Modélisation thématique à partir de l'audio : LDA, BERTopic et clustering par LLM (2026)

Des heures d'audio à une carte des thèmes

La modélisation thématique appliquée à l'audio se déroule en deux étapes : transcrire les enregistrements en texte, puis faire tourner un algorithme de modélisation sur le corpus obtenu. L'algorithme identifie des groupes de contenus apparentés dans l'ensemble des documents, ce qui permet de produire une liste de thèmes défendable en quelques heures plutôt qu'en quelques semaines. Cet article présente les trois approches à connaître en 2026, le moment d'utiliser chacune, ainsi qu'un flux de travail concret qui transforme une pile d'enregistrements en une taxonomie thématique propre.

C'est souvent l'ampleur du problème qui justifie l'investissement. Lire mot à mot 30 heures de transcriptions d'entretiens prend une semaine. Choisir trois transcriptions au hasard relève du biais et de l'à-peu-près. Appliquée à un corpus complet, la modélisation thématique est l'outil qui rend l'analyse qualitative à grande échelle réalisable pour un chercheur seul ou une petite équipe.

Pourquoi la qualité de transcription fixe le plafond

La modélisation thématique traite chaque mot comme un signal : les erreurs de transcription se propagent donc jusque dans vos thèmes. Si « Kubernetes » est transcrit « couvernettes » dans des dizaines d'entretiens, l'algorithme y voit un mot nouveau et peut lui consacrer un cluster fantôme. Le problème se cumule : un corpus de 30 heures peut contenir 400 000 mots, et même un taux d'erreur de 5 % injecte 20 000 jetons corrompus dans le signal.

Pour la plupart des contenus audio en anglais, un modèle visant une précision de 95 à 98 % au niveau des mots suffit. La terminologie propre à un domaine, dans les entretiens médicaux, juridiques ou techniques, gagne à être ajustée au vocabulaire avant la transcription, car les termes techniques échouent plus souvent que les mots courants.

La diarisation des locuteurs est facultative mais souvent utile. Dans les entretiens de recherche structurés, l'enquêteur pose des questions similaires d'une session à l'autre. Ces questions répétées forment leur propre cluster thématique, un bruit structurel plutôt qu'un contenu émanant des participants. La diarisation permet de ne garder que les tours de parole des participants avant la modélisation, ce qui resserre les thèmes extraits. Consultez la diarisation des locuteurs expliquée pour comprendre le fonctionnement de cette technologie.

Si vous devez transcrire un corpus d'entretiens enregistrés, l'outil d'entretien de ConvertAudioToText traite l'audio par lots sans exiger la création d'un compte pour des tests rapides.

Les trois approches, comparées honnêtement

Trois méthodes dominent en production. Elles diffèrent par ce qu'elles exigent de vous, par ce qu'elles produisent et par leur coût.

LDA (allocation de Dirichlet latente)

La méthode classique, développée en 2003 et toujours très utilisée. Chaque document est modélisé comme un mélange de thèmes, chaque thème comme une distribution de probabilité sur les mots. La sortie est un nombre fixe de thèmes, chacun représenté par une liste de mots classés.

Forces : rapide, bien comprise, sortie interprétable. Ses modes de défaillance sont documentés après deux décennies d'utilisation. L'écosystème Python (gensim, scikit-learn) est mature et stable. Fonctionne sur CPU, sans GPU requis.

Faiblesses : exige un prétraitement : tokenisation, suppression des mots vides, lemmatisation. Les thèmes apparaissent sous forme de listes de mots, non de concepts étiquetés : un humain doit donc encore rédiger les libellés. Elle peine sur les documents courts et les petits corpus, où les co-occurrences de mots sont insuffisantes pour estimer les distributions de façon fiable.

Quand l'utiliser : grands corpus de 500 documents ou plus, analyses exploratoires où l'on veut une première passe rapide, pipelines déjà construits autour des outils NLP Python.

BERTopic

BERTopic encode les documents à l'aide d'encodeurs de phrases de type transformer, réduit la dimensionnalité, regroupe par similarité sémantique (généralement avec HDBSCAN), puis extrait les mots représentatifs de chaque cluster grâce au c-TF-IDF. Résultat : des thèmes définis par le sens plutôt que par la fréquence des mots.

La bibliothèque est activement maintenue, avec des ajouts récents tels que la modélisation thématique zero-shot, la fusion de modèles et l'étiquetage des thèmes par LLM en post-traitement. Elle prend en charge plus de 50 langues dès l'installation.

Forces : meilleure cohérence sémantique que la LDA, en particulier pour les corpus spécialisés ou composés de textes courts. Le nombre de clusters est déterminé par les données, pas fixé à l'avance. Une passe optionnelle par LLM peut étiqueter les clusters avec des noms lisibles par un humain.

Faiblesses : plus lent que la LDA. Davantage de composants à configurer (modèle d'embedding, réducteur de dimensionnalité, algorithme de clustering). Sa sensibilité aux hyperparamètres fait que les résultats peuvent varier d'une exécution à l'autre. Les recherches comparant les scores de cohérence de BERTopic et de la LDA donnent des résultats mitigés selon les corpus : BERTopic l'emporte en interprétabilité sémantique sur la plupart des corpus marketing et d'entretiens, tandis que la LDA peut surpasser BERTopic sur les métriques de cohérence pour les textes de domaine à vocabulaire restreint.

Quand l'utiliser : corpus de 100 à 10 000 documents, travaux de recherche où la cohérence sémantique compte plus que la pureté statistique, situations où vous disposez d'un GPU ou pouvez tolérer des temps de calcul CPU plus longs.

Clustering par LLM

Une approche devenue praticable entre 2024 et 2026 : le LLM effectue directement le clustering via le prompt engineering. Chaque transcription est résumée en thèmes clés, les résumés sont soumis au LLM avec un prompt demandant une taxonomie, et le LLM renvoie des clusters étiquetés accompagnés de citations d'exemple.

Forces : cohérence sémantique maximale. Les thèmes arrivent avec des libellés lisibles et des passages d'exemple. Aucun pipeline de prétraitement à construire.

Faiblesses : le coût croît avec le volume de jetons. Chaque heure d'audio produit environ 7 000 à 10 000 mots de transcription ; résumer et regrouper un corpus de 30 entretiens via une API de pointe revient à quelques dollars seulement, entre un et cinq environ, selon le palier du modèle et la conception du prompt. La structure des thèmes peut varier d'une exécution à l'autre à un rythme que n'ont pas les méthodes statistiques, car le LLM est génératif plutôt que déterministe.

Quand l'utiliser : corpus petits à moyens de 10 à 150 documents, lorsque le public de l'analyse a besoin d'une sortie lisible sans étape d'étiquetage, lorsqu'un budget de calcul est disponible.

En un coup d'œil

Préparer vos transcriptions pour chaque méthode

Les étapes de préparation diffèrent suffisamment pour compter.

Pour la LDA :

1. Tokenisez chaque transcription en mots.
2. Supprimez les mots vides (« the », « is », « and » et autres bruits similaires).
3. Lemmatissez afin que les formes fléchies convergent vers une racine (« running », « ran », « runs » deviennent tous « run »).
4. Construisez une matrice documents-termes.
5. Choisissez un nombre de thèmes, généralement entre 5 et 20, et évaluez la cohérence pour plusieurs valeurs plutôt que de deviner une seule fois.

Pour BERTopic :

1. Découpez les transcriptions en phrases ou en paragraphes courts, pas en documents entiers, afin que chaque unité porte un sens ciblé.
2. Passez-les dans un sentence transformer pour obtenir les embeddings (le modèle all-MiniLM-L6-v2 est un point de départ courant).
3. Laissez le pipeline par défaut de BERTopic gérer la réduction de dimensionnalité et le clustering.
4. Examinez les affectations aux clusters et fusionnez ceux qui sont manifestement des variantes d'un même thème.

Pour le clustering par LLM :

1. Résumez chaque transcription en 5 à 10 points ou thèmes clés à l'aide d'un prompt structuré (voir l'article sortie structurée ou prose récapitulative pour des patterns de prompts qui produisent un format constant).
2. Soumettez tous les résumés au LLM avec un prompt lui demandant de les regrouper en N thèmes et d'étiqueter chacun d'eux.
3. Pour chaque thème, lancez un prompt de suivi demandant trois à cinq citations directes représentatives tirées des transcriptions sources.

Étiqueter et valider les résultats

Aucune méthode ne produit un résultat prêt à publier. Le modèle trouve des clusters ; c'est vous qui les étiquetez et les validez.

Avec la LDA, la sortie ressemble à ceci :

Topic 1: pricing, plan, expensive, value, cost, charge, monthly
Topic 2: integration, slack, zapier, api, automate, workflow
Topic 3: support, help, response, ticket, slow, never

Les libellés se devinent ici (préoccupations tarifaires, cas d'usage d'intégrations, frustrations liées au support), mais chaque thème exige une phrase rédigée par un humain. Pour 10 thèmes issus de 30 entretiens, l'étape d'étiquetage prend 15 à 30 minutes.

BERTopic produit des listes de mots similaires, souvent plus cohérentes sémantiquement. Le clustering par LLM fournit directement des libellés provisoires, qui demandent généralement une légère retouche plutôt qu'une rédaction de zéro.

L'étape de validation est souvent sous-dotée en temps. Un thème appuyé sur 200 documents peut s'avérer être 180 documents portant sur une chose et 20 documents portant sur autre chose, que le modèle a confondus. Vérifier au hasard les 5 premiers documents de chaque thème permet de repérer la plupart de ces confusions avant que les thèmes n'entrent dans un rapport.

Cas d'usage : archives et corpus de recherche

Le cas d'usage des entretiens de recherche concentre l'essentiel de l'attention dans les articles sur la modélisation thématique, mais ce sont les collections audio d'archives et historiques qui offrent l'argument d'échelle le plus convaincant.

Les projets d'histoire orale, les archives radiophoniques et les bibliothèques de focus groups enregistrés contiennent souvent des centaines voire des milliers d'heures d'audio accumulées sur des années. Une analyse thématique manuelle d'une archive de cette taille est pratiquement impossible pour une petite équipe. Un pipeline de modélisation thématique change la question : de « quels enregistrements analysons-nous » à « que dit l'ensemble de la collection », ce qui constitue un instrument de recherche différent et plus puissant.

Pour le travail d'archive, quelques remarques pratiques :

La qualité audio varie davantage que dans des entretiens contrôlés. Les enregistrements anciens, les enregistrements de terrain et les entretiens téléphoniques peuvent contenir un bruit important qui dégrade la précision de la transcription et, en aval, la qualité des thèmes. Examiner un échantillon de 10 à 20 transcriptions avant de s'engager dans le pipeline complet permet de détecter tôt les problèmes de qualité audio.

À grande échelle, la LDA traite efficacement les très grands corpus. Faire tourner BERTopic sur 5 000 documents avec les réglages par défaut est faisable mais lent sur CPU. La variante MEGA-scale de la bibliothèque prend en charge le traitement multi-GPU pour les collections où cela compte.

La comparaison entre collections est un cas d'usage que la LDA et BERTopic gèrent bien. Si vous disposez de deux corpus collectés à des moments différents ou dans des conditions différentes, vous pouvez entraîner un modèle sur l'un et inférer les distributions thématiques sur l'autre, ce qui offre un moyen de suivre l'évolution des thèmes. L'article l'analyse de sentiment à partir de transcriptions présente une approche complémentaire pour suivre la valence en parallèle des thèmes.

Un flux de travail concret : de 30 entretiens à un rapport thématique

Voici une séquence concrète pour un projet de recherche qualitative de taille moyenne :

1. Phase d'enregistrement. 30 heures d'audio au total pour l'ensemble des entretiens.
2. Transcription. Téléversez tous les enregistrements. Le traitement parallèle gère plusieurs fichiers simultanément ; le temps écoulé pour 30 heures est d'environ 1,5 à 2 heures selon la profondeur de la file d'attente.
3. Filtre de diarisation. Exportez uniquement les tours de parole des participants, en excluant les questions de l'enquêteur, pour éviter que l'armature structurelle de l'entretien n'apparaisse comme un thème.
4. Modélisation thématique. Lancez BERTopic sur les tours de parole des participants. Sur un CPU d'ordinateur portable moderne, 30 transcriptions d'une heure prennent 20 à 40 minutes.
5. Étiquetage. Un chercheur étiquette les 8 à 15 thèmes qui émergent. 30 à 60 minutes.
6. Extraction de citations. Retenez 3 à 5 citations représentatives par thème. 20 à 30 minutes.
7. Synthèse. Rédigez la section des thèmes du rapport de recherche en vous appuyant sur les thèmes étiquetés et les citations comme armature.

Temps de travail actif du chercheur : environ 3 à 5 heures pour un corpus dont l'analyse manuelle, par écoute et codage ligne à ligne, prendrait 30 à 60 heures. La contrepartie, ce sont le bruit statistique dans les affectations aux clusters et le surcoût de validation nécessaire pour intercepter les erreurs du modèle avant qu'elles n'atteignent le rapport.

Recommandations d'outils

Pour les flux de travail basés sur Python :

• gensim : implémentation LDA de longue date. Bien documentée, facile à prendre en main. Version 4.x, activement maintenue.
• BERTopic : la recommandation actuelle polyvalente. Pipeline modulaire, développement actif, intégration avec les principaux modèles d'embedding et LLM pour l'étiquetage a posteriori.
• scikit-learn : inclut la LDA et des primitives de clustering si vous souhaitez construire un pipeline plus personnalisé.

Pour les chercheurs préférant une interface graphique :

• NVivo : outil commercial de recherche qualitative avec codage intégré et fonctionnalités IA émergentes.
• MAXQDA : codage et synthèse assistés par IA via MAXQDA AI Assist ; des recherches indépendantes suggèrent qu'il restitue les codages humains plus fidèlement que les intégrations IA des outils concurrents.
• ATLAS.ti : outil qualitatif historique doté d'un AI Lab proposant des suggestions de codes par LLM, même si des tests indépendants soulignent que la sortie demande un élagage manuel important.

Mon avis sur ces outils à interface graphique : les trois ont ajouté des fonctions IA, mais aucun n'est nativement IA. Ils conviennent bien aux chercheurs qui veulent des flux de travail en mode pointer-cliquer et ne sont pas à l'aise avec Python. Pour les grands corpus ou les pipelines de recherche reproductibles, les approches par code offrent plus de contrôle et de transparence.

Pour le clustering fondé sur les LLM :

• Sorties structurées d'OpenAI : des réponses conformes à un schéma JSON rendent le clustering fiable, sans parsing fragile.
• Anthropic Claude : performant sur le raisonnement qualitatif et produit des taxonomies thématiques cohérentes avec un bon étiquetage.
• Modèles open source via Ollama : viable pour les projets sensibles au budget ; la qualité varie davantage qu'avec les API de pointe, mais le coût est quasi nul pour une inférence locale.

Pièges fréquents

Trop peu de documents

Les méthodes statistiques ont besoin d'un nombre suffisant de documents pour des clusters stables. En dessous de 20 entretiens, la LDA et BERTopic produisent souvent des thèmes qui changent substantiellement d'une exécution à l'autre. Pour les petits corpus, le clustering par LLM est plus fiable, car il raisonne sur le sens plutôt que d'estimer des distributions.

Des transcriptions médiocres

Une précision de transcription inférieure à 90 % injecte assez de bruit pour que les thèmes qui émergent reflètent les erreurs autant que le contenu. Voir comment améliorer la précision de transcription pour les étapes de préparation qui comptent le plus.

Un mauvais nombre de thèmes pour la LDA

La LDA exige que vous spécifiiez le nombre de thèmes avant l'exécution. Trop peu, et les thèmes s'entassent ; trop nombreux, et ils se fragmentent en quasi-doublons. Les métriques de cohérence (en particulier le score C_v) aident à trouver un nombre défendable, mais essayer trois ou quatre valeurs et comparer les sorties étiquetées par un humain est plus fiable que de se fier à la seule métrique.

Ignorer la structure de l'entretien

Un entretien structuré où les mêmes questions reviennent sur 30 sessions produira un cluster thématique pour ces questions. Ce cluster représente le protocole d'entretien, pas les points de vue des participants. Filtrez les tours de parole de l'enquêteur avant la modélisation. L'effet est le plus prononcé dans les entretiens riches en questions, où l'enquêteur prononce 30 à 40 % des mots.

Prendre les thèmes pour des vérités

La modélisation thématique est une hypothèse de regroupement, pas une description de la réalité. Les thèmes qui émergent sont des points de départ pour l'analyse. Validez chaque thème à l'aune des transcriptions sources avant de le publier ou d'agir en conséquence. L'article transcription IA ou humaine aborde les questions connexes sur le moment où une sortie statistique exige une vérification humaine.

Questions fréquentes

Faut-il des transcriptions avant de pouvoir lancer une modélisation thématique sur de l'audio ?

Oui. Aucune bibliothèque majeure de modélisation thématique ne fonctionne directement sur l'audio. Vous transcrivez d'abord, puis vous alimentez votre pipeline de modélisation avec le texte. La qualité de vos transcriptions fixe un plafond à celle de vos thèmes : une transcription fidèle mérite donc cet investissement.

Combien d'entretiens ou d'enregistrements faut-il pour que la modélisation thématique fonctionne ?

Les méthodes statistiques comme la LDA exigent au moins 50 à 100 documents pour obtenir des clusters stables. En dessous de 20, les résultats varient sensiblement d'une exécution à l'autre. Pour les petits corpus de 5 à 20 enregistrements, le clustering fondé sur les LLM est plus fiable, car il raisonne sur le sens plutôt que sur des fréquences de mots.

Quelle est la différence entre LDA et BERTopic en pratique ?

La LDA considère chaque document comme un mélange de thèmes définis par les fréquences de mots. BERTopic projette d'abord les documents dans un espace sémantique, puis regroupe selon le sens. Les thèmes de BERTopic tendent à être plus cohérents sémantiquement, mais les résultats dépendent de la taille du corpus et du choix des hyperparamètres. Pour les grands corpus aux vocabulaires bien dessinés, la LDA est plus rapide et ses résultats sont plus faciles à auditer. Pour les documents courts ou désordonnés, BERTopic l'emporte généralement.

Faut-il filtrer les questions de l'enquêteur avant de modéliser les réponses des participants ?

En général, oui. Si votre corpus suit un format d'entretien structuré, les questions répétées de l'enquêteur forment leur propre cluster thématique, ce qui constitue du bruit plutôt qu'un signal sur les points de vue des participants. La diarisation des locuteurs permet de ne conserver que les tours de parole des participants. L'effet est le plus marqué lorsque les mêmes questions reviennent dans des dizaines d'entretiens.

Sources

• Documentation de BERTopic : https://maartengr.github.io/BERTopic/index.html
• BERTopic sur PyPI : https://pypi.org/project/bertopic/
• Documentation Gensim LDA : https://radimrehurek.com/gensim/models/ldamodel.html
• « AI-powered topic modeling: comparing LDA and BERTopic in analyzing opioid-related cardiovascular risks in women », PubMed, 2025 : https://pubmed.ncbi.nlm.nih.gov/40093658/
• « Comparative Analysis of BERTopic Versus LDA: Topic Modelling in Marketing Research », SAGE Journals, 2026 : https://journals.sagepub.com/doi/10.1177/14413582251399667
• Comparatif MAXQDA vs ATLAS.ti, Skimle, 2026 : https://skimle.com/blog/maxqda-vs-atlas-ti-qualitative-analysis-software-2026
• Top des outils d'analyse de données qualitatives 2026, UserCall : https://www.usercall.co/post/top-5-qualitative-data-analysis-software-tools
• Tarification de l'API OpenAI, Value Add VC, 2026 : https://valueaddvc.com/blog/openai-api-pricing-2026-gpt-4o-o3-and-gpt-5-cost-breakdown-for-developers