Une expérience traductive? Une journée avec le logiciel “Scribe”
En juin dernier, nous organisions à Metz un colloque sur la postérité de la Bible Bayard dite “des écrivains”. Cette bible (appelée Bible Bayard, Bible des écrivains, Bible nouvelle traduction, BNT…) avait, dans les années 1990, réunit une trentaine de collaborateurs, écrivains et exégètes, qui ont produit par binômes des traductions dont l’ambition était de les inscrire dans la littérature contemporaine. La publication de cette traduction avait été un réel événement médiatique à sa sortie. Vingt ans plus tard, qu’en restait-il pour ses participants? Quelles traces avait laissé ce travail traductif dans l’oeuvre de celles et ceux qui y avaient collaboré?
Nous préparons maintenant le volume qui publiera les travaux présentés dans ce colloque, qui s’ouvrait par une table ronde passionnante, qui sous le titre “la parole aux exégètes” réunissait Jean-Jacques Lavoie, de l’université du Québec à Montréal, participant à la BNT pour les Proverbes et le livre de Ben Sira, et Jean-Marie Auwers, de l’Université catholique de Louvain, qui à sa parution publié une recension très riche de cette nouvelle traduction. L’entretien, animé par notre collègue Frédérique Rey, a vu aussi intervenir, dans la salle, d’autres participants à la BNT, Florence Delay et le maître d’oeuvre du projet, Frédéric Boyer. Tout ceci était passionnant et donnera lieu dans notre volume à un beau texte, que je m’occupe ces jours-ci de préparer.
Les journalistes, les chercheur·euses qui pratiquent l’enquête de terrain, les secrétaires de l’assemblée nationale, les policier·e·s établissant un procès verbal, etc, savent que la transcription à l’écrit d’un entretien oral ne va pas sans son lot de difficultés. Il y a d’une part, le temps passé à écrire le discours qu’on entend. Ensuite, la compréhension même de ce qu’on entend – quand on ne connaît pas les mots, par exemple dans une autre langue que le français, quand le son de la captation est dégueulasse. Ensuite, la question du “lissage” de l’énonciation: que faire des bafouillis, des hésitations, des répétitions, des réactions du public? Ensuite, la question de la constitution en phrases: où mettre les points, les virgules.
Pour aider à la retranscription, des outils technologiques existent. On peut manifestement se servir de Whisper via Humanum; on me dit que si mon université possède la suite office, on doit pouvoir jouer avec words et teams également. Pour ma part et pour ce premier essai je suis passée par la version gratuite de Scribe. J’ai téléversé le fichier audio (d’1h20, misère), et environ une heure plus tard, Scribe m’a renvoyé un dossier contenant un fichier texte, un fichier texte minuté, et que sais-je encore. Je me fonde sur la base du fichier texte, et sur mon fichier audio, pour mettre en forme l’entretien. C’est de cette expérience (encore en cours, j’y ai passé quelque chose comme 6 ou 7h hier et ai encore 20 mn à reprendre) que je vais parler aujourd’hui. Parce qu’il me semble que cette expérience, qui a donné lieu à une des journées de travail les plus enthousiasmantes et en même temps absurdes de ma carrière.
Les données générales du problème
Comment la captation a-t-elle eu lieu? Dans une salle où était disposée une longue table ovale, le dictaphone de mon téléphone était ouvert entre Frédérique Rey et Jean-Marie Auwers, qu’on entend donc très bien sur le fichier audio; Jean-Jacques Lavoie et Florence Delay étaient assis d’un côté; moi-même et Frédéric Boyer de l’autre: nos voix dans le fichier audio sont perceptibles et pour un humain qui écoute la piste, compréhensibles, mais manifestement Scribe a eu beaucoup de mal à déchiffrer Frédéric Boyer.
Scribe produit un fichier texte que j’ai copié collé dans un fichier word, initialement de 23 pages (j’en suis maintenant à 18 sans avoir diminué le nombre de signes). Il revient à la ligne quand il a l’impression que commence un nouveau segment de parole. En fonction du débit des uns ou des autres, cela donne un texte plus ou moins fragmenté. Dans les prises de paroles de Boyer, cela donne quasiment du vers libre.
Et puis sur le contenu, on va dire pudiquement que les résultats sont très variables. Parfois, dans le cas unique des prises de paroles de Jean-Marie Auwers, Scribe comprend presque tout. Parfois au contraire il propose un résultat en français très, comment dire, surprenant? absurde?
Et donc, il faut nettoyer. Voilà un premier exemple d’avant-après, sur le tout début de l’entretien:
Ce que Scribe comprend du fichier audio | Après une première correction, qui reste très littérale |
![]() |
![]() |
J’ai donc passé ma journée de travail à faire ça: à traduire un brouillamini français fourni par scribe en transcription écrite à peu près littérale de ce qui a été dit. C’était à la fois fastidieux, et très drôle – et j’ai été happée par la tâche et ai travaillé de si bon coeur que je n’ai pas vu le temps passer. Très drôle parce que certaines phases ont un petit goût de cadavre exquis, d’expérimentation surréaliste:
L’escale à critiquer, c’était l’ancienne tonnerre.
Le loup est brûlé.
Les box chez moi, avec parchemin. J’ai marché du mont piété.
Je vis ma vie.Grâce à, c’est l’idéal.
Une chaussure.Tu es toujours à genoux quoi?
Mais ce qui est intéressant aussi, c’est de se demander les raisons qui font que Scribe n’est pas capable de restituer ce que les orateurs ont dit, et à partir de quoi il invente “je vis ma vie” ou “l’idéal – une chaussure”. A force de travailler j’ai élaboré cette petite grille d’analyse que je vous soumets ci-dessous.
Scribe est monolingue – l’hébreu et le grec
La première chose qui apparaît, c’est que Scribe est monolingue. Ou plutôt: Scribe est un logiciel, donc bête; on lui dit d’écrire en français, il prend un fichier audio et part du principe que tout ce qu’il entend est du français.
Or dialoguent ici des exégètes et traducteurs de la Bible, qui citent à l’occasion le vocabulaire biblique: en hébreu, grec, latin; ils évoquent aussi des chercheurs dont, à prononcer, les noms sont difficiles (Ziegler, éditeur de Ben Sira; Monseigneur Eyt) ou simplement pas des noms propres (Pierre Alferi), et des livres bibliques: Siracide ou Ben Sira; Qohélet…
Dans sa non-tête de logiciel, les sons entendus sont du français. Du coup, il va chercher au plus proche. Et ça donne des choses rigolotes. Petite liste:
Pierre Alferi –> pierre Algérie; Pierette chérie; périphérie
Qohélet –> goélette, colette
Ben Sira –> Benzema, Bensalah
Siracide –> sire acide, irascible
Onkelos –> Kellog’s, enculeuse
Aquila –> qu’il a, tequila
Ce qui relève jusqu’ici de l’anecdote rigolote passe encore un cap quand on arrive à la prise en charge par Scribe de toute une phrase en hébreu. Ainsi, à un moment donné, Jean-Jacques Lavoie entre dans une assez détaillée analyse de la traduction de hevel havalim dans Goélette, oups, Qohélet, à savoir ce passage traduit dans la Vulgate par vanitas vanitatum et omnia vanitas; et un peu plus loin, il cite extensivement le verset 1,9 de Qohelet en hébreuque je reproduis ici via une capture d’écran du site Mechon mamre:
On pourrait retranscrire ainsi:
Alors que c’est curieux dans les traductions qui sont en contraste, par exemple si on reprend le chapitre un, verset neuf, l’expression en hébreu: vehou qol hadash tahat hashamesh »
Mais Scribe a entendu:
Alors que c’est curieux dans les traductions.
Un contraste.
Reprendre le chapitre un, verset neuf.
L’expression en hébreu: c’est vrai qu’au radar je parlerai à jamais.
Vertige des homophonies approximatives. Dans les ateliers de traduction expérimentale qu’elle fait à l’occasion (elle en a fait un avec mes étudiants cette année et c’était merveilleux), Camille Bloofield utilise cette règle oulipienne de la traduction par homophonie approximative. Soit une phrase en langue étrangère; on ne va pas la traduire en français selon le sens, mais selon le son. Autrement dit, faire exactement ce que Scribe fait (mais parce qu’il est bête): traduire non “et il n’y a rien du tout de neuf sous le soleil” mais “c’est vrai qu’au radar je parlerai à jamais”.
Scribe est européen – la diversité des français
Scribe, quand il retranscrit l’hébreu, le prend pour du français et “traduit” par homophonie approximative. Mais qu’en est-il de sa compréhension du français? Quel français parle-t-il?
Il se trouve que notre assemblée était bien internationale. Jean-Marie Auwers, belge francophone, parle un français très classique, sans belgicismes particuliers, des r peut-être un peu plus rugueux qu’en français de France. Scribe transcrit très bien Jean-Marie Auwers, qui a par ailleurs le mérite, pour l’exercice, de parler extrêmement distinctement, et d’une voix de stentor. C’est le seul de tous les orateurs que je peux corriger quasiment en temps réel. Frédérique Rey, française, garde encore d’une enfance provençale des voyelles méridionales. Ce qui lui pose problème à Scribe dans ses prises de paroles, c’est son débit très rapide et sa tendance à se corriger en cours de phrase, mais pas des questions stricto sensu de phonation.
Pour Jean-Jacques Lavoie, c’est une autre histoire. Jean-Jacques Lavoie est québécois, et ça s’entend: ses voyelles sont québécoises (des a fermés tirant sur des o, des i proche des é, des diphongues fréquentes), ses dentales sont presques systématiquement affriquées, il a tendance à manger les voyelles et faire de gros clusters de consonnes et il utilise des québécismes (“c’est ça” là où je dirais “voilà” par exemple; “tantôt” où je dirais “plus tard”). Et donc voilà quelques exemples où Scribe n’entend pas ce que Jean-Jacques dit – je ne retrouve pas les passages où Scribe a transcrit des mots en -a- par des mots en -o.
Scribe Si la langue grecque de bensalah est déjà métissée, pourquoi pas ne pas mixer aussi la traduction française? |
Ce qu’a dit Lavoie Alors si la langue grecque de Ben Sira est déjà métissée, pourquoi ne pas métisser aussi la traduction française? |
Pas un seul de mes professeurs. Tu sais, j’ai eu de très bons professeurs. |
Pas un seul de mes professeurs, et Dieu sait que j’ai eu de très bons professeurs |
Bah, ouais, c’est vrai. L’athéisme n’est pas garant du tout d’objectivité. | Bon c’est une niaiserie, l’athéisme n’est pas garant du tout d’objectivité. |
J’ai mis en violet ce que Scribe a mal entendu, et pourquoi je pense que Scribe a une oreille européenne. Lavoie, comme beaucoup de quabécois – et c’est très bien comme ça! – a tendance à affriquer les dentales. Une consonne affriquée, c’est une consonne qu’on va faire un peu siffler ; on l’entend aussi particulièrement dans l’accent marseillais “il a dit” devient “il a djit”, et en réalité très souvent en français à l’oral. Et ici il faut s’imaginer que “Dieu” devient “Djieu”, que “métissé” devient quasiment “métsissé”, avec une deuxième voyelle comme absorbée par ses voisines, et de là, “métssé”. A la première occurrence, Scribe entend “métissé” mais à la deuxième il entend “mixé”. Quant à la niaiserie, mot plus commun d’usage au Québec qu’en France et qui dans le contexte veut dire “bêtise”, Scribe a entendu toute autre chose, et je ne sais pas s’il entend autre chose parce qu’il ne connaît pas niaiserie, ou s’il est nourri avec un corpus sans occurrence de niaiserie. Toujours en est-il que j’en conclus que Scribe a des oreilles européennes, ou du moins que, pour la langue française, il a été entraîné avec des corpus de français de France.
C’est du reste une question de fond qui mérite d’être posée pour tout traitement automatique de données linguistique: comment est prise en compte la diversité linguistique? sur quel·s modèle·s les logiciels sont-ils entraînés? Le problème a déjà été soulevé, pour la reconnaissance faciale par exemple, de la différence entre traitement des visages blancs (sur lesquels les logiciels ont été entraînés) et racisés, qui provoque plus d’erreurs sur ces derniers.
Scribe “bugue” sur une énonciation par un québécois plus que sur une énonciation par un·e français·e ou un·e belge, non parce que le québécois aurait “un accent”, tout le monde a un accent. Si Scribe avait été entraîné à reconnaître le français sur la base du français des universitaires de Montréal, ça serait Auwers qu’il ne reconnaîtrait pas, et Auwers qui aurait “un accent”. Tout dépend de ce qu’on prend comme soi-disant “centre” et comme modèle.
La distance et le débit
Mais en réalité, ça n’est pas Jean-Jacques Lavoie que Scribe peine le plus à entendre, c’est Frédéric Boyer, qui était très loin du micro. Et là, une chose rigolote se passe: devant un fichier audio moins distinct, et avec un locuteur au débit un peu irrégulier, Scribe devient poète.
![]() |
![]() |
C’est vraiment dans le cas de Boyer qu’il a le plus de mal, et outre le fait qu’on a vraiment l’impression d’un cadavre exquis surréaliste, on sent que la médiocrité du fichier audio à cet endroit le fait se raccrocher à des mots, ici et là, à purement et simplement ne pas retranscrire ce que j’entends avec mes oreilles humaines dans le fichier audio mais qui a été un peu “avalé” par Boyer dont l’élocution est parfois un peu heurtée, et qui avec la distance du micro passe par pertes et profits dans la transcription.
Très amusée par les prouesses poétiques de Scribe, j’ai posté sur Bluesky l’extrait ci-dessous, qui entre donc dans le cas de figure “élocution saccadée et distante” avec comme difficulté secondaire, la reconnaissance des noms propres. C’est intéressant, parce que on est toujours plus intelligent à plusieurs, voyez un peu
![]() |
![]() |
Et je finirai là-dessus. Si l’outil Scribe m’a sans doute fait gagner du temps, surtout pour la transcription des propos de Jean-Marie Auwers, en revanche il a, dans l’état actuel du fichier sonore que je lui ai donné et de la version gratuite que j’ai utilisée, toujours besoin d’un travail humain pour s’assurer de l’intelligibilité du texte, pour rétablir les erreurs, pour comprendre les noms propres, l’utilisation de l’hébreu… pour faire du sens, tout bêtement. Scribe sait faire des phrases en français, mais il ne fait pas du sens. Et donc non seulement il faut passer derrière lui, mais s’agissant d’identifier des références compliquées, il faut demander aux copain·e·s de passer derrière nous – ici Obrother, qui comme François Moog dans un autre post, ont compris à qui faisait référence Boyer quand j’entendais “monseigneur Eight”: il s’agissait du cardinal Pierre Eyt. Preuve s’il en fallait qu’il faut toujours des herméneutes humains!
Image à la une: Scribe accroupi, conservé au Louvre, Wikimedia commons, https://commons.wikimedia.org/wiki/File:Louvre-antiquites-egyptiennes-p1020372-gradient.jpg
OpenEdition vous propose de citer ce billet de la manière suivante :
Claire Placial (11 janvier 2025). Une expérience traductive? Une journée avec le logiciel “Scribe” langues de feu. Consulté le 19 février 2025 à l’adresse https://doi.org/10.58079/132cj
Je me permets de commenter, dans la mesure où je gagne ma vie en rédigeant des comptes rendus de réunion.
Plus de 7h pour une transcription intégrale d’1h20 = l’outil ne fait pas gagner du temps, je vais plus vite (mais c’est mon métier, ça aide).
J’ai déjà utilisé ces outils et la conclusion est assez proche de la tienne : ce sont des machines, performantes, mais des machines. Ce qui me frappe, c’est que la machine ne sait pas qu’elle ne sait pas. Elle entend du bruit = elle écrit des mots, là où nous écririons “passage inaudible” “compréhension à vérifier” sauf qu’en réalité on comprend beaucoup plus de choses qu’une machine.
C’est le genre d’expérience qui permet d’en apprendre sur le fonctionnement de la langue orale/écrite et sur les capacités d’un cerveau humain !