Sous-titres karaoké : la synchronisation au mot expliquée
Les sous-titres qui s’illuminent mot par mot sont devenus la norme du format court. Leur qualité dépend entièrement d’une chose invisible : la précision du timing de chaque mot.
Transcription et alignement sont deux problèmes distincts
La reconnaissance vocale automatique répond à la question « qu’est-ce qui a été dit ? ». L’alignement répond à « à quel instant exact chaque mot a-t-il été prononcé ? ». Ce sont deux tâches différentes, et la plupart des outils ne traitent que la première.
Le symptôme est reconnaissable : les sous-titres sont globalement justes mais l’animation décroche d’une demi-seconde, ou un mot s’illumine juste après avoir été prononcé. À l’échelle d’un Reel de trente secondes, l’effet est perçu comme un défaut de fabrication.
Le problème du texte réécrit
Un second défaut, plus subtil, apparaît quand la vidéo part d’un script écrit. La transcription automatique ne restitue jamais exactement le script : elle normalise les nombres, corrige les hésitations, perd un nom propre, change une ponctuation.
Résultat : les sous-titres affichés ne sont pas votre texte, mais l’interprétation que le modèle en a faite. Pour une marque, c’est un problème — un nom de produit mal orthographié à l’écran coûte plus cher qu’un décalage de timing.
La solution est l’alignement forcé : on conserve le libellé exact du script d’origine, et on utilise la reconnaissance vocale uniquement pour récupérer les instants. Le texte affiché reste celui que vous avez écrit, avec un timing dérivé de l’audio réel. C’est la méthode retenue dans Viffly pour le sous-titrage des productions issues d’un script.
Le style compte autant que le timing
Une fois le timing correct, le rendu dépend du style. Les paramètres qui font réellement une différence de lisibilité sur mobile :
- Le contraste du fond. Un sous-titre transparent avec ombre portée fonctionne sur une image sombre et devient illisible sur un fond clair.
- La taille. Le format vertical tolère des tailles bien supérieures à ce que l’on utilise en 16:9 — c’est ce qui rend les styles « highlight » efficaces.
- Le nombre de mots par ligne. Au-delà de quatre ou cinq, l’œil décroche avant la fin de la ligne.
- La couleur d’accentuation, qui doit rester la même sur toute la vidéo pour être lue comme un système et non comme un effet.
Ces choix sont exactement ce que codifient les templates : chacun fixe une combinaison cohérente de fond, taille, typographie et animation.