Transcrire et sous-titrer ses vidéos avec l’IA : quels outils et quel budget en 2026
Transcription automatique, sous-titres, relecture : les outils, les prix constatés en 2026 et le temps réel à prévoir par heure de vidéo.
En bref. Transcrire une heure de vidéo en français coûte aujourd’hui entre 0 € et 15 € selon la voie choisie : 0,30 à 0,50 € par heure en passant par une API, 0 € avec un modèle installé sur votre machine, 10 à 15 € par heure sur un service clé en main. Le vrai coût n’est pas là : comptez 20 à 40 minutes de relecture humaine par heure d’audio, quelle que soit la solution. C’est ce poste qui décide du budget, pas l’abonnement.
Ce que fait vraiment un outil de transcription en 2026
Sur un enregistrement propre — un seul locuteur, micro correct, français standard — les modèles actuels atteignent 92 à 97 % de mots corrects. Cela paraît excellent jusqu’à ce qu’on traduise le chiffre : 95 % de précision sur une heure de parole, soit environ 9 000 mots, veut dire 450 mots à corriger. Ce n’est pas une relecture de confort, c’est une passe de travail.
Et la précision chute vite dès qu’on quitte les conditions de laboratoire :
- Plusieurs locuteurs qui se coupent la parole : la précision descend souvent entre 80 et 88 %, et l’identification des intervenants devient approximative.
- Bruit de fond, salle qui résonne, micro d’ordinateur portable : 5 à 15 points de précision en moins.
- Noms propres, marques, jargon métier : c’est le point faible principal. Un modèle qui ne connaît pas le nom de votre logiciel écrira systématiquement autre chose, à chaque occurrence.
- Accents régionaux, anglicismes prononcés à la française, alternance de langues : dégradation nette, surtout quand une phrase mélange français et anglais.
Presque tous les outils sérieux proposent un dictionnaire personnalisé ou une liste de vocabulaire. Y saisir vos vingt termes récurrents — noms de produits, prénoms de l’équipe, acronymes du secteur — est le geste qui rapporte le plus : il supprime souvent la moitié des corrections.
Les trois familles d’outils et ce qu’elles coûtent
| Voie | Exemples | Coût par heure d’audio | Pour qui |
|---|---|---|---|
| API brute | API de transcription OpenAI, Deepgram, AssemblyAI | 0,20 à 0,60 € | Volume élevé, quelqu’un qui sait écrire un script |
| Modèle local | Whisper open source, whisper.cpp, MacWhisper | 0 € après achat éventuel de la licence (15 à 60 € une fois) | Données sensibles, gros volume, pas de connexion |
| Service clé en main | Happy Scribe, Sonix, Notta, Descript | 8 à 15 € à l’unité, ou 15 à 40 € par mois en abonnement | Quelques heures par mois, besoin d’un éditeur intégré |
| Relecture humaine | Option proposée par la plupart des services | 60 à 120 € l’heure d’audio | Contenus juridiques, médicaux, diffusés largement |
| Sous-titrage court format | CapCut, Submagic, Opus Clip | 0 € à 30 € par mois | Vidéos verticales, sous-titres animés |
Ces montants sont ceux constatés à l’été 2026 ; les grilles bougent plusieurs fois par an, vérifiez avant de vous engager. Deux repères stables en revanche : le prix de la transcription automatique baisse d’année en année et tend vers zéro, celui de la relecture humaine ne bouge pas, parce qu’il s’agit de temps de travail.
Combien ça coûte selon votre volume : trois cas chiffrés
Le freelance qui publie deux vidéos de 10 minutes par semaine. Environ 1 h 20 d’audio par mois. Les sous-titres automatiques de YouTube, d’Instagram ou de CapCut suffisent, à 0 €. Budget réel : 30 à 45 minutes de relecture par mois. Payer un abonnement à 25 € pour ce volume ne se justifie pas.
Le consultant qui enregistre 6 heures de rendez-vous clients par mois. Ici, ce n’est pas le sous-titre qui compte mais la restitution écrite. Une API à 0,40 € l’heure revient à 2,40 € par mois, mais demande un script. Un service clé en main avec résumé automatique coûte 20 à 30 € par mois et fait gagner du temps. Point de vigilance : ces enregistrements contiennent des informations clients, ce qui déplace la décision sur le terrain de la confidentialité plus que du prix.
L’organisme de formation avec 40 heures de vidéo à sous-titrer. À 12 € l’heure sur un service, la facture atteint 480 €. Une API à 0,40 € l’heure ramène le poste machine à 16 €, mais il reste 40 fois 30 minutes de relecture, soit 20 heures de travail. C’est le seul cas où l’externalisation complète de la relecture, à 60-120 € l’heure, mérite d’être calculée en face du coût interne.
La règle qui se dégage : en dessous de 5 heures d’audio par mois, prenez le gratuit et relisez vous-même. Entre 5 et 20 heures, un abonnement à 20-30 € se rentabilise par le confort de l’éditeur. Au-delà de 20 heures, le sujet devient un sujet de process, pas d’outil.
Sous-titres : les réglages qui changent vraiment quelque chose
Une part importante des vidéos consultées dans les fils sociaux est visionnée sans le son. Le sous-titre n’est donc pas une option d’accessibilité ajoutée à la fin, c’est le principal vecteur du message.
- Deux lignes maximum, 37 à 42 caractères par ligne. C’est la norme professionnelle et elle correspond à ce que l’œil lit sans effort.
- Une durée d’affichage d’au moins 1 seconde par sous-titre, idéalement entre 1 et 6 secondes. Les sous-titres mot à mot très rapides sont à la mode sur les formats verticaux mais fatiguent sur les vidéos de plus de deux minutes.
- Fichier séparé plutôt que sous-titres incrustés chaque fois que la plateforme l’accepte. Un fichier SRT ou VTT reste modifiable, indexable par les moteurs, et traduisible. Les sous-titres incrustés dans l’image sont définitifs.
- Zone basse dégagée. Sur les formats verticaux, l’interface de la plateforme recouvre les 15 à 20 % inférieurs de l’écran : remontez les sous-titres.
- Contraste et fond. Un texte blanc sur une bande sombre semi-opaque reste lisible sur toutes les images ; le texte blanc seul disparaît sur les plans clairs.
Sur le volet réglementaire, l’exigence d’accessibilité numérique s’est élargie en Europe depuis juin 2025 à un ensemble de services proposés aux consommateurs. Selon votre activité et votre taille, le sous-titrage des contenus vidéo préenregistrés peut relever d’une obligation et non d’un choix éditorial : le point mérite d’être vérifié avant de laisser des dizaines de vidéos sans sous-titres.
Le temps de relecture, seul poste qui ne baisse pas
Repères de terrain, par heure d’audio :
| Qualité de l’enregistrement | Précision attendue | Temps de relecture |
|---|---|---|
| Micro dédié, un locuteur, sujet courant | 95 à 97 % | 15 à 25 min |
| Visioconférence, deux locuteurs | 90 à 94 % | 30 à 45 min |
| Réunion à quatre, salle qui résonne | 80 à 88 % | 60 à 90 min |
| Jargon technique dense, sans dictionnaire | 85 à 92 % | 45 à 70 min |
Trois gestes réduisent ce temps plus sûrement que le changement d’outil : enregistrer avec un micro-cravate à 30-60 € plutôt qu’avec l’ordinateur, demander aux intervenants de ne pas se couper la parole, et alimenter le dictionnaire personnalisé avant la première transcription. Le gain se compte en dizaines de minutes par heure de contenu.
Confidentialité : la question à trancher avant le prix
Un enregistrement de rendez-vous client, d’entretien de recrutement ou de réunion interne contient des données personnelles. Trois questions à poser au service avant de lui confier ces fichiers : où sont hébergés les fichiers et les transcriptions, combien de temps sont-ils conservés, et servent-ils à entraîner des modèles. Les réponses figurent dans les conditions d’utilisation, pas sur la page tarifs.
Deux points pratiques souvent oubliés : en France, l’enregistrement d’une réunion suppose d’informer les participants, et les fichiers audio bruts s’accumulent silencieusement dans les espaces de stockage. Prévoyez une règle de suppression — par exemple, effacement de l’audio 30 jours après validation de la transcription. Si le sujet est bloquant, un modèle exécuté localement supprime la question : rien ne sort de la machine, au prix d’un traitement plus lent et d’une installation à faire une fois.
Questions fréquentes
Quelle est la solution la moins chère pour sous-titrer des vidéos courtes ?
Les générateurs intégrés aux plateformes elles-mêmes, à 0 €. YouTube, Instagram, TikTok et l’éditeur CapCut produisent des sous-titres français corrects sur un audio propre. La relecture reste indispensable, en particulier sur les noms propres et les chiffres, mais aucun abonnement ne se justifie en dessous de deux ou trois heures de vidéo par mois.
Faut-il faire tourner un modèle de transcription sur son propre ordinateur ?
Cela vaut le coup dans deux cas : quand les fichiers ne doivent pas quitter la machine, et quand le volume dépasse une dizaine d’heures par mois. Une version courante du modèle Whisper tourne sur un portable récent à une vitesse proche du temps réel, parfois plus vite avec une carte graphique. Il faut en revanche accepter une installation initiale d’une à deux heures et l’absence d’éditeur confortable.
Les transcriptions améliorent-elles le référencement des vidéos ?
Indirectement. Le fichier de sous-titres associé à une vidéo est lu par les plateformes et aide au classement interne et aux recommandations. L’effet le plus net vient d’un autre usage : publier la transcription nettoyée sous forme d’article sur votre site crée une page de texte indexable là où la vidéo seule n’en offrait aucune. Une heure de vidéo donne 8 000 à 10 000 mots bruts, à retravailler en deux ou trois articles.
Combien de temps faut-il pour sous-titrer une vidéo de 10 minutes ?
Comptez 2 à 3 minutes de traitement automatique, puis 5 à 10 minutes de relecture et de calage si l’audio est propre. Sur un enregistrement à plusieurs voix ou bruité, la relecture peut atteindre 20 minutes. Une fois le dictionnaire personnalisé alimenté et le processus rodé, la plupart des créateurs se stabilisent autour de 8 à 12 minutes de travail pour 10 minutes de vidéo.