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.

Des règles empiriques tirées de la littérature et de l’écoute — VoiceLab ne mesure pas la densité de mots de remplissage, voir plus bas : ceci relève donc de votre jugement, pas d’un chiffre que le produit renvoie :

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 — cela, il le mesure vraiment — 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

Il ne le fait pas, et nous avons mesuré pourquoi.

L’approximation décrite ici auparavant (de courts sons isolés entre deux pauses) existe et fonctionne. Mais appliquée à douze enregistrements lus à voix haute, sans la moindre hésitation, elle en signale encore 0 à 36 par minute de parole, 10 en moyenne. Cet article recommande de rester sous 6. Les fausses détections à elles seules dépassent la cible.

Nous avons donc regardé ce qu’étaient réellement ces détections, en espérant pouvoir les filtrer. Dix-huit sur vingt étaient voisées, à une hauteur de voix ordinaire de 132 à 286 Hz, avec une enveloppe plate. Pas des artefacts de plosives, donc, mais de courts mots isolés. Et un « euh » est acoustiquement identique à un « oui ».

Ce n’est pas un problème de réglage. Aucun seuil ne sépare « euh » de « oui » sans savoir de quel mot il s’agit, et le savoir, c’est de la reconnaissance vocale.

Ce que VoiceLab fournit vraiment, et ce en quoi il est honnêtement bon :

• Rythme des pauses: nombre, médiane, plus longue, et la répartition entre courtes (80–400 ms), moyennes et longues. Les intervalles sous 80 ms sont exclus : ce sont des occlusions consonantiques, pas des pauses. Cette seule correction a fait passer le compte de 18 à 10 sur nos enregistrements de référence.
• Regroupement des pauses: fenêtres de dix secondes contenant plus de quatre pauses courtes. C’est la seconde approximation que cet article a toujours décrite, et elle tient.
• Des horodatages à écouter: chaque son court isolé entre deux pauses, sous forme de moment cliquable. Une demi-heure d’enregistrement devient six endroits à vérifier. Vos oreilles tranchent en deux secondes ce qu’aucun seuil ne peut trancher.

Pour un vrai comptage il faut de la transcription automatique (Whisper, Deepgram, AWS Transcribe) sur l’audio ; la formule de densité ci-dessus s’applique alors à un vrai comptage plutôt qu’à une approximation.

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