Sous-titres mot par mot,et comment YouTube les restitue

Les sous-titres qui arrivent un mot à la fois sont partout dans la vidéo courte, et ils fonctionnent : le spectateur ne peut pas lire en avance, l’œil reste près du centre de l’image, et la parole rapide devient plus facile à suivre. YouTube sait les restituer depuis une piste de sous-titres, sans rien incruster dans l’image — mais d’une manière bien précise.

Aujourd’hui, on règle ça.

Apparition Surbrillance Ligne entière

Apparition et surbrillance ne sont pas la même fonction

Apparition : les mots s’ajoutent au fil de la parole

La ligne démarre vide et chaque mot se montre à son propre moment. Dans le format de sous-titres de YouTube, c’est natif : une ligne de sous-titre contient plusieurs segments, et chaque segment porte son propre décalage de départ. Le lecteur fait le reste, le fichier reste léger, et le minutage est exact.

Surbrillance : toute la ligne est visible, le mot en cours est coloré

Ici, le spectateur lit la ligne entière dès le début pendant qu’un mot s’allume. Le format n’a pas d’instruction « recolore ce mot maintenant », l’effet se construit donc en écrivant la même ligne de nombreuses fois — une copie par mot, chacune avec un mot différent coloré. Une ligne de dix mots devient dix entrées de sous-titres.

C’est pourquoi la surbrillance est le choix le plus lourd, et pourquoi une ligne centrée mal construite sautille : si chaque copie est rendue comme une nouvelle ligne, le lecteur la recentre. Bien faite, chaque copie contient un texte identique avec les mêmes espaces, et seule la couleur change.

Défilement et zoom

Deux autres effets reviennent dans la même conversation :

• Le défilement — les lignes s’empilent et remontent comme les sous-titres en direct à la télévision. Chaque état de la pile est sa propre entrée de sous-titre.
• Le zoom — la ligne grandit jusqu’à sa place. YouTube n’a pas non plus d’instruction d’animation : le mouvement est donc écrit image par image, une série d’entrées espacées de quelques dizaines de millisecondes, chacune avec une taille de police un peu plus grande.

Les deux sont légitimes et les deux gonflent le fichier. Une vidéo de trois minutes avec des sous-titres en apparition mot par mot reste un fichier XML modeste ; la même vidéo avec un zoom sur chaque ligne peut être des dizaines de fois plus lourde.

Le minutage : ce qui décide si l’effet sonne juste

Le minutage des mots vient en général de l’une de deux sources. La reconnaissance vocale donne un horodatage par mot, aussi exact que la transcription. Répartir la durée d’une ligne entre ses mots est la voie la plus simple : diviser par le nombre de mots, ou pondérer chaque mot par sa longueur pour que « extraordinaire » tienne l’écran plus longtemps que « et ».

Le minutage proportionnel suffit pour la plupart des plans face caméra et se remarque dès que quelqu’un marque une pause au milieu d’une phrase. Des règles qui valent dans les deux cas :

• Deux à cinq mots par ligne ; une ligne longue ruine l’effet.
• Environ 250–400 ms par mot paraît naturel ; en dessous de 150 ms, les mots clignotent.
• Coupez les lignes là où le locuteur respire, pas là où le compteur de caractères s’arrête.
• Ne faites pas commencer le premier sous-titre à 0 ms — certains lecteurs Android ignorent une ligne qui démarre à zéro. Commencez à 1 ms ou plus tard.

Ce qui survit à la traduction

Le minutage mot par mot est lié aux mots d’une seule langue. Traduisez la ligne et le nombre de mots change : quatre mots anglais peuvent en devenir six en allemand ou deux en japonais. Il faut redistribuer les minutages sur les nouveaux mots et réappliquer toute coloration mot à mot, soit exactement le genre de travail qui rend pénible la traduction à la main de sous-titres stylisés. Rainbow Captions redistribue automatiquement le minutage pour chaque langue traduite et garde les styles.

Où ces sous-titres se lisent vraiment

Les sous-titres mot par mot issus d’une piste de sous-titres se lisent dans le lecteur web de YouTube et dans les applications mobiles. La prise en charge n’est pas uniforme sur tous les appareils et toutes les applications TV, et les spectateurs qui ont réglé leurs propres préférences de sous-titres dans le lecteur verront leurs réglages l’emporter sur les vôtres. Les lignes qui mêlent plusieurs segments stylisés demandent aussi des caractères invisibles de largeur nulle en remplissage, sinon certains lecteurs mobiles écrasent le style — une bizarrerie que nous décrivons dans la référence du format .ytt.

Questions

YouTube peut-il afficher des sous-titres mot par mot sans les incruster dans la vidéo ?

Oui. Le format de sous-titres de YouTube gère des segments avec leur propre heure de départ à l’intérieur d’une ligne, et c’est exactement l’effet d’apparition. La surbrillance, le défilement et le zoom sont possibles aussi, mais ils s’écrivent en entrées de sous-titres répétées, pas en animations.

Que vaut-il mieux choisir, l’apparition ou la surbrillance ?

L’apparition est plus légère, plus précise et la plus proche de ce qu’utilisent les grandes chaînes. La surbrillance convient aux paroles de chanson ou au matériel pédagogique, où le spectateur gagne à voir la ligne entière tout en suivant le mot en cours.

Les sous-titres animés nuisent-ils à l’accessibilité ?

Cela peut arriver. Les spectateurs qui lisent lentement, ou qui s’appuient sur les sous-titres plutôt que sur le son, perdent le contexte de la phrase entière quand les mots arrivent un à un. Gardez des lignes courtes, un rythme régulier, et publiez une piste de sous-titres simple à côté de la piste stylisée quand le public en a besoin.