Monter au transcript, pas à la forme d’onde

Pendant cent ans, monter a voulu dire regarder une image du son. La forme d'onde est un bon instrument : elle montre où sont les parties fortes, où sont les silences et, avec de l'entraînement, où se termine une phrase. C'est aussi, pour des rushes parlés, le mauvais instrument, et ce depuis que la transcription est devenue assez fiable.

Ce qu'une forme d'onde peut dire, et ce qu'elle ne peut pas

Une forme d'onde encode une amplitude dans le temps. Cela donne déjà beaucoup : des points de coupe dans les silences, le rythme d'un échange, une toux évidente, une pièce qui a changé entre deux prises.

Ce qu'elle ne peut pas encoder, c'est ce qui a été dit. Deux secondes de parole ont exactement la même allure qu'il s'agisse de la meilleure phrase de l'entretien ou de la troisième reprise de la même amorce. Trouver un moment dans une heure d'audio à la forme d'onde, c'est donc naviguer à tâtons (lire, arrêter, revenir, relire), et le coût n'est pas seulement en minutes. C'est que cette navigation vous oriente vers les passages dont vous vous souvenez déjà, c'est-à-dire ceux que vous aviez écoutés attentivement la première fois.

Ce qui change quand le texte devient la timeline

Placez une transcription mot à mot à côté de l'audio, et trois choses changent de nature, pas seulement de degré.

Chercher, c'est rechercher. Vous voulez le passage sur les tarifs. Vous tapez « tarifs ». C'est toute l'opération. Une heure de source devient aussi navigable qu'un document, et ce que vous trouvez est ce que vous vouliez, pas ce dont vous aviez retenu la position.

Couper, c'est supprimer. La parole est pleine de reprises, de tics et de phrases qui arrivent deux fois au même point. Sur une forme d'onde, tout cela est invisible ; en texte, c'est évident dès la lecture de la ligne. Barrez les mots, et la coupe se répercute sur la timeline. Une minute de resserrage qui aurait demandé vingt cycles de navigation et de rognage tient en une passe de lecture.

La structure devient visible. En lisant une transcription, on voit que la réponse à la bonne question commence en réalité quatre-vingt-dix secondes plus loin, après les raclements de gorge. C'est une observation structurelle, et la structure est précisément ce qu'une forme d'onde cache le mieux.

Les deux endroits où ça déraille

Le montage au transcript a de vrais défauts, et faire semblant du contraire est la meilleure façon de s'en dégoûter après une mauvaise expérience.

Les temps des mots sont approximatifs aux bords. Une coupe posée exactement sur une frontière de mot dans le texte peut tomber quelques dizaines de millisecondes trop tôt ou trop tard dans l'audio, ce qui suffit à rogner une consonne ou à laisser une respiration en suspens. C'est pour cela que la transcription est un moyen de trouver la coupe, pas l'autorité finale sur son emplacement. Ajustez à la forme d'onde une fois que le texte vous a dit où regarder.

L'interprétation n'est pas dans le texte. Une phrase qui se lit très bien peut être dite platement, et une phrase qui ne ressemble à rien peut fonctionner grâce au silence qui la précède. Si vous coupez uniquement en lisant, vous supprimerez les pauses (elles ressemblent à du vide dans une transcription), et le résultat sera techniquement plus serré et nettement moins bon. Le silence est du contenu, dans la parole.

La méthode qui évite les deux : chercher et dégrossir dans le texte, puis regarder le résultat et le corriger à l'oreille. Le texte pour la structure, l'oreille pour le rythme.

Pourquoi ce n'est pas qu'une question de vitesse

L'argument de la productivité est facile et légèrement trompeur. Oui, c'est plus rapide. L'effet le plus intéressant porte sur ce qui finit par exister.

Quand trouver un moment coûte cher, on monte les clips qu'on avait déjà en tête avant d'ouvrir l'éditeur. Quand c'est gratuit, on lit toute la transcription, et on trouve les trois choses dont on ne se souvenait pas, qui sont souvent meilleures que les autres, précisément parce qu'on ne les écoutait pas.

Voilà le véritable argument du montage au transcript. Non pas qu'il fait gagner vingt minutes, mais qu'il change quels clips existent.

Là où la forme d'onde gagne encore

La musique, évidemment. Tout ce dont le rythme est le contenu : une coupe calée sur un temps, un bruitage, un rire que l'on veut faire tomber sur une image. La synchronisation multicaméra. Un bruit que l'on cherche à repérer et à enlever plutôt qu'à lire.

Les deux ne sont pas deux visions concurrentes du même travail. La transcription répond à « quelle partie », la forme d'onde répond à « exactement où ». La plupart des éditeurs qui traitent bien la parole montrent les deux, et la plupart des gens qui ont utilisé les deux cessent d'y voir un choix.