IA pour transcrire et résumer un audio, une vidéo ou un PDF en 2026

On confond souvent les deux. Transcrire, c'est obtenir le texte intégral de ce qui a été dit, idéalement avec l'horodatage et le nom des intervenants : c'est ce qu'il faut pour sous-titrer une vidéo, citer un entretien ou archiver une conférence. Résumer, c'est condenser une source (audio, vidéo, PDF, cours) en points clés, en plan ou en fiche : c'est ce que veulent la plupart des étudiants et des professionnels pressés.

Les outils ne sont pas les mêmes. Les assistants (Gemini Notebook, Gemini, ChatGPT, Mistral Vibe, Claude) excellent pour résumer et répondre à des questions, mais leurs limites de durée et de format rendent la transcription longue fastidieuse. Les outils de transcription (ElevenLabs Scribe, Descript) produisent un texte complet et exportable, que vous pouvez ensuite donner à un assistant pour le résumer. Pour les réunions en visioconférence, un assistant de réunion est le plus simple : voir notre guide de l'IA pour compte rendu de réunion.

Gemini Notebook (NotebookLM jusqu'au 16 juillet 2026) est l'outil le plus adapté pour résumer plusieurs sources à la fois. Le centre d'aide de Google liste les types acceptés : fichiers audio (MP3, WAV), PDF, Word, PowerPoint, texte, Markdown, CSV, Google Docs, Slides et Sheets, images, ePub, pages web et URL de vidéos YouTube publiques. Chaque source peut contenir jusqu'à 500 000 mots ou peser jusqu'à 200 Mo, et la version sans frais accepte 50 sources par notebook.

Deux modes de résumé existent : un résumé automatique de chaque source, disponible dans le panneau des sources, et des résumés ciblés que vous demandez dans le chat (« résume uniquement la partie sur la méthodologie »). Les réponses renvoient aux passages cités, ce qui permet de vérifier rapidement. Limites à connaître : pour une page web, seul le texte est importé (ni images ni vidéos intégrées), et les pages sous paywall ne peuvent pas être ajoutées.

C'est notre choix pour résumer un cours enregistré, un rapport en PDF, une série de vidéos YouTube ou un dossier documentaire. Les forfaits Google AI Plus (4,99 € par mois) et AI Pro (21,99 € par mois) augmentent les limites. La comparaison avec Perplexity, qui cherche sur le web plutôt que dans vos documents, est dans Gemini Notebook vs Perplexity.

Gemini accepte jusqu'à 10 fichiers par demande : documents, images, vidéos et audios. En gratuit, un contenu audio ne doit pas dépasser 10 minutes et une vidéo 5 minutes ; Google AI Pro et Ultra portent ces durées à 3 heures pour l'audio et 1 heure pour la vidéo. Les vidéos sont limitées à 2 Go, les autres fichiers à 100 Mo. D'après la page d'abonnements de Google, la formule gratuite de Gemini n'utilise que le modèle Flash-Lite.

ChatGPT accepte les documents, feuilles de calcul, présentations et images sur toutes ses offres, mais l'importation de fichiers audio est réservée aux abonnements payants (fichiers jusqu'à 512 Mo, formats MP3, WAV, M4A, FLAC, OGG notamment). Le mode enregistrement (ChatGPT Record), qui transcrit et résume une réunion ou une note vocale, est disponible pour les offres Plus, Pro, Business, Enterprise et Edu, uniquement dans l'application macOS, avec une session limitée à 4 heures. OpenAI indique que ces enregistrements servent uniquement à la transcription, sont ensuite supprimés et ne servent pas à entraîner ses modèles.

Mistral Vibe (ex-Le Chat) propose un mode vocal qui permet d'enregistrer ou d'importer un audio, d'obtenir une transcription, de poser des questions ou de générer un résumé. Il repose sur Voxtral, le modèle de reconnaissance vocale de Mistral AI. Pour les équipes techniques, Voxtral existe aussi en API, à partir de 0,001 $ la minute selon l'annonce de Mistral, avec des modèles à poids ouverts.

Pour un texte complet, exportable et horodaté, les outils dédiés sont plus fiables. ElevenLabs propose Scribe v2, qui accepte l'audio et la vidéo dans la plupart des formats (MP4, MOV, MP3, WAV), couvre plus de 90 langues et génère sous-titres et transcriptions éditables, dans ElevenLabs Studio ou via l'API. Vous pouvez lui indiquer jusqu'à 1 000 mots ou expressions à reconnaître (noms propres, jargon), et il signale les événements sonores (rires, bruits). La consommation se fait sur les crédits de votre forfait ElevenLabs : 10 000 crédits par mois en gratuit, puis Starter à 6 $ par mois.

Descript transcrit vos enregistrements puis vous permet de monter l'audio ou la vidéo en modifiant le texte. L'offre gratuite inclut 60 minutes de média par mois ; Hobbyist en inclut 10 heures (24 $ par mois, 16 $ en annuel) et Creator 30 heures (35 $, 24 $ en annuel). Notre fiche note que la transcription française est parfois à corriger : prévoyez une relecture. Pour comparer Descript à CapCut côté montage, voir Descript vs CapCut.

Quelle que soit la source, cette démarche donne des résumés fiables :

La méthode la plus simple est d'ajouter l'URL d'une vidéo YouTube publique comme source dans Gemini Notebook, puis de demander un résumé ou des questions précises. Si la vidéo est privée ou s'il s'agit de votre propre fichier, importez-le dans Gemini (5 minutes de vidéo en gratuit), ou transcrivez-le avec ElevenLabs ou Descript, puis donnez le texte à l'assistant de votre choix.

Gardez un esprit critique : un résumé automatique peut omettre une nuance ou mal attribuer un propos. Pour une citation, revenez toujours à la vidéo et au minutage.

La voix et les propos d'une personne identifiable sont des données personnelles. Avant d'enregistrer un entretien, un cours ou une réunion, informez les participants et recueillez leur accord ; OpenAI rappelle d'ailleurs, dans l'aide de son mode enregistrement, d'obtenir les consentements appropriés avant de commencer. Évitez de déposer des enregistrements contenant des données sensibles (santé, opinions, informations clients) dans un outil grand public.

Pour un usage professionnel, préférez un éditeur européen ou une offre entreprise avec accord de traitement des données. Mistral Vibe, de la société française Mistral AI, est l'option européenne de ce guide ; ElevenLabs met en avant une résidence des données dans l'UE selon l'offre. Pour aller plus loin, consultez notre guide des IA françaises et européennes.