Transcriber annotating an audio recording in a quiet Moroccan archival room.

Conventions de transcription : noter les pauses, les rires et les passages inaudibles

08 novembre 2026

Pourquoi une transcription ne consiste pas seulement à écrire des mots

Transcrire un enregistrement sonore consiste à transformer une parole située dans le temps en un document lisible. Cette opération paraît simple lorsque la voix est nette, le débit régulier et le propos préparé. Elle devient plus exigeante dès que l’échange comporte des silences, des rires, des hésitations, des interruptions ou plusieurs voix qui se superposent. Ces éléments ne sont pas de simples défauts de l’oral : ils peuvent renseigner sur le rythme, l’émotion, la relation entre les interlocuteurs et la construction du sens.

Une bonne transcription doit donc répondre à deux exigences parfois contradictoires. Elle doit rester fidèle à l’enregistrement, sans transformer une parole spontanée en texte artificiellement lisse. Elle doit aussi être suffisamment claire pour être consultée, citée, relue ou exploitée dans un travail éditorial, scientifique, juridique ou documentaire. La convention choisie sert précisément à organiser cet équilibre.

Il n’existe pas une notation universelle adaptée à tous les usages. Une transcription destinée à une analyse linguistique ne poursuivra pas le même objectif qu’un verbatim publié dans un catalogue, une archive d’entretien ou un script de podcast. Avant de commencer, il faut donc déterminer le niveau de précision attendu, le lectorat, le statut des hésitations et la manière dont les incertitudes seront signalées.

Définir le degré de fidélité avant de commencer

La première décision concerne le type de transcription. On distingue généralement la transcription intégrale, la transcription verbatim aménagée et la transcription révisée.

La transcription intégrale cherche à conserver tout ce qui est audible : répétitions, amorces de mots, hésitations, interjections, rires, silences significatifs et chevauchements de parole. Elle convient lorsque la manière de parler fait partie du matériau étudié, par exemple dans une enquête en sciences humaines, une archive orale ou une analyse de conversation.

La transcription verbatim aménagée reste fidèle au contenu et aux événements de parole, mais applique une présentation régulière. Les répétitions sans portée peuvent être conservées ou légèrement organisées, selon une règle annoncée. Les signes de ponctuation servent à rendre l’intonation compréhensible, sans prétendre reproduire exactement la prosodie.

La transcription révisée privilégie la lecture. Elle corrige parfois les hésitations, les répétitions et certaines formulations propres à l’oral. Elle ne doit toutefois pas masquer une nuance, une contradiction ou une hésitation importante pour le sens. Dans ce cas, une note éditoriale peut préciser que le texte a été légèrement normalisé.

Le document ISO 24624:2016, consacré à la transcription de la langue parlée, rappelle l’importance d’une description explicite des conventions. Il ne suffit pas d’utiliser des signes : le lecteur doit pouvoir comprendre ce qu’ils représentent dans le document consulté.

Construire une légende de transcription cohérente

Une légende placée au début du document permet de rendre les choix immédiatement compréhensibles. Elle peut prendre la forme d’un tableau simple, surtout lorsque plusieurs personnes relisent ou enrichissent le même fichier.

Événement observé	Notation possible	Précaution d’usage
Pause brève	(.)	À réserver aux silences perceptibles mais courts.
Pause plus longue	(2 s)	La durée doit être mesurée ou estimée selon une règle annoncée.
Rire du locuteur	[rire]	À distinguer d’un rire entendu en arrière-plan.
Parole inaudible	[inaudible]	Ne pas reconstituer un mot incertain sans le signaler.
Mot incertain	[?mot]	À utiliser lorsque l’hypothèse de lecture reste fragile.
Chevauchement	[	Les crochets doivent être alignés entre les tours de parole.
Élément non verbal	[toux], [bruit de chaise]	Décrire seulement ce qui contribue à la compréhension.

Ces signes ne valent que par leur constance. Si une pause brève est notée tantôt par trois points, tantôt par un commentaire entre crochets, le lecteur ne saura plus si ces marques désignent le même phénomène. La légende doit également préciser si la ponctuation reflète la grammaire écrite ou l’intonation entendue.

Noter les pauses sans transformer le silence en ponctuation décorative

Le silence oral possède plusieurs fonctions. Il peut signaler une recherche de mot, une hésitation, une émotion, un changement de sujet, une réaction à la parole précédente ou une interruption momentanée de l’enregistrement. Le transcripteur ne doit pas lui attribuer automatiquement une signification psychologique. Il peut le décrire, mais il doit éviter d’affirmer ce qu’il signifie lorsque l’enregistrement ne permet pas de le déterminer.

Pour une transcription destinée à la lecture courante, une pause peut être rendue par une virgule, un point ou des points de suspension. Cette solution améliore la fluidité, mais elle efface la différence entre un silence réellement audible et une simple décision de ponctuation. Dans une transcription analytique, il est préférable d’employer une marque distincte, par exemple (.) pour une pause courte et (2 s) pour une pause mesurée.

La mesure des silences doit suivre une règle stable. Si les durées sont chronométrées, il faut utiliser le même outil et le même niveau d’arrondi pour tout le document. Si elles sont estimées, la légende doit le préciser. Une notation comme (long silence) peut convenir à une édition destinée au grand public, mais elle manque de précision pour une étude comparée.

Les points de suspension doivent être employés avec prudence. Ils peuvent désigner une phrase laissée en suspens, une hésitation ou une coupure éditoriale. Leur emploi systématique donne souvent l’impression que tous les locuteurs hésitent ou parlent de manière théâtrale. Une convention plus descriptive permet de préserver la différence entre la ponctuation et l’événement sonore.

Représenter les hésitations, les répétitions et les reformulations

Les hésitations sont fréquentes dans la parole spontanée. Elles peuvent prendre la forme d’un son vocalique, d’un mot comme « euh », d’une répétition ou d’une amorce interrompue. La décision dépend du degré de fidélité choisi.

Dans une transcription intégrale, on peut conserver : « Je, euh, je voulais revenir sur ce point. » Une amorce peut être indiquée par un mot interrompu, par exemple « pro- » si la coupure est clairement audible. Il faut cependant éviter de reconstruire une suite à partir d’une simple supposition. Lorsque la fin du mot est impossible à entendre, la notation doit le montrer.

Dans une transcription aménagée, les hésitations dépourvues de portée peuvent être supprimées, mais cette suppression doit rester régulière. Il serait trompeur de retirer toutes les hésitations d’un intervenant et de conserver celles qui donnent une impression d’incertitude chez un autre. La neutralité éditoriale passe aussi par la symétrie des choix.

Les répétitions demandent la même attention. « C’est, c’est une question importante » peut être conservé si la répétition contribue au rythme ou à l’analyse du discours. Elle peut être réduite dans un texte de lecture, à condition de ne pas modifier l’intention. En revanche, une reformulation comme « enfin, je veux dire » peut signaler une correction du propos et mérite souvent d’être maintenue.

Décrire les rires et les autres manifestations vocales

Un rire n’est pas toujours un simple équivalent sonore d’un sourire. Il peut accompagner une plaisanterie, marquer une gêne, interrompre une phrase, répondre à une autre voix ou se produire en arrière-plan. La transcription doit le situer au bon endroit et, lorsque cela est utile, identifier son auteur.

On peut écrire « [rire] » lorsqu’un locuteur rit brièvement, « [rires] » lorsque plusieurs personnes rient ou lorsque le rire se prolonge, et « [en riant] » si le rire accompagne directement les mots prononcés. La forme retenue doit être expliquée dans la légende. Une indication comme « [rire de l’intervieweur] » apporte une information supplémentaire, mais elle ne doit pas être utilisée si l’identité de la personne qui rit reste incertaine.

Le rire peut aussi rendre une partie de la phrase inaudible. Dans ce cas, il est préférable de séparer les événements : « Je pensais que [rire] enfin, que ce serait plus simple. » Si la voix et le rire se recouvrent au point d’empêcher la compréhension, on peut écrire « [rire, parole inaudible] ». Il ne faut pas combler la lacune par une formulation probable sans la signaler.

Les mêmes principes s’appliquent à la toux, au soupir, au reniflement, aux applaudissements ou aux bruits de salle. La description doit rester factuelle. « [soupir] » décrit un phénomène audible ; « [agacé] » interprète un état émotionnel. Sauf si l’émotion est explicitement commentée par le locuteur ou établie par le contexte éditorial, la première formulation est préférable.

Marquer les passages inaudibles avec honnêteté

Le passage inaudible constitue l’un des points les plus sensibles d’une transcription. Il peut être causé par un bruit, une distance avec le microphone, une voix trop faible, un chevauchement, une mauvaise qualité de fichier ou une prononciation impossible à distinguer. Dans tous les cas, le transcripteur doit séparer ce qu’il entend de ce qu’il déduit.

La notation la plus simple est « [inaudible] ». Elle peut être complétée par un horodatage : « [inaudible, 00:12:46] ». Le repère temporel facilite une vérification ultérieure et permet de retrouver rapidement la zone concernée dans l’enregistrement. Si le document contient de nombreux passages, l’horodatage doit suivre un format unique, avec heures, minutes et secondes lorsque cette précision est pertinente.

Lorsqu’un mot semble identifiable sans être totalement certain, la notation peut prendre la forme « [maison ?] » ou « [mot incertain] ». Il est utile de distinguer le mot proposé de la marque d’incertitude. Une transcription ne doit pas donner à une hypothèse le même statut qu’une séquence clairement entendue.

Les crochets signalent généralement une intervention du transcripteur. Ils peuvent donc accueillir des indications comme « [bruit de fond] », « [parole superposée] » ou « [nom propre incertain] ». Il vaut mieux décrire la cause de l’incertitude lorsque celle-ci est identifiable. « [inaudible à cause des applaudissements] » est plus informatif que « [inaudible] », mais cette précision ne doit pas être ajoutée si elle repose sur une supposition.

Gérer les chevauchements et les changements de locuteur

Les conversations ne se déroulent pas toujours selon une alternance nette. Une personne peut commencer à parler avant que l’autre ait terminé, répondre par-dessus une phrase ou produire une réaction courte qui se superpose à la voix principale. Effacer ces chevauchements donne une image fausse de l’échange.

Dans une présentation linéaire, les crochets peuvent indiquer le début et la fin d’une superposition :

A : Je pensais que nous pourrions [
B : [Oui, exactement.]
A : ] avancer dès aujourd’hui.

Cette méthode demande une mise en page soigneuse. Si le CMS ou le format final ne conserve pas l’alignement, une formulation descriptive peut être préférable : « A parle ; B l’interrompt : “Oui, exactement.” » Pour une analyse fine, la mise en colonnes ou l’alignement temporel offre davantage de précision, mais elle nécessite un outil adapté.

Chaque changement de locuteur doit être signalé par une étiquette stable. Les noms peuvent être remplacés par des identifiants tels que « Intervieweur » et « Participant » lorsque l’anonymat est nécessaire. Il faut éviter de modifier les appellations en cours de document, car une même personne ne doit pas apparaître sous plusieurs noms. Les voix non identifiées peuvent être indiquées par « Voix 1 » ou « Voix non identifiée », sans tentative hasardeuse d’attribution.

Adopter une méthode de travail vérifiable

La qualité d’une transcription dépend autant de la relecture que de la première écoute. Une méthode en plusieurs passages réduit les oublis et limite les corrections arbitraires.

Préparer le document : noter la date de l’enregistrement si elle est connue, la durée, les locuteurs identifiés, la qualité du fichier et le niveau de fidélité retenu.
Établir une première version : transcrire le contenu principal en marquant immédiatement les zones douteuses, sans interrompre trop longtemps l’écoute pour une seule syllabe.
Revenir sur les incertitudes : réécouter les passages inaudibles avec le contexte précédent et suivant, sans remplacer une lacune par une conjecture.
Contrôler les événements sonores : vérifier les pauses, rires, chevauchements, bruits et changements de locuteur.
Uniformiser : appliquer la même graphie aux marques, aux noms de locuteurs, aux horodatages et aux indications entre crochets.
Relire comme un lecteur : s’assurer que la ponctuation facilite la compréhension sans supprimer les éléments annoncés comme conservés.

La relecture peut être réalisée à partir d’une copie distincte afin de préserver la version initiale. Pour un projet collectif, un journal des décisions est utile : il indique, par exemple, comment traiter les noms propres, les accents, les mots étrangers, les longues pauses et les passages couverts par un bruit. Ce document évite de rediscuter les mêmes choix et permet de justifier la forme finale.

Éviter les erreurs qui déforment la parole

Certaines erreurs sont particulièrement fréquentes. La première consiste à corriger automatiquement la grammaire orale. Remplacer une construction spontanée par une phrase écrite peut rendre le texte plus élégant, mais aussi effacer la manière dont une idée a été formulée. La seconde consiste à multiplier les signes expressifs, comme les points de suspension ou les points d’exclamation, pour donner une impression d’oralité. Ces signes ne remplacent pas l’écoute.

Une autre erreur consiste à interpréter les manifestations vocales. Un rire n’est pas nécessairement moqueur, un silence n’est pas nécessairement embarrassé et une voix basse ne prouve pas une émotion particulière. La transcription doit privilégier les faits observables : « [rire] », « [silence] », « [voix faible] ».

Il faut également se méfier des mots complétés à partir du contexte. Lorsqu’un terme semble logique mais demeure inaudible, la tentation est forte de l’insérer sans précaution. Or un nom propre, une date, un titre d’œuvre ou un lieu peuvent modifier fortement le sens. Le doute doit rester visible, avec une marque telle que « [?] » ou une note précisant que la lecture est incertaine.

Enfin, une transcription trop détaillée peut devenir illisible. Tout bruit n’a pas la même importance. Le froissement d’une feuille peut être ignoré dans une édition destinée à la lecture, tandis qu’une sirène qui couvre une phrase doit être mentionnée. Le bon niveau de détail dépend de l’objectif du document et non d’une accumulation de signes.

Adapter les conventions au contexte éditorial et patrimonial

Dans le domaine culturel, la transcription peut accompagner un entretien d’artiste, une captation de rencontre, une archive de spectacle, un témoignage lié à un lieu patrimonial ou une émission consacrée à une œuvre. Chaque contexte appelle une hiérarchie différente entre fidélité sonore et confort de lecture.

Pour une archive destinée à la recherche, il est préférable de conserver les hésitations importantes, les interruptions, les chevauchements et les indications temporelles. Pour une publication destinée au grand public, une version révisée peut être plus accessible, à condition de signaler qu’elle n’est pas un verbatim strict. Une solution fréquemment pertinente consiste à produire deux niveaux : une transcription de référence conservant les événements de parole et une version éditée pour la lecture.

Les noms d’œuvres, de personnes et de lieux doivent être vérifiés séparément de l’écoute. Une transcription ne constitue pas à elle seule une source fiable pour l’orthographe d’un nom propre lorsque le son est ambigu. Il faut distinguer la correction documentaire, qui peut être justifiée par une source indépendante, de la reconstitution auditive, qui doit rester marquée comme incertaine.

Le lecteur doit savoir ce qui a été fait au texte. Une courte note suffit souvent : « Les hésitations et répétitions ont été conservées ; les indications entre crochets sont ajoutées par le transcripteur ; les passages impossibles à entendre sont signalés par [inaudible]. » Cette transparence renforce la valeur documentaire du résultat.

FAQ : questions pratiques sur la transcription des éléments sonores

Faut-il noter toutes les pauses ?

Non. Il faut noter celles qui sont pertinentes pour l’objectif du document, en suivant une règle constante. Une transcription destinée à l’analyse de la conversation demandera davantage de détails qu’un texte préparé pour une lecture courante. Les pauses significatives, les silences prolongés et les moments où la parole est interrompue méritent généralement d’être conservés.

Comment signaler un mot que l’on croit reconnaître ?

Il faut distinguer la perception certaine de l’hypothèse. Une notation comme « [mot ?] » ou « [maison ?] » indique que la lecture reste incertaine. Si plusieurs solutions sont possibles, il est préférable de laisser « [inaudible] » plutôt que de choisir arbitrairement.

Les rires doivent-ils être placés avant ou après les paroles ?

Ils doivent être placés à l’endroit où ils se produisent dans l’enregistrement. Un rire qui interrompt une phrase se place au milieu de celle-ci ; un rire qui suit la phrase se place après. Lorsque plusieurs voix interviennent, l’indication doit être associée au locuteur identifié ou présentée comme un événement collectif.

Peut-on remplacer les hésitations par des points de suspension ?

Oui, dans une transcription fortement aménagée, mais ce choix doit être annoncé et appliqué avec mesure. Les points de suspension ne rendent pas nécessairement la durée ou la nature de l’hésitation. Pour une transcription fidèle, il vaut mieux conserver les mots d’hésitation ou utiliser une convention dédiée.

Que faire lorsqu’un bruit couvre une phrase entière ?

Indiquer la zone concernée, sa cause si elle est clairement identifiable et, si nécessaire, son repère temporel : « [parole couverte par un bruit, 00:08:21] ». Il ne faut pas reconstituer la phrase à partir du contexte sans signaler qu’il s’agit d’une hypothèse.