur notre propre exemple.
Quelle méthode pour quelle vidéo ?
| Point de départ | Méthode | Ce que vous obtenez |
|---|---|---|
| Vidéo YouTube d'une autre chaîne, sous-titrée | « Afficher la transcription » | le texte avec l'heure de début de chaque ligne, à copier |
| Votre propre vidéo YouTube | télécharger les sous-titres dans YouTube Studio | un fichier de sous-titres avec début et fin |
| Votre fichier vidéo, sans sous-titres | transcrire la piste audio | du texte, avec horodatage et intervenants selon l'outil |
| Enregistrement d'une réunion Teams ou Zoom | la transcription de la réunion | un fichier horodaté |
| Vidéo d'une autre chaîne, sans sous-titres | demander à la chaîne | en général, pas de transcription |
Transcrire une vidéo n'est pas dicter. Avec la dictée, c'est vous qui parlez et l'appareil écrit en direct ; aucune fonction de dictée n'ouvre un fichier. Notre guide pour transcrire un audio en texte explique la différence et décrit les méthodes pour les fichiers.
La vidéo a des sous-titres : le texte existe déjà
D'après l'aide YouTube, toutes les vidéos qui comportent des sous-titres ont une transcription complète : dans la description, cliquez sur « Afficher la transcription ». Le texte défile avec la vidéo, et un clic sur une ligne vous amène au passage. Il n'y a pas de bouton de téléchargement. Le 16 octobre 2026, nous avons ouvert la transcription de cinq vidéos publiques sur ordinateur, sans compte, avec YouTube en anglais ou en allemand :
- Trois versions du panneau : selon la vidéo, il n'avait pas la même forme ni les mêmes boutons.
- Une copie encombrée : dans deux versions sur trois, chaque ligne copiée commençait par l'horodatage et une durée invisible à l'écran, collés au texte.
- Ctrl+A sélectionnait toute la page, pas seulement la transcription.
- Sur téléphone : le site mobile n'affichait aucune transcription.
Comment copier proprement dans chaque version et retirer ces débuts de ligne avec un seul rechercher-remplacer : voyez notre guide sur la transcription YouTube.
Vos propres vidéos : le fichier de sous-titres de YouTube Studio est la meilleure source, avec de vraies heures de début et de fin. La marche à suivre, et pourquoi corriger d'abord les sous-titres automatiques, se trouve dans notre guide pour télécharger les sous-titres YouTube.
Piste automatique ou piste de la chaîne ? Beaucoup de vidéos en ont deux dans la même langue. La piste automatique vient de la reconnaissance vocale, et YouTube cite lui-même la prononciation, les accents, les dialectes et les bruits de fond parmi les causes d'erreurs. Prenez la piste de la chaîne quand elle existe.
Réunions : Teams et Zoom produisent leur propre transcription horodatée des enregistrements ; voyez notre guide de la transcription horodatée.
Pas de sous-titres : transcrire la piste audio
Sans sous-titres, un logiciel transforme le son en texte. Le plus souvent, inutile d'extraire l'audio d'abord :
- Whisper, le moteur libre de reconnaissance vocale d'OpenAI, ouvre chaque fichier avec le programme ffmpeg et n'en garde que le son, en mono à 16 kHz : c'est écrit dans son code source. Vous pouvez donc lui donner directement une vidéo, par exemple
whisper video.mp4 --model turbo --language French --output_format srt. - « Transcrire » dans Word accepte selon Microsoft les fichiers .wav, .mp4, .m4a et .mp3, jusqu'à 300 minutes par mois avec un abonnement Microsoft 365 : « Accueil » > « Dicter » > « Transcrire », puis « Télécharger l'audio ».
- Fireflies accepte MP4 et WEBM, jusqu'à 150 minutes par fichier.
- Descript transcrit l'audio et la vidéo dans 26 langues, dont le français, mais une seule langue par fichier.
Votre propre vidéo YouTube se récupère dans YouTube Studio : « Contenu », puis le menu de la vidéo et « Télécharger ». D'après l'aide, c'est un fichier MP4 en 720p ou 360p, et vous ne pouvez pas télécharger la même vidéo plus de cinq fois en 24 heures. Si vous avez encore le fichier d'origine, utilisez-le plutôt.
Quelle précision attendre ? Sur des livres audio du domaine public, Whisper turbo s'est trompé sur 1,45 mot sur 100 en anglais et 1,9 en allemand (notre test des 16 et 17 octobre 2026). Le français, nous ne l'avons pas encore mesuré, et nous n'en déduisons aucun chiffre. Une vidéo avec de la musique, plusieurs voix et du bruit de rue est en tout cas plus difficile qu'un livre audio.
Extraire l'audio : quand cela vaut la peine
Deux raisons justifient de tirer d'abord un fichier audio de la vidéo :
- Les limites de taille : avec l'offre gratuite de Fireflies, un fichier vidéo ne doit pas dépasser 100 Mo, un fichier audio 500 Mo. Une vidéo de plus de 100 Mo est refusée, alors que sa piste audio peut encore passer.
- Moins de données confiées : si vous n'envoyez que le son, l'image reste chez vous.
Avec ffmpeg, le programme dont Whisper a besoin de toute façon, une ligne suffit :
ffmpeg -i video.mp4 -vn -c:a copy son.m4a
ffmpeg -i video.mp4 -vn son.mp3D'après la documentation de ffmpeg, -vn écarte la vidéo. La première ligne copie la piste audio telle quelle dans un fichier M4A, ce qui fonctionne si elle est au format AAC. La seconde la convertit en MP3.
L'horodatage : ce que donne chaque méthode
| Méthode | Repères de temps | En fichier |
|---|---|---|
| « Afficher la transcription » de YouTube | heure de début de chaque ligne, en secondes entières, par exemple 0:58 | non, copie seulement |
| Sous-titres de YouTube Studio | début et fin de chaque sous-titre | oui |
| Whisper | début et fin de chaque segment | SRT, VTT, TSV, JSON ; TXT sans horodatage |
| « Transcrire » dans Word | un horodatage par section, cliquable dans le volet seulement | en texte dans le document |
| Fireflies | option Include timestamps au téléchargement | PDF, DOCX, SRT, CSV, JSON, MD |
Pour relire ou citer, les heures de début suffisent. Pour des sous-titres, il faut aussi les heures de fin. Les notations attendues par chaque logiciel sont détaillées dans notre guide de la transcription horodatée.
Les intervenants : qui a dit quoi ?
Dans un entretien filmé ou une table ronde, il faut savoir qui parle. Whisper ne distingue pas les voix. « Transcrire » dans Word les sépare, selon Microsoft, en « Intervenant 1 », « Intervenant 2 », et ainsi de suite ; « Modifier tous les intervenants [x] » remplace l'étiquette par un vrai nom. Fireflies propose l'option Include speaker labels au téléchargement, et Descript peut même écrire les noms dans un fichier de sous-titres avec Show speakers.
Dans des sous-titres, en revanche, les noms n'ont en général pas leur place : on voit qui parle. Le guide de Netflix pour le français prévoit, pour deux personnes dans un même sous-titre, un tiret suivi d'une espace en début de chaque ligne, une personne par ligne. Dans les sous-titres pour sourds et malentendants, un nom entre crochets peut suivre le tiret, comme « - [Pierre] Tu viens ? ». Une transcription avec intervenants ne devient donc pas des sous-titres par simple copie : il faut la remanier.
De la transcription au fichier SRT : notre exemple
Pour montrer ce qui se passe, nous avons inventé une courte scène : une vidéo de 30 secondes dans un jardin partagé, deux personnes, transcrite avec les noms et une heure de début et de fin par intervention. Le format exact varie selon le logiciel.
[00:00:00 – 00:00:06] Léa : Bonjour et bienvenue au jardin partagé ! Aujourd'hui, Tomasz me montre comment tailler les tomates.
[00:00:06 – 00:00:07] Tomasz : Bonjour, Léa.
[00:00:07 – 00:00:09] Léa : On enlève quoi, exactement ?
[00:00:09 – 00:00:22] Tomasz : Tu vois cette petite pousse entre la tige et la feuille ? C'est un gourmand. Si on le laisse pousser, la plante met son énergie dans les feuilles au lieu des fruits. Je le pince entre deux doigts.
[00:00:22 – 00:00:24] Léa : Même les gros ?
[00:00:24 – 00:00:27] Tomasz : Ceux-là, coupe-les plutôt avec un sécateur propre.
[00:00:27 – 00:00:30] Léa : D'accord. Alors j'essaie tout de suite.Le 28 octobre 2026, notre petit script l'a converti en SRT selon les règles de Netflix : noms retirés, deux lignes de 42 caractères au plus, chaque sous-titre entre 5/6 de seconde et 7 secondes, interventions longues coupées aux fins de phrase, deux répliques courtes de personnes différentes réunies avec des tirets. Il a ensuite vérifié chaque sous-titre par rapport à la vitesse de lecture de 17 caractères par seconde.

Le résultat :
- Les 7 interventions donnent 10 sous-titres. Les noms ont disparu ; l'image montre qui parle.
- Un sous-titre à deux voix : « Bonjour, Léa. » et « On enlève quoi, exactement ? » durent une et deux secondes. Réunies, elles restent trois secondes à l'écran, chaque ligne précédée d'un tiret et d'une espace.
- Une explication de 13 secondes en quatre sous-titres, avec des heures intermédiaires estimées d'après la longueur du texte. Une phrase de 88 caractères ne tenait pas sur deux lignes : le script l'a coupée à la virgule, et « Si on le laisse pousser, » reste seul 1,6 seconde à l'écran. Une personne aurait coupé ailleurs.
- Aucun sous-titre trop rapide : le plus rapide atteint 16,3 caractères par seconde, la ligne la plus longue 40 caractères.
Les heures estimées tombent rarement juste. Si votre transcription n'a que des heures de début, voyez notre guide pour convertir un TXT en SRT. Le plus simple reste un outil qui entend le son : Whisper écrit directement un SRT, et pour vos vidéos YouTube, la « Synchronisation automatique » de YouTube Studio cale les temps sur un texte déjà écrit.
À vérifier avant de publier
- Lignes et vitesse : deux lignes de 42 caractères au plus, 17 caractères par seconde au plus.
- Heures intermédiaires : contrôlez-les sur la vidéo, elles commencent volontiers au milieu d'une phrase.
- Noms des intervenants : retirez-les, et notez les répliques à deux voix avec un tiret suivi d'une espace.
- Ponctuation française : une espace avant « ? » et « ! », comme le demande aussi le guide de Netflix.
- Encodage UTF-8, pour garder les accents intacts.
- Sur un site web, du VTT : lors de notre test du 15 octobre 2026, Chrome a refusé un fichier SRT comme piste de sous-titres et n'a lu que le WebVTT ; une longue intervention non découpée, en allemand, y formait un bloc de quatre lignes affiché près de 25 secondes.
Pour une vidéo descriptive, avec ce qu'on voit à l'image en plus de ce qu'on entend, notre exemple de transcription montre la forme. Et publier le texte de la vidéo de quelqu'un d'autre demande en général l'accord des ayants droit ; ce n'est pas un conseil juridique, notre guide de la transcription YouTube en dit plus.
