Comment convertir un fichier WAV en texte : guide des formats et conseils de précision

Le WAV est l'entrée optimale en précision pour la reconnaissance vocale car il s'agit d'audio PCM brut et non compressé. Rien à décompresser, aucun artefact de codec destructif, aucune reconstruction hasardeuse avant que l'audio n'atteigne le modèle. Si vous avez un WAV issu d'un enregistreur de studio, d'un enregistreur de terrain broadcast ou d'un système de capture de cours, vous partez du meilleur matériau source possible.

Cet article couvre les mécaniques de format qui comptent pour la transcription, pas seulement les étapes d'import.

Quelle est la taille d'un enregistrement WAV de 60 minutes ?

Le WAV stocke l'audio en PCM linéaire : chaque échantillon est écrit tel quel, sans compression. Le calcul est simple et les chiffres sont importants.

À 44,1 kHz / 16 bits stéréo (qualité CD, courant sur les enregistreurs grand public et les mixettes de podcast) :

À 48 kHz / 24 bits stéréo (standard des enregistreurs de terrain broadcast comme la série Zoom F ou le RodeCaster Pro II), les chiffres sont encore environ 65 % plus élevés : un enregistrement de 60 minutes atteint environ 990 Mo.

Ces tailles déterminent si vous pouvez importer directement ou si vous devez d'abord convertir. Elles expliquent aussi pourquoi un WAV de conférence de 3 heures peut bloquer un import navigateur pendant 20 minutes sur une connexion domestique typique.

Quelle est la différence entre WAV, BWF et polyWAV ?

Le WAV est un format conteneur (spécification RIFF/WAVE), pas un codec. La plupart des fichiers WAV contiennent de l'audio PCM linéaire non compressé, mais le conteneur peut héberger d'autres encodages. Trois variantes que vous rencontrerez réellement lors de la transcription :

PCM WAV est la valeur par défaut. Échantillons audio stockés en entiers à virgule fixe : 16 bits (grand public), 24 bits (professionnel) ou entier 32 bits (rare). Tous les services de transcription modernes les gèrent nativement. La grande majorité des WAV que vous rencontrerez sont en PCM 16 ou 24 bits.

BWF (Broadcast Wave Format) est un WAV plus un chunk de métadonnées BEXT portant timecode, données scène/prise et identifiants de fichiers uniques. C'est le format par défaut de la plupart des enregistreurs de terrain broadcast (Sound Devices, série Zoom F, Tascam Portacapture en mode ENG). Pour la transcription, le BWF est fonctionnellement identique au WAV simple : le chunk BEXT est ignoré par les moteurs vocaux.

PolyWAV est un BWF multicanal : un fichier, plusieurs pistes, chaque piste sur son propre canal. Un RodeCaster Pro enregistre un polyWAV à 14 canaux (chaque micro plus le mix stéréo). Un Zoom F8n Pro peut enregistrer jusqu'à 10 canaux dans un seul polyWAV.

C'est le principal piège spécifique au format pour la transcription : la plupart des services de transcription qui acceptent le WAV traitent un polyWAV comme un unique flux audio mixé. Ils appliquent la diarisation sur le mix, pas piste par piste. Pour obtenir une transcription propre piste par piste, vous devez soit :

1. Séparer d'abord le polyWAV en WAV mono individuels (ffmpeg -i poly.wav -map 0:a:0 track1.wav -map 0:a:1 track2.wav ...), puis soumettre un fichier par locuteur.
2. Utiliser un service prenant explicitement en charge le multicanal (le paramètre multichannel=true de Deepgram traite chaque canal comme une transcription séparée). Notez que multicanal et diarisation des locuteurs s'excluent mutuellement : vous choisissez une approche par requête.

Pour en savoir plus sur le moment d'utiliser une séparation des locuteurs par canal plutôt que par diarisation, consultez la diarisation des locuteurs expliquée.

Puis-je importer un WAV 32 bits flottant dans les outils de transcription ?

Courant dans les outils de production professionnels (Pro Tools, Logic Pro, format interne d'Audacity) et sur les enregistreurs de terrain dotés d'un mode « 32 bits flottant » comme le Zoom F8n Pro ou le Sound Devices MixPre-10 II. L'avantage est la marge dynamique : le 32 bits flottant capture l'audio qui clippe au niveau matériel sans écrêtage dur. Le piège côté transcription : Google Cloud Speech-to-Text v1 refuse le WAV 32 bits flottant, ce qui impose une conversion avant soumission. Si un service de transcription renvoie une erreur d'encodage sur un WAV, c'en est très probablement la cause.

Convertissez avant l'import :

ffmpeg -i input-float.wav -acodec pcm_s16le output-pcm.wav

La plupart des services de transcription modernes acceptent le WAV 32 bits flottant sans problème ; la conversion n'est nécessaire que lorsqu'un outil refuse le fichier.

WAV des enregistreurs courants : fréquence d'échantillonnage et profondeur de bits attendues

Les différents appareils d'enregistrement produisent des spécifications WAV différentes, et celles-ci influent sur la taille d'import :

Mixettes de podcast (RodeCaster Pro II, Rodecaster Duo) : 48 kHz / 24 bits, polyWAV pour le multipiste. Le mix stéréo est un WAV standard à 2 canaux.

Enregistreurs de terrain professionnels (série Zoom F, Sound Devices MixPre) : jusqu'à 192 kHz / 32 bits flottant. Pour la transcription, tout ce qui dépasse 16 kHz / 16 bits revient à envoyer plus de données que le modèle n'en utilisera.

Reflex et hybrides (Canon série R, Sony série A7) : WAV PCM ou BWF à 48 kHz / 16 bits, enregistrés sur la carte interne ou un enregistreur attaché. Source courante pour les interviews filmées en caméra.

Systèmes de capture de cours (Echo360, Panopto) : produisent souvent un WAV à 44,1 kHz / 16 bits en complément de la vidéo, ou intègrent l'audio dans le conteneur vidéo. La piste WAV, si elle est disponible séparément, est plus simple à traiter qu'une extraction depuis une vidéo H.264.

Pour la transcription, la cible de traitement interne du modèle est du PCM mono 16 bits à 16 kHz. Tout ce qui est au-dessus est écarté en interne. Vous payez de la bande passante d'envoi pour des données que le moteur n'utilise pas.

Dois-je convertir le WAV en MP3 avant l'import si le fichier est trop volumineux ?

Si votre WAV dépasse la limite d'import d'un service, convertissez-le en MP3 à 192 kbit/s et archivez le WAV original. Il existe quatre chemins au total :

Chemin 1 : importer directement le WAV. Pour les fichiers sous la limite d'import de votre service, l'import direct est le chemin le plus simple. Lancez l'envoi et revenez plus tard. C'est le temps d'import qui domine.

Chemin 2 : downmixer en WAV mono 16 kHz (sans perte du point de vue du modèle). Le moteur de transcription effectuera de toute façon cette conversion en interne. Faites-la d'abord côté client pour réduire la taille d'envoi d'environ 80 % :

ffmpeg -i recording.wav -ac 1 -ar 16000 recording-16k-mono.wav

Un WAV stéréo 44,1 kHz de 60 minutes passe de 600 Mo à environ 110 Mo. Le modèle voit un contenu identique.

Chemin 3 : convertir en FLAC (sans perte, plus léger). FLAC compresse les mêmes données PCM sans perte, généralement à 40-60 % de la taille du WAV. Un WAV de 60 minutes à 300 Mo devient environ 150-180 Mo en FLAC.

ffmpeg -i recording.wav -acodec flac recording.flac

FLAC mérite d'être choisi lorsque vous voulez préserver la fidélité audio originale exacte mais avez besoin d'imports plus rapides que ne le permet le WAV. Pour en savoir plus sur la conversion de formats audio pour la transcription, consultez comment convertir du FLAC en texte.

Chemin 4 : convertir en MP3, archiver le WAV. Le flux de travail le plus pratique pour les gros volumes. Importez un MP3 à 192 kbit/s (environ 1,4 Mo/min), conservez le WAV comme master d'archive.

ffmpeg -i recording.wav -acodec mp3 -ab 192k recording.mp3

À 192 kbit/s, la différence de précision par rapport au WAV original est négligeable pour la parole sur des enregistrements propres. En dessous de 128 kbit/s, la compression destructive commence à éroder les consonnes haute fréquence. En dessous de 64 kbit/s, la précision chute assez pour produire des erreurs systématiques sur les noms inhabituels et le vocabulaire technique. Pour une comparaison complète des compromis entre formats pour la reconnaissance vocale, consultez WAV vs MP3 pour la transcription.

Quand convertir d'abord en MP3 a-t-il vraiment du sens ? Quand votre WAV dépasse une limite d'import. Un long WAV à 48 kHz / 24 bits peut atteindre les limites de taille de fichier d'un service. Convertir en MP3 à 192 kbit/s fait passer un enregistrement de 5 heures d'environ 5 Go à environ 700 Mo, bien en dessous de la limite de n'importe quel service. Archivez toujours le WAV original avant de convertir.

Comment transcrire un fichier WAV

L'étape d'import est volontairement courte car l'expertise sur le format est l'objet de cet article.

1. Choisissez votre chemin ci-dessus (WAV direct, WAV downmixé, FLAC ou MP3).
2. Importez vers le service de transcription de votre choix.
3. Définissez la langue, le nombre de locuteurs et les indices de vocabulaire éventuels.
4. Lancez. Les fichiers WAV se traitent à la même vitesse que des MP3 de durée équivalente : le moteur travaille sur la durée audio, pas sur la taille du fichier.
5. Exportez en TXT, SRT, VTT ou DOCX.

Si vous avez juste besoin d'une transcription propre sans bot de réunion ni outils d'édition lourds, ConvertAudioToText gère le WAV nativement, prend en charge tout le chemin de downmix 16 kHz côté serveur et accepte des imports de plusieurs gigaoctets sur les offres payantes.

Retouches pré-transcription utiles

Pour les fichiers WAV présentant des problèmes audio, une courte passe de retouche avant l'import rapporte :

• Réduction de bruit : iZotope RX, Adobe Enhance Speech ou le filtre de réduction de bruit d'Audacity. Particulièrement utile sur les enregistrements en salle avec ronronnement de climatisation ou les enregistrements extérieurs avec vent.
• Suppression des silences : coupez le silence mort au début et à la fin. Aide la diarisation, qui peut dérailler sur les longs silences.
• Normalisation de la loudness : ramenez les locuteurs discrets à un niveau homogène. Problème courant sur les enregistrements de podcast à plusieurs personnes où un micro était trop loin du locuteur.
• Plage dynamique : la plage dynamique du WAV (96 dB en 16 bits, 144 dB en 24 bits) signifie que les passages très faibles qui se compressent mal en MP3 restent capturés clairement. C'est le principal avantage pratique de l'archivage en WAV.

Pour les enregistrements capturés proprement, sautez entièrement la passe de retouche et soumettez simplement. Le temps de retouche s'accumule vite, et les modèles vocaux modernes gèrent mieux le bruit modéré qu'il y a trois ans. Réservez la retouche aux enregistrements où vous entendez clairement le problème en réécoutant.

Le WAV se transcrit-il plus précisément que le MP3 ?

Le principal avantage de précision du WAV est ce qui lui manque : les artefacts d'encodage destructif. Un WAV 16 bits à 44,1 kHz porte toute la plage de fréquences jusqu'à environ 22 kHz, bien au-dessus de la coupure à 8 kHz de l'audio téléphonique et au-dessus de la plage à 4 kHz où vit la plupart du contenu vocal.

En pratique, la différence de précision entre le WAV et un MP3 à 192 kbit/s du même enregistrement est négligeable pour la plupart des contenus parlés. L'écart se creuse dans deux scénarios :

• Qualité audio limite : salles bruyantes, microphones éloignés, accents marqués. L'encodage destructif rend l'audio marginal plus difficile à rattraper.
• Langues tonales ou vocabulaire technique : les phonèmes qui reposent sur une fine structure spectrale sont mieux préservés dans l'audio non compressé.

Pour un examen plus approfondi de l'influence du format audio sur la précision de transcription, consultez la précision de transcription expliquée.

FAQ

Le WAV se transcrit-il plus précisément que le MP3 ?

Pour un même enregistrement, la différence entre le WAV et un MP3 à haut débit (192 kbit/s ou plus) est négligeable sur un audio propre. L'écart s'accroît avec des MP3 de moindre qualité : à 64 kbit/s, vous perdez suffisamment de contenu haute fréquence pour que la précision baisse sensiblement. Gardez le WAV pour les enregistrements limites ou les besoins de chaîne de conservation légale ; utilisez un MP3 à 192 kbit/s au quotidien.

Quelle est la taille d'un enregistrement WAV de 60 minutes ?

À 44,1 kHz / 16 bits stéréo (qualité CD), un WAV de 60 minutes pèse environ 600 Mo. À 48 kHz / 24 bits stéréo (courant avec les enregistreurs de terrain), il approche plutôt 1 Go. Un downmix en mono 16 kHz avant l'import ramène la même heure d'audio à environ 110 Mo, ce que la plupart des moteurs de transcription traitent en interne de toute façon.

Puis-je importer un WAV 32 bits flottant dans les outils de transcription ?

La plupart des services de transcription modernes acceptent le WAV 32 bits flottant, mais certaines intégrations plus anciennes et Google Cloud Speech-to-Text v1 le refusent. Si un outil refuse votre fichier, convertissez-le d'abord en PCM 16 bits avec ffmpeg : ffmpeg -i input.wav -acodec pcm_s16le output.wav. Le contenu audio est identique après conversion.

Quelle est la différence entre WAV, BWF et polyWAV ?

Le WAV est le conteneur standard Microsoft/IBM pour l'audio PCM. Le BWF (Broadcast Wave Format) est un WAV avec un chunk de métadonnées BEXT supplémentaire portant le timecode, les infos scène/prise et des identifiants de fichier uniques, la sortie par défaut de la plupart des enregistreurs de terrain broadcast. Le polyWAV est un BWF multicanal qui stocke jusqu'à 99 pistes dans un seul fichier, une par microphone. Pour la transcription, les trois se comportent de manière identique ; les métadonnées sont ignorées par les moteurs vocaux.

Dois-je convertir le WAV en MP3 avant l'import si le fichier est trop volumineux ?

Oui. Si votre WAV dépasse la limite d'import d'un service, convertissez-le en MP3 à 192 kbit/s avec ffmpeg (ffmpeg -i recording.wav -acodec mp3 -ab 192k recording.mp3) et conservez le WAV comme archive. À 192 kbit/s, la différence de précision est trop faible pour compter sur la plupart des enregistrements. Sinon, convertissez d'abord en WAV mono 16 kHz, ce qui vous donne un audio sans perte à environ un cinquième de la taille du fichier original.

Sources

• Calcul et formules de la taille des fichiers WAV
• Audio PCM et structure du format WAV, AudioUtils
• Le WAV 32 bits flottant expliqué, Sound Devices
• Broadcast Wave Format, Wikipédia
• Guide des conteneurs WAV, BWF et Poly, Soundrolling
• Optimiser l'audio pour Google Cloud Speech-to-Text
• Documentation multicanal Deepgram
• Taux de compression FLAC vs WAV, Cloudinary
• Tarifs Descript
• Tarifs Otter.ai
• Tarifs Rev