Les sous-titres mot à mot ne fonctionnent que si chaque mot tombe exactement au moment où il est prononcé — et c'est ce calage qui résiste. Sur une timeline vidéo, chaque mot et chaque ligne est une petite boîte qu'il faut chercher, pousser et revérifier : un décalage de deux images ou une coupe en amont et toute la séquence se retrouve désynchronisée. Cet article explique ce qu'est vraiment un sous-titre et pourquoi le bon outil pour le régler n'est pas une timeline : un sous-titre est une liste de cues — des bouts de texte synchronisés qu'on relit, corrige et valide — et c'est en le traitant ainsi qu'un lot de Shorts finit à l'heure.
Un sous-titre est du texte chronométré, pas une couche graphique
Quand vous sous-titrez un Short, vous ajoutez un second lecteur : beaucoup regardent sans le son, le texte n'est donc pas une décoration mais la moitié de l'histoire. Et un sous-titre n'est pas un bloc : c'est du texte qui porte trois contraintes à la fois, toutes liées au temps plutôt qu'au dessin.
Mot à mot. L'unité naturelle d'un sous-titre est le mot. Sur TikTok, Reels et Shorts, l'effet standard veut que le mot prononcé soit le mot affiché, ou celui qui s'allume au moment où il est dit — chaque mot a donc son propre début et sa propre fin, comptés en images, et pas seulement une ligne qui apparaît et disparaît.
Le calage. Chaque cue doit s'ouvrir à l'instant où ses mots sont prononcés et se fermer quand on a eu le temps de les lire. Les monteurs qui calent à la main font démarrer le sous-titre sur l'image où l'audio commence et le laissent une fraction de seconde après la fin de la phrase, parce qu'une phrase est parfois dite plus vite qu'elle ne se lit — une règle de terrain tirée du guide de sous-titrage et de légendage de Derek Lieu, qui garde aussi quelques images de vide entre deux sous-titres pour que l'œil voie le texte changer.
Le découpage. Vous choisissez aussi où une phrase se coupe en cues lisibles — une ou deux lignes au plus, découpées proprement sur une pause ou une virgule quand c'est long. Un découpage qui ne respecte pas le rythme de lecture est faux même si chaque horodatage est parfait.
Un sous-titre est donc une petite base : des mots, chacun avec sa fenêtre, regroupés en cues lisibles. C'est ça que vous cherchez à garder juste — et c'est pour ça que l'outil d'édition habituel a la mauvaise forme.
Pourquoi corriger des sous-titres sur une timeline est si fragile
Dans un outil de montage, un sous-titre est un clip texte (ou un graphique) posé sur une piste au-dessus de la vidéo. Pour corriger un mot, on ne le lit pas : on cherche sa boîte parmi des dizaines, on avance jusqu'à elle, on attrape un bord et on tire jusqu'à ce qu'elle s'aligne sur la forme d'onde. On en bouge un et son voisin peut entrer en collision ; certaines plateformes imposent un vide minimal entre deux cues, donc la correction qu'on vient de faire pousse la suivante. Et comme le sous-titre est collé à la coupe, une coupe en amont — retirer une demi-seconde de silence — désynchronise silencieusement tout ce qui suit, et on ne s'en rend compte qu'en relisant le Short.
C'est ce qui rend la boucle de correction plus chère qu'elle ne devrait. Les mots sont souvent presque justes ; ce qui grignote le temps, c'est la recherche, le poussage et la revérification. Dans un flux de travail podcast-vers-clips observé, un monteur passait environ vingt minutes de chaque heure à recaler des sous-titres automatiques et leurs cas limites — pas à écrire des sous-titres, à les garder alignés. Multipliez ça sur un lot de Shorts et c'est la partie fragile, pas la partie créative, qui mange l'après-midi. Ceux qui le sentent le plus sont ceux qui font du court au volume — les mêmes opérateurs qui demandent sans cesse des sous-titres « bien calés » et « au mot près » quand ils recrutent.
Les préréglages et l'IA retirent la frappe, pas la fragilité
Les solutions évidentes accélèrent la frappe mais laissent la partie fragile exactement où elle était.
Les préréglages et les keyframes donnent le rendu mot à mot, mais un modèle doit toujours savoir quand chaque mot commence et finit. Quand un éditeur ne sait pas le faire nativement, on passe par un modèle graphique — qui exige de poser les mots un par un sur la timeline, c'est-à-dire le calage manuel, mot par mot, qui ralentissait déjà le travail.
Les sous-titres automatiques produisent un transcript presque juste et génèrent le calage, donc on ne tape plus à partir de zéro. Mais le résultat arrive quand même en clips sur une timeline, et le transcript n'est jamais parfait — noms, jargon et homophones reviennent faux, et le calage dérive de la parole réelle. La partie qu'on corrige à la main est la partie qui vit dans le même éditeur fragile.
Le point commun : chaque correction renvoie le texte dans un outil conçu pour l'image en mouvement. Cet outil répond à « cette coupe fonctionne-t-elle ? », pas à « le mot 42 est-il synchronisé ? ». L'automatisation a supprimé la frappe sans changer la forme du travail — c'est pourquoi même de très bons sous-titres automatiques restent une corvée.
Le format de fichier le dit déjà : un sous-titre est une cue
Mettons les éditeurs vidéo de côté et regardons ce qu'est un sous-titre quand il en sort. Un fichier .srt ou .vtt n'est ni une suite de graphiques ni une timeline : c'est une liste plate de lignes, et chaque ligne est une cue — un début, une fin et le texte affiché entre les deux. La spécification W3C de WebVTT le dit sans détour : le format est une séquence de segments de texte associés à un intervalle de temps, appelés cues. Sous-titres, sous-titres de traduction, chapitres : c'est toujours la même chose, des bouts de texte alignés sur le temps.
Cette liste est ce qui rend le format robuste là où la timeline ne l'est pas. Modifiez le texte ou la fenêtre d'une cue et rien d'autre ne bouge dans le fichier, sauf si vous le demandez ; intervertissez deux lignes et vous avez interverti deux cues. Un Short entier est un document qu'on peut lire de haut en bas et vérifier : ce mot est-il juste, s'ouvre-t-il là où il est dit, la coupe est-elle lisible ? Un .vtt s'ouvre dans un éditeur de texte et se valide ligne par ligne. Ce n'est pas un détail d'un format ancien : c'est le bon modèle de ce que sont les sous-titres, et il tient depuis des décennies.
Éditer des sous-titres comme une liste de cues : à quoi ça ressemble
Quand les sous-titres sont des cues, le travail passe du défilement à la lecture. On travaille sur la liste, pas sur l'image. Dans l'ordre, on vérifie trois choses : l'exactitude — le mot est-il le mot prononcé ? le calage — sa fenêtre tombe-t-elle sur l'instant où il est dit, pas une demi-seconde après ? le découpage — la cue est-elle lisible, une ou deux lignes, coupée là où un humain marquerait une pause ? Comme le calage est de la donnée, un mot décalé de deux images est un nombre qu'on corrige sur place, et la cue suivante ne glisse pas. Comme la liste est l'artefact, corriger le transcript une fois corrige tous les exports qui l'utilisent — recoupez la vidéo, les mots déjà validés restent valides.
C'est sur ce modèle que sont construites les captions mot à mot de ClipFinish. ClipFinish gère vos sous-titres comme une liste de cues au calage mot par mot : vous lisez le transcript, corrigez un mot faux ou déplacez une fenêtre, validez la liste, et tout le Short en hérite — sans tirer de boîtes sur une timeline. La limite honnête : ClipFinish n'est pas un éditeur de motion design. Si vous voulez une typographie cinétique sur mesure, chorégraphiée mot par mot, un logiciel de montage complet reste l'outil. Ce que ClipFinish enlève, c'est la partie qui n'est jamais créative et toujours fragile : garder en synchronisation des sous-titres au mot près.
Une liste validée, tout un lot de Shorts
Le travail du court est un travail de lot, et c'est là que traiter les sous-titres comme une liste paie deux fois. Verrouillez une fois le transcript et son calage : chaque clip coupé de la source hérite des mêmes cues validées ; quand une plateforme demande sa zone sûre ou un ré-export dans un autre ratio, on recadre les images et les sous-titres se réorganisent comme des cues — le texte n'est pas resynchronisé à zéro. Combiné avec où placer les sous-titres sur les Shorts et le cadrage qui laisse la place à l'interface de chaque plateforme, un Short sous-titré se règle une fois et se reproduit sur tout le lot. Dans le court, la refonte n'est presque jamais dans les coupes : elle est dans la passe finale — ratio, sous-titres, zone sûre, export — livrée à l'aveugle, comme le montre l'article sur ne plus refaire ses clips. Une liste de sous-titres validée, c'est exactement une passe finale qu'on ne fait qu'une fois.
Un sous-titre n'est pas un autocollant posé sur une image finie : c'est la seconde piste de sens de la vidéo, et la façon fiable de le construire est de le traiter comme des cues de texte synchronisées et validées, pas comme des graphiques qu'on traîne sur une timeline. Des mots avec leur fenêtre, regroupés en lignes lisibles, relus de haut en bas : cette liste est le vrai livrable, et tout un lot ne vaut que par la liste qu'on a validée une fois. C'est exactement le modèle des captions de ClipFinish, un calage mot par mot géré comme une liste de cues : on lit, on corrige, on valide, au lieu de défiler. Essayez-le sur votre prochain lot de Shorts.