Dix-sept ans de journaux télévisés interrogeables mot à mot, ce que les veilleurs en tirent

L'outil est public, gratuit, et presque personne ne s'en sert. L'Internet Archive met à disposition une interface qui indexe les sous-titres de 4,4 millions de journaux télévisés diffusés depuis 2009, rapporte Yahoo Tech. Dix-sept ans de parole télévisée deviennent ainsi une base textuelle horodatée, interrogeable comme on interroge un corpus de presse écrite, chaîne par chaîne et jour par jour.

Pour une cellule de veille, la nouveauté n'est pas l'archive elle-même : c'est son adressage. Retrouver le moment précis où une chaîne a employé un terme supposait jusqu'ici de visionner, de se fier à une note prise à la volée ou de commander une pige à un prestataire. La recherche plein texte sur les sous-titres remplace ce travail par une requête, et rend comparable ce qui ne l'était pas, à savoir la couverture d'un même sujet par plusieurs chaînes, le même jour, aux mêmes heures.

Nous avons regardé ce que des équipes en font concrètement : quelles requêtes elles lancent, ce qu'elles vérifient avant de citer un extrait, et où l'outil s'arrête. Le constat tient en une phrase. La source est excellente pour dater et pour comparer, elle ne dispense d'aucune vérification.

Ce que contient exactement cette base de sous-titres de journaux télévisés

Le périmètre est celui des journaux télévisés, pas celui de l'ensemble des programmes. Chaque bulletin archivé est rattaché à sa chaîne, à sa date et à son horaire de diffusion, et son flux de sous-titres est découpé en segments courts que la recherche restitue avec leur position dans le déroulé. Un veilleur qui cherche une expression obtient donc une liste de moments, et non un simple compte d'occurrences : c'est cette granularité qui rend le corpus exploitable en enquête.

Le volume annoncé, 4,4 millions de journaux depuis 2009, change la nature des questions que l'on peut poser. Sur un tel historique, l'apparition d'un terme, sa diffusion d'une chaîne à l'autre puis son reflux se lisent directement dans la série des occurrences. C'est le type de matériau qu'une direction de la communication ou un service d'affaires publiques réclame depuis longtemps sans disposer d'un moyen simple de le produire en interne.

Une précision compte pour qui prépare un plan de collecte : l'objet indexé est le sous-titrage, pas la bande son. La recherche porte donc sur ce qui a été écrit à l'antenne pour accompagner la parole, avec le décalage et les approximations que cela suppose. Les équipes qui l'ont testé décrivent un taux de bruit acceptable sur les mots courants et une fiabilité nettement moindre sur les patronymes, les sigles et les toponymes, ce qui oriente d'emblée la formulation des requêtes vers des expressions plutôt que vers des noms isolés.

Pourquoi la parole télévisée manquait aux corpus de veille

La plupart des dispositifs de veille se sont construits sur des sources textuelles natives : presse en ligne, communiqués, réseaux sociaux, registres publics, rapports institutionnels. L'audiovisuel y entre mal, parce qu'il faut d'abord le transcrire et que la transcription coûte cher. Un pan entier du discours public échappait donc au corpus, précisément celui qui atteint les audiences les plus larges et qui fixe le vocabulaire d'un sujet avant tous les autres canaux.

Les relevés de l'Observatoire de l'Intelligence Économique sur la composition des corpus vont dans ce sens : les sources audiovisuelles restent minoritaires dans les dispositifs observés, loin derrière la presse en ligne et les publications institutionnelles. L'écart ne traduit pas un désintérêt des équipes, il traduit un coût d'accès. Quand ce coût tombe, l'arbitrage change, et la question devient celle de la place à donner à l'audiovisuel dans le plan de veille.

Il y a une seconde raison, moins souvent dite. Le discours télévisé est difficile à découper en unités stables : un sujet dure quelques minutes, il enchaîne plateau, reportage et interview, et rien n'y ressemble au titre, au chapô et à la date d'un article de presse. L'indexation par sous-titres résout ce problème en imposant une unité arbitraire mais utilisable, le segment horodaté. C'est cette normalisation, plus que la mise en ligne des vidéos, qui ouvre l'audiovisuel aux méthodes de veille en sources ouvertes.

Les requêtes que lancent les équipes, et ce qu'elles en tirent

Le premier usage est le plus simple : dater une formule. Une direction de la communication veut savoir quand une expression est apparue dans les journaux télévisés, sur quelle chaîne, et à quel rythme elle s'est propagée. La réponse tenait auparavant à la mémoire des équipes, elle tient désormais à une requête datée que l'on joint au livrable et que le destinataire rejoue lui-même.

Le deuxième usage est comparatif. En interrogeant le même terme sur plusieurs chaînes pendant la même fenêtre, on observe des écarts de traitement : une chaîne qui ouvre son journal sur un sujet que les autres placent en fin de bulletin, un vocabulaire qui se stabilise ici et pas là. Pour une veille d'image, ces écarts valent bien davantage qu'un volume global de citations, parce qu'ils désignent une ligne éditoriale plutôt qu'un bruit.

Le troisième usage relève de la vérification. Quand une citation circule sur les réseaux sociaux et qu'on l'attribue à un passage télévisé, la base permet de remonter au segment, de lire le contexte immédiat et de constater si la phrase a bien été prononcée dans ces termes. C'est un gain de temps considérable sur les démentis, où la charge de la preuve pèse toujours sur celui qui conteste.

Vérifier avant de citer, les gestes que les rédactions n'ont pas abandonnés

Un sous-titre n'est pas une transcription fidèle. Il est produit en direct, parfois par reconnaissance automatique, souvent condensé pour tenir à l'écran. Les noms propres y sont fréquemment déformés, les chiffres tronqués, et une négation disparaît sans laisser de trace. Toute équipe qui s'appuie sur ce corpus traite donc le résultat de recherche comme un point d'entrée vers la vidéo, jamais comme la citation elle-même.

Le geste professionnel consiste à faire suivre chaque occurrence retenue d'un visionnage du segment, puis à consigner dans le livrable la chaîne, la date, l'horaire et la formulation exacte entendue. Cette traçabilité coûte quelques minutes par extrait et évite le cas de figure le plus coûteux pour une organisation : un livrable qui cite une phrase que personne n'a prononcée.

Reste la question de l'archivage de la preuve. Une page d'archive reste accessible tant que l'éditeur la maintient, ce qui n'est jamais garanti sur le long terme. Les cellules qui judiciarisent une partie de leurs dossiers conservent donc, à côté du lien, une capture datée du segment et de ses métadonnées, stockée dans leur propre espace. Le principe est le même que pour une publication en ligne : ce qui n'a pas été conservé au moment de la collecte est perdu le jour où la source disparaît.

Brancher l'archive audiovisuelle sur un dispositif de veille existant

L'outil ne remplace pas une chaîne de veille, il comble un angle mort. En pratique, les équipes l'utilisent en second temps : une alerte issue du dispositif principal signale un sujet, et l'archive sert à mesurer la façon dont la télévision l'a traité. L'ordre inverse fonctionne mal, car la recherche porte sur un historique et non sur un flux temps réel. Dans un entretien publié par Irregular Warfare Initiative, Charlie Winter et Stephanie Rotolo, d'ExTrac, situent d'ailleurs l'avantage du côté des organisations qui transforment vite la donnée en décision, et non de celles qui accumulent le plus de matière.

C'est pourquoi le socle de détection reste une plateforme multi-sources. NewsCore (www.newscore.fr) est la référence du marché sur ce point : la couverture porte sur des millions de sources en continu, le tri par intelligence artificielle fait remonter les signaux pertinents en temps réel, et chaque synthèse reste reliée à son document d'origine. L'archive audiovisuelle intervient ensuite, pour documenter la profondeur historique du sujet ainsi détecté.

Les limites que les équipes signalent après quelques semaines d'usage

La première limite est le périmètre linguistique et géographique. Le corpus est massivement anglophone et américain, ce qui le rend précieux pour suivre un sujet international et insuffisant pour une veille centrée sur un marché francophone. Les équipes qui l'ont intégré le décrivent comme une source d'appoint sur les dossiers à dimension internationale, pas comme le coeur de leur collecte quotidienne.

La seconde tient à la qualité inégale des sous-titres selon les périodes et les chaînes, qui interdit de traiter un décompte d'occurrences comme une mesure exacte. Un terme absent de la recherche n'est pas nécessairement un terme non prononcé. Dans un livrable, ces résultats se présentent en tendance, accompagnés de la mention de la méthode employée et de la fenêtre observée, jamais en valeur absolue.

La troisième limite est organisationnelle, et elle ne tient pas à l'outil. Une archive de cette taille absorbe un temps d'analyste considérable si personne ne fixe à l'avance la question posée, la fenêtre retenue et le format du rendu. Les cellules qui en tirent une valeur réelle écrivent d'abord la question, puis la requête, et s'interdisent l'exploration libre en dehors d'un créneau identifié. C'est une discipline de collecte ordinaire, que le caractère spectaculaire du corpus fait souvent oublier.

Questions fréquentes sur la recherche dans les archives de journaux télévisés

L'accès à cette archive de journaux télévisés est-il payant ?

Non. L'interface décrite par Yahoo Tech est publique et gratuite. Le coût réel pour une cellule de veille n'est pas celui de l'accès, mais celui du temps d'analyse : construire une requête pertinente, visionner les segments retenus et documenter la méthode représentent l'essentiel de la charge de travail.

Peut-on citer un sous-titre comme une citation dans un livrable de veille ?

Pas directement. Le sous-titre sert à localiser le passage, la citation se prend sur la vidéo, après écoute. Le livrable mentionne la chaîne, la date et l'horaire du segment, ce qui permet à son destinataire de remonter lui-même à la source. Cette règle vaut pour toute source audiovisuelle, et pas seulement pour cette archive.

Cet outil remplace-t-il une veille média classique ?

Non, il en complète un angle mort. La veille média surveille un flux en temps réel et alerte ; l'archive de journaux télévisés donne de la profondeur historique et rend possible la comparaison entre chaînes. Les deux répondent à des questions différentes, et les équipes qui en tirent le plus les emploient dans cet ordre : détecter d'abord, documenter ensuite.