---
title: Corpus — Transcription YouTube pour voix neuronales
source: https://synapx.fr/sdk/Corpus/
site: SynapxLab
---

# Corpus — transcription YouTube pour voix neuronales

La création d'une voix neuronale locale repose sur un principe simple : disposer d'un **corpus de qualité**, composé de paires **audio / texte parfaitement alignées**. Plus ces données sont homogènes et précises, meilleur sera le résultat lors de l'entraînement, du clonage ou de l'adaptation d'une voix.

**Corpus** est un outil de préparation de ces données. Il simplifie la collecte de la partie textuelle d'un futur corpus vocal.

À partir d'une URL de vidéo YouTube, l'outil récupère les sous-titres disponibles, les nettoie et génère une transcription continue, lisible et directement exploitable. Le texte obtenu peut ensuite être associé à l'enregistrement audio correspondant afin de constituer un corpus destiné à l'entraînement ou à l'amélioration d'un modèle de synthèse vocale.

Corpus constitue l'une des briques de la chaîne **Synapx Voice**, aux côtés des outils d'édition audio, de prosodie, de dictionnaires phonétiques et de fabrication de voix neuronales locales. Ce n'est pas un simple extracteur de sous-titres, mais une composante d'un écosystème plus vaste consacré à la création de voix souveraines.

Conformément à la philosophie **SynapxLab**, l'ensemble du traitement est réalisé **localement**, sans transmission des données vers une API tierce. Seule la transcription textuelle est produite : aucun traitement audio, lecteur multimédia ou analyse vocale n'est effectué par cet outil.

## Cas d'utilisation

* Constitution d'un corpus audio/texte.
* Préparation de jeux de données pour la synthèse vocale (TTS).
* Création ou adaptation de voix neuronales locales.
* Nettoyage et normalisation de sous-titres YouTube.
* Extraction rapide d'un texte à partir d'une vidéo.

## Fonctionnement

```text
URL YouTube
    → Sous-titres manuels ou automatiques
    → Extraction et nettoyage du texte
    → Transcription continue
    → Corpus vocal (associé à l'audio)
```

Le service interroge les pistes de sous-titres disponibles, applique un repli de langue (langue demandée, puis français, puis anglais), et renvoie une transcription nettoyée. Seules les vidéos disposant de sous-titres exploitables peuvent être traitées.

## Endpoint

```http
POST /Sdk/Corpus/Extract.json
Content-Type: application/json
```

```json
{ "url": "https://www.youtube.com/watch?v=VIDEO_ID", "lang": "fr" }
```

```json
{
  "success": true,
  "title": "Titre de la vidéo",
  "lang": "fr",
  "text": "Transcription extraite depuis les sous-titres.",
  "stats": { "chars": 5120, "words": 820 }
}
```

L'endpoint est protégé par jeton CSRF. Le micro-service dédié `transcript.synapx.fr` s'appuie sur `yt-dlp` et `curl_cffi` avec impersonation TLS pour limiter les blocages serveur et les erreurs HTTP 429. Un cache par vidéo et une limitation de débit évitent les appels redondants.

## Ressources

- [Démonstration HTML](https://synapx.fr/sdk/Corpus/)
- [Catalogue des SDK](https://synapx.fr/sdk/)
- [Index de toutes les documentations Markdown](https://synapx.fr/markdown/)