Chronométrez la voix off traduite avant de figer le montage

Le premier tableau compare chaque configuration cible à l’anglais des États-Unis pour les mêmes 200 passages sources. Pour chaque passage et configuration, nous avons pris la médiane des durées disponibles. Nous avons ensuite divisé cette médiane cible par la médiane anglaise, puis exprimé l’écart à 1 en pourcentage. Enfin, nous avons résumé ces 200 variations appariées. Un passage lu 3 fois a donc le même poids qu’un passage lu 1 fois.^[2][4]

Pour les enregistrements en espagnol d’Amérique latine, la variation médiane était de +24,8 %. La moitié centrale des variations par passage allait de +10,2 % à +47,0 %. Pour le japonais, la médiane correspondante était de +36,6 %, avec une moitié centrale de +17,8 % à +61,8 %. Ces chiffres décrivent les enregistrements publiés de passages correspondants ; ils ne prescrivent pas la manière de lire dans ces langues.

Ce calcul diffère de la division de 2 médianes globales. Pour les mêmes passages communs, la médiane des résumés par passage était de 9,3 secondes en anglais et de 11,6 secondes en espagnol. Diviser ces valeurs affichées ne redonnerait pas le résultat apparié de +24,8 %. Nous avons d’abord rapproché chaque passage de sa propre référence anglaise, au lieu de comparer un court passage cible à un autre passage situé au milieu de la distribution.

Les enregistrements néerlandais présentaient une variation médiane de −6,1 %, contre +82,4 % pour ceux en filipino. Garder ces 2 lignes rend visible l’étendue des rapports observés. Cela évite aussi de laisser entendre que tous les enregistrements traduits étaient plus longs. Dans l’ensemble commun, 71 médianes néerlandaises dépassaient leur équivalent anglais, 2 étaient égales et les autres étaient plus courtes.

Les lignes suivent l’ordre fixe des configurations utilisé dans l’analyse, sans tri selon les résultats. Lisez la ligne pertinente pour votre comparaison en conservant son contexte de recherche. L’espagnol d’Amérique latine et le filipino sont les périmètres linguistiques de la source ; traduire cet article dans une autre langue ne transforme pas ces enregistrements en données sur ce marché.

Une médiane ramène 200 rapports à un seul chiffre. Pourtant, une séquence donnée doit accueillir une lecture précise. Les quartiles affichés à côté de chaque médiane montrent pourquoi ne transmettre que la valeur centrale ferait perdre une information utile à cette décision.

Les enregistrements français présentaient une variation médiane de +5,7 %, mais la moitié centrale allait de −10,0 % à +29,1 %. Un faible écart central coexistait avec des passages de part et d’autre de la durée anglaise. Pour l’allemand, la médiane était de +31,4 %, avec une moitié centrale allant d’environ 0,0 % à +62,4 %. Le 0,0 % affiché est arrondi ; le quartile inférieur non arrondi était légèrement positif.

Ces intervalles décrivent la moitié centrale des variations appariées observées. Ce ne sont ni des intervalles de confiance, ni des limites minimale et maximale, ni une plage censée contenir un futur enregistrement commercial. Les passages, traductions et interprétations diffèrent du texte d’une nouvelle vidéo produit. Même reprendre exactement le pourcentage médian du tableau ne fournirait pas à l’équipe la prise dont elle a besoin pour monter la vidéo.

La question pratique change donc. Au lieu de demander combien de temps supplémentaire une langue exige toujours, un producteur peut demander si la lecture traduite approuvée tient dans la séquence prévue. Le tableau explique l’intérêt de cette vérification ; l’enregistrement du projet apporte la réponse.

Le passage source 1662 a été choisi parce qu’il avait le plus petit identifiant disponible dans les 10 configurations, avant le résumé des durées. Son tableau comprend toutes les lectures disponibles. Nous n’avons pas recherché un exemple spectaculaire après avoir vu les résultats, et nous ne reproduisons ici ni son texte ni son audio.^[3][4]

Les 2 fichiers anglais duraient environ 8,4 et 11,2 secondes, soit une médiane de 9,8 secondes. Les 3 fichiers allemands allaient de 10,4 à 23,5 secondes, avec une médiane de 10,5. Les 2 fichiers en filipino allaient de 22,3 à 24,9 secondes, avec une médiane de 23,6. Il s’agit des durées des fichiers complets indiquées par la source, arrondies à 1 décimale.

La médiane de 2 lectures peut être leur moyenne arithmétique plutôt que la durée d’un fichier réellement enregistré. La valeur anglaise affichée de 9,8 secondes est un tel résumé. Pour choisir une prise, le monteur doit toujours travailler avec la durée du fichier retenu. Le nombre de prises et leur étendue rendent cette distinction visible à côté de la médiane.

La dispersion allemande invite aussi à ne pas attribuer chaque seconde à la longueur de la traduction. Nous n’avons aucun identifiant de locuteur et nous n’avons ni écouté les enregistrements ni séparé la parole des pauses. Lecture, lecteurs et conditions d’enregistrement ne peuvent pas être distingués ici. L’exemple justifie une demande simple : transmettre la prise prévue, ou une lecture chronométrée du texte prévu, plutôt qu’une estimation générale pour la langue.

Nous avons fixé 15 secondes comme exemple de planification avant de calculer les résultats. Ce n’est ni une exigence de plateforme, ni une durée publicitaire recommandée, ni une marge de production sûre. La question était de savoir si un résumé de durée anglais pouvait tenir dans cette limite alors que le résumé cible correspondant la dépassait.

Sur les 200 passages communs, 186 avaient une médiane anglaise d’au plus 15 secondes. Parmi eux, la médiane cible dépassait 15 secondes pour 20 passages en espagnol d’Amérique latine, 39 en allemand, 9 en néerlandais, 110 en filipino et 37 en japonais. Chaque nombre a le même dénominateur de 186 ; les autres comparaisons figurent dans le téléchargement.^[6]

Nous avons aussi appliqué une règle plus stricte aux prises observées. Toutes les lectures anglaises disponibles devaient tenir dans les 15 secondes et toutes les lectures cibles devaient dépasser cette limite. Les passages anglais admissibles étaient au nombre de 178. Cette situation concernait 11 passages en espagnol, 9 en allemand, 4 en néerlandais, 72 en filipino et 14 en japonais. Ces nombres portent uniquement sur les prises publiées, pas sur toutes les lectures possibles.

Cette vérification plus stricte évite de s’appuyer sur une moyenne arithmétique que personne n’a enregistrée. Elle ne montre toujours pas qu’un passage ne peut pas être lu plus vite, monté autrement ou réécrit de façon pertinente. Pour l’équipe, la distinction utile sépare la preuve qu’un enregistrement fourni tient dans la durée et l’hypothèse qu’une autre version tiendra parce que l’anglais tenait.

Imaginons une petite marque d’ustensiles de cuisine qui commande à un créateur une vidéo produit de 15 secondes. Le concept prévoit une démonstration, une offre et un dernier plan du produit. La lecture anglaise dure 11 secondes. Une traduction est approuvée pour son sens, mais la première lecture du narrateur prévu dure 17 secondes. La marque, le texte, les durées et la mission sont fictifs ; ce ne sont pas des observations de FLEURS.

Si le créateur a déjà figé chaque plan sur la lecture anglaise, le fichier de 17 secondes impose une décision tardive. La personne chargée du projet peut rendre ce choix explicite en demandant une lecture chronométrée pendant que le texte traduit est encore examiné. Le brief doit préciser le message à préserver, le temps disponible dans la séquence et les personnes habilitées à approuver une modification du texte ou des images.

Accélérer automatiquement la narration n’est pas la seule réponse. Le traducteur peut proposer une formulation naturelle plus courte qui conserve l’offre. Le monteur peut allonger la démonstration, placer un détail secondaire dans le texte d’accompagnement ou préparer un montage distinct si le format convenu le permet. Ce sont des options de production à discuter, pas des améliorations démontrées par notre analyse du corpus.

Une transmission utile pour cette mission fictive pourrait indiquer : « Version cible : __. Texte approuvé : __. Prise prévue : __ secondes, mesurées sur le fichier fourni. Durée allouée à la séquence : __ secondes. Offre et mentions obligatoires : __. Responsable de l’approbation des modifications du texte : __. Responsable de l’approbation du montage : __. » Ces champs relèvent de l’équipe réelle ; le tableau de recherche ne peut pas les remplir.

Avec plusieurs versions cibles, la personne chargée du projet peut conserver une ligne par prise prévue plutôt que marquer l’ensemble « traduction approuvée ». L’approbation du texte et celle du minutage répondent à des questions différentes. Si le traducteur modifie une affirmation produit après la lecture de travail, la ligne doit le signaler avant que le créateur réutilise l’ancienne durée. C’est une proposition d’organisation pour cette mission fictive, pas une réduction des risques mesurée.

Une fois la prise révisée fournie, le créateur peut examiner la version complète avec la personne responsable de la langue et du sens. Se fier uniquement à la durée peut laisser passer une lecture maladroite ou un dernier plan illisible. Notre étude n’a mesuré ni la qualité ni la réaction du public. Elle apporte à cet exemple une connaissance plus précoce de la durée, tandis que l’équipe reste responsable du choix créatif.

Pour le minutage des voix off multilingues, le document utile est assez court pour accompagner le travail. Il identifie la version approuvée du texte, l’enregistrement prévu et la durée de la séquence. Si l’un change, la personne qui reçoit la suite peut voir quelles informations de minutage restent valables.

Une lecture de travail chronométrée peut révéler un conflit pendant que l’équipe a encore le choix. Elle doit rester signalée comme provisoire, sans être présentée comme la preuve qu’un narrateur final livrera la même durée. À l’arrivée de la prise prévue, remplacez l’hypothèse par sa durée mesurée et vérifiez-la dans le montage réel.

Conservez la version traduite complète lors de cette vérification. La personne qui examine le sens doit entendre la lecture avec les images, tandis que le monteur doit voir si les pauses, l’apparition du produit et le dernier plan fonctionnent ensemble. Le fait qu’un fichier tienne dans une durée est une information, pas une approbation de toute la version.

Les 4 étapes ci-dessous constituent une proposition de transmission, pas un processus testé dans FLEURS. Elles appliquent à une décision de production la distinction entre texte et durée enregistrée. Elles ne promettent rien en matière de portée, de rétention, de conversions ou de nombre de révisions.

La comparaison commune comprend 200 des 350 passages de test anglais. Il manquait au moins une configuration retenue pour les 150 autres. Cette disponibilité complète peut être sélective ; l’ensemble commun ne doit donc pas être décrit comme un échantillon aléatoire de textes, de langues ou de commandes de voix off.

Nous avons répété chaque comparaison anglais–cible sur toutes les paires disponibles. Les dénominateurs allaient de 251 pour le néerlandais à 349 pour le filipino et le thaï. Nous avons aussi repris les comparaisons communes en ne gardant que les passages avec au moins 2 lectures anglaises et 2 lectures cibles ; ces sous-ensembles comptaient de 66 à 166 passages. Les 9 résultats appariés et leurs dénominateurs figurent dans le téléchargement.^[4]

Dans chaque configuration, les sous-ensembles comportant plusieurs lectures conservaient le même sens de variation médiane que la comparaison principale. C’est une vérification utile de ce choix de synthèse. Elle ne contrôle pas les lecteurs et ne rend pas les différents ensembles de paires comparables comme populations. Les prises répétées ne sont pas des participants indépendants.

Les enregistrements acquis en allemand, néerlandais, indonésien, malais et filipino étaient tous étiquetés masculins ; les enregistrements thaïs étaient tous étiquetés féminins. Les étiquettes étaient mixtes pour l’anglais, l’espagnol, le français et le japonais. Sans identifiants de locuteurs, l’analyse ne peut pas séparer la configuration de la composition des lecteurs, de l’interprétation, de la traduction ou de la conservation des prises. Reprenez les chiffres comme une description de ces enregistrements, avec cette limite à proximité.^[7]

FLEURS est un corpus de recherche présenté en 2022, composé de passages traduits lus à voix haute. La documentation du producteur et de TensorFlow Datasets décrit un identifiant de texte source partagé entre langues et un champ de métadonnées indiquant le nombre total d’échantillons audio à 16 000 Hz. Nous avons divisé ce champ par 16 000 pour obtenir la durée déclarée du fichier complet. Nous n’avons ni décodé l’audio, ni vérifié la longueur des formes d’onde, ni retiré les silences.^[1][2]

Nous avons acquis les 10 fichiers de métadonnées de test à la révision fixe du producteur indiquée dans les notes, le 24 octobre 2026 (UTC). Ils contiennent 7 528 enregistrements pour les passages disponibles. L’appariement utilisait les identifiants sources, jamais la position des lignes. L’ensemble commun de 200 passages, les règles de 15 secondes, la vérification des lectures répétées et l’exemple 1662 ont été fixés après examen de la disponibilité, mais avant le calcul des résumés de durée.^[3][4]

La date d’acquisition identifie l’instantané source utilisé. Elle ne transforme pas des enregistrements présentés avec un corpus de 2022 en enquête de 2026 sur les narrateurs ou les créateurs. Les données publiques conservent la révision pour distinguer une nouvelle analyse de documents existants de lectures nouvellement enregistrées.

Un premier essai de faisabilité sur la partition de développement n’avait donné que 91 passages communs, sous son seuil de 100, et avait été écarté. L’acquisition de test s’était d’abord arrêtée à une limite de taille des métadonnées thaïes ; une limite plus élevée, documentée, a permis de compléter le même périmètre de test. Ce sont des changements déclarés de faisabilité et d’accès, pas la preuve d’une étude préenregistrée sans connaissance des résultats.

Tous les calculs appariés ont utilisé des nombres d’échantillons et des fractions exacts. Les quartiles utilisent une interpolation linéaire aux positions définies par (n−1) × p. Les tableaux affichent pourcentages et secondes à 1 décimale, avec arrondi au plus proche et égalités à mi-chemin vers le haut en valeur absolue ; les nombres de prises restent entiers. Les données dérivées publiques conservent les résumés exacts par passage, les résultats par paire, les analyses de sensibilité et les 2 définitions de durée limite. Nous n’avons calculé ni intervalles de confiance de population ni effets causaux.^[4]

Les contraintes de durée du doublage sont déjà un sujet de recherche établi.^[5] Cet article ajoute une comparaison reproductible des durées des fichiers publiés pour ces passages fixes, avec les informations nécessaires pour examiner la couverture et les prises répétées. Il justifie de demander un minutage de la production traduite avant de figer le montage ; il ne fournit pas un pourcentage universel d’allongement.