Aucun spectateur n’a jamais laissé le commentaire vos sous-titres courent environ un tiers de seconde derrière votre voix. Ce n’est pas parce que personne ne le remarque. C’est parce que le remarquer se produit en dessous du niveau des mots. Lire et entendre sont censés arriver ensemble ; quand une ligne de sous-titre atterrit un temps après la voix qui l’a dite, ou que la ligne suivante surgit trop tôt et que vous lisez la chute pendant que la mise en place se prononce encore, le décalage s’enregistre comme une sensation plutôt que comme une observation. La vidéo paraît légèrement amateur, légèrement fatigante, légèrement à côté — et le spectateur serait incapable de vous dire pourquoi. Les sous-titres sont discrètement devenus une partie de la façon dont la plupart des gens regardent : en muet dans les lieux publics, dans une deuxième langue, dans une cuisine bruyante, ou simplement par habitude. Ce qui veut dire que leur timing n’est plus une politesse d’accessibilité. Il fait partie du rythme de la vidéo elle-même, et le rythme est exactement ce que les spectateurs ressentent sans le nommer.
La raison pour laquelle le timing est d’habitude un peu faux, c’est qu’il est d’habitude deviné. La manière standard de fabriquer des sous-titres est la transcription : le logiciel écoute l’audio terminé, détermine quels mots ont probablement été dits, puis détermine quand chaque mot a probablement commencé et fini. Les deux étapes sont de l’inférence, et la seconde est plus difficile qu’elle n’en a l’air. Les mots parlés n’arrivent pas en paquets bien rangés — ils se fondent les uns dans les autres, s’éteignent en fin de phrase, partagent des consonnes avec leurs voisins. Une respiration peut passer pour une frontière ; un bruit de fond peut en gommer une ; un accent ou une syllabe marmonnée déplace l’idée que la machine se fait du début d’un mot. Les mots eux-mêmes sortent généralement justes. Les horodatages sortent plausibles, ce qui est autre chose. Chaque ligne atterrit à peu près où elle doit, à une fraction de seconde près dans un sens ou dans l’autre, différemment à chaque ligne. En moyenne sur une vidéo, cela a l’air bien. Regardé ligne par ligne, c’est précisément ce flottement qui produit cette impression innommable de travers.
Mais regardez ce que l’approche par transcription suppose : que l’audio est la seule source de vérité, et que le texte doit en être reconstruit. Si vous avez enregistré avec un prompteur, cette hypothèse est à l’envers. Le texte existait avant la prise — vous l’avez écrit. Rien n’a besoin d’être deviné sur ce qui a été dit. Et il y a une seconde conséquence, moins évidente. Dans Talk2Camera, quand le suivi vocal est actif, le script défile en suivant votre voix réelle, ce qui signifie que l’application sait, instant après instant, où vous en êtes arrivé dans le script. Le timing des sous-titres découle de ce savoir presque gratuitement. Les lignes sont synchronisées d’après l’endroit où vous êtes réellement arrivé dans le script en le lisant — d’après la lecture elle-même, consignée au moment où elle se produisait — plutôt que reconstruites ensuite à partir d’une forme d’onde. Quand une prise a été enregistrée sans suivi vocal, l’application estime le timing à la place, et le dit franchement : une estimation est une chose honnête quand elle est étiquetée comme telle.
L’emballage pratique autour de tout cela est volontairement sans éclat. Une fois la vidéo terminée, Talk2Camera incruste les sous-titres dans l’image — pour les plateformes et les fils où le texte doit simplement faire partie de l’image — ou exporte un fichier .srt pour les plateformes qui préfèrent les sous-titres en piste séparée que le spectateur peut activer. Les réglages de style couvrent l’apparence du texte ; le timing par ligne couvre le moment où il apparaît. Et chaque ligne reste ajustable dans l’éditeur, ce qui donne un domicile à la réserve honnête : si une ligne estimée a dérivé, ou si vous voulez qu’un sous-titre s’attarde un instant de plus sur une pause dont vous êtes fier, vous le déplacez. Rien n’est verrouillé derrière la prétention d’être automatique. L’automatisation fait les quatre-vingt-dix et quelques pour cent qu’elle maîtrise, et les derniers ajustements vous appartiennent — la juste division du travail entre une personne et un moteur de synchronisation.
Il existe un style de sous-titres qui rend tout cela impitoyable, et c’est celui qu’on voit partout en ce moment : la surbrillance mot à mot, où toute la ligne est visible et où chaque mot s’allume au moment où il est prononcé. Talk2Camera le propose comme style, et il vaut la peine de comprendre pourquoi il fait monter les enjeux. Une ligne de sous-titre ordinaire est indulgente — une fraction de seconde d’avance ou de retard sur une ligne entière n’est qu’un flottement. Une surbrillance qui allume le mauvais mot n’est pas un flottement ; c’est visiblement faux, deux fois par seconde, à l’endroit exact où l’œil du spectateur est garé. Le karaoké a appris à tout le monde à savoir précisément où la balle bondissante devrait être. Le timing deviné est ce qui rend ce style bancal dans tant de vidéos ; le timing pris là où vous étiez réellement dans le script est ce qui le rend viable tout court. La récompense, dans tous les styles, est la même et invisible : personne ne vous complimentera jamais sur le timing de vos sous-titres. Les gens regarderont simplement plus longtemps, comprendront davantage, et ne sauront jamais tout à fait que l’absence d’une minuscule friction lancinante était une fonctionnalité — la meilleure sorte de fonctionnalité, celle qu’on ne remarque que lorsqu’elle manque.