Pourquoi la densité de mots de remplissage compte plus que leur nombre

Chaque outil de QA pour podcast veut compter vos mots de remplissage. La plupart s’arrêtent là. Compter les mots de remplissage en chiffre brut, c’est surtout du bruit : une interview de 5 minutes et une discussion de 90 minutes produisent des totaux très différents, mais l’expérience d’écoute dépend de tout autre chose.

Ce quelque chose, c’est la densité : mots de remplissage par minute de parole effective.

La mesure

filler_density = filler_count / speech_seconds * 60

Notez le diviseur : non pas la durée totale du fichier, mais les secondes de parole. Un podcast avec des rafales de mots de remplissage de cinq secondes suivies de silence n’est pas la même chose qu’un podcast où chaque seconde est dense d’hésitations.

Les seuils que nous utilisons dans VoiceLab :

Densité	Expérience d’écoute
< 3 /min	Fluide, professionnel
3–6 /min	Conversationnel, convient aux talk-shows
6–10 /min	Perceptible, montage parfois nécessaire
> 10 /min	Gênant, passe de montage en profondeur requise

Ce sont des repères, pas des lois. Un podcast d’improvisation plein d’énergie à 12 mots de remplissage/min peut être brillant. Un explicatif scripté à 5 mots de remplissage/min est cassé.

Pourquoi le nombre seul induit en erreur

Prenez deux podcasts :

• Podcast A : 60 minutes, 40 mots de remplissage. Total : 40 mots de remplissage.
• Podcast B : 10 minutes, 30 mots de remplissage. Total : 30 mots de remplissage.

Au nombre, le Podcast A est « pire ». À la densité, le Podcast A est à 0,67/min et le Podcast B à 3/min. Cette dernière est un résumé plus honnête de ce que ressentira un auditeur.

La durée des pauses compte aussi

Une pause de 200 ms est généralement invisible. Une pause de 600 ms est spectaculaire. Une pause de 1500 ms est une hésitation, qui remplace souvent un mot de remplissage. VoiceLab suit la distribution des pauses parallèlement à la densité de mots de remplissage, car remplacer un mot de remplissage par une longue hésitation n’est pas vraiment une amélioration : c’est le même problème sous une autre forme.

Comment VoiceLab détecte les mots de remplissage sans ASR

Sans reconnaissance vocale, un comptage exact des mots de remplissage n’est pas possible. Mais il existe des approximations utiles :

• Bouffées d’énergie sub-syllabiques : de courts pics d’enveloppe encadrés par un silence plus court qu’un mot typique mais plus long qu’un clic. Ils sont fortement corrélés à « euh », « heu », « genre », « tu vois ».
• Densité de grappes de pauses : des zones où les pauses de 80–400 ms se regroupent plus de 4× toutes les 10 secondes. Cela capte le rythme de parole typique d’un débit riche en mots de remplissage, même lorsque les mots de remplissage individuels ne sont pas détectés.

La couche au niveau du signal suffit pour la QA. Pour des comptages exacts et un travail au niveau du mot, il faut de l’ASR en aval (Whisper, Deepgram, AWS Transcribe).

Que faire du chiffre

Si votre densité dépasse 6/min et que vous montez l’émission, voici trois tactiques de monteurs en activité :

1. Couper, ne pas remplacer. Un espace vide entre les phrases sonne mieux qu’un mot de remplissage dans 80 % des cas.
2. Resserrez avant de couper les mots de remplissage. La plupart de la perception de « remplissage » relève en fait du rythme. Resserrer le débit global fait passer les mots de remplissage à l’arrière-plan.
3. Laissez les intentionnels. Un « tu vois ce que je veux dire ? » plein de caractère vaut mieux qu’un script stérile. Ne montez pas la personnalité hors du sujet.

Liens connexes

• Une cible de loudness pragmatique pour les podcasts, une fois le débit nettoyé
• Estimer la réverbération d’une pièce sans RT60, l’autre chose qui fait sonner les voix en amateur