De l'IA en Local

Découpeur Vidéo Intelligent avec IA local
Objectifs :
Automatiser le découpage de vidéos d'interviews par thématiques
Exploiter l'IA locale (Ollama) pour l'analyse sémantique
Transcription audio précise avec Whisper
Génération automatique de segments vidéo pertinents
Contexte du projet
Application desktop Windows permettant de traiter automatiquement des vidéos d'interviews pour identifier et extraire des segments thématiques cohérents, sans nécessiter de découpe manuelle chronophage.
Environnement :
Windows 10/11 (64 bits)
Python 3.12 avec PyQt5
FFmpeg pour le traitement vidéo
Ollama pour l'analyse IA en local
Architecture du système
Pipeline de traitement
1. Vidéos sources (MTS/MP4/AVI)
   ↓
2. Concaténation automatique (si plusieurs fichiers)
   ↓
3. Extraction audio → WAV
   ↓
4. Transcription → Whisper (OpenAI)
   ↓
5. Analyse thématique → Ollama (local)
   ↓
6. Génération des segments → FFmpeg
   ↓
7. Export final → MP4 optimisés
Stack technique
Backend:
whisper : Transcription audio multilingue
ollama : Modèles LLM locaux pour l'analyse
ffmpeg-python : Manipulation vidéo/audio
torch : Framework ML pour Whisper
Frontend:
PyQt5 : Interface graphique native
librosa : Traitement audio
Système de logs intégré
Étape 1 : Installation des prérequis
FFmpeg (traitement vidéo)
Installation :
# Télécharger depuis https://www.gyan.dev/ffmpeg/builds/
# Extraire dans C:\ffmpeg
# Ajouter au PATH : C:\ffmpeg\bin
Vérification :
ffmpeg -version
Explication :
FFmpeg = Outil de référence pour manipuler vidéos/audio
Utilisé pour concaténer, extraire audio, découper les segments
Version complète nécessaire (incluant libx264, aac)
Ollama (modèles IA locaux)
Installation :
# Télécharger depuis https://ollama.ai/download
# Installer l'application
# Télécharger un modèle :
ollama pull qwen2.5:3b
Modèles disponibles :
Modèle
Taille
RAM
Forces
Cas d'usage
qwen2.5:3b
2 GB
4 GB
Léger, rapide, bon raisonnement
Recommandé - Analyse de texte, thématisation
gemma2:2b
1.6 GB
3 GB
Très léger, rapide
PC limités en RAM, tests
mistral:7b
4 GB
8 GB
Excellent raisonnement, précis
Analyse complexe, nuances fines
llama3.1:8b
4.7 GB
10 GB
Multilingue, polyvalent
Multilangue, transcriptions mixtes
phi3:3.8b
2.3 GB
6 GB
Optimisé Microsoft, efficace
Alternative à Qwen
Explication :
Ollama = Plateforme pour exécuter des LLM en local (sans cloud)
Analyse le contenu textuel pour détecter les changements de thème
Pas de coût API, confidentialité des données garantie
Modèles optimisés pour CPU (pas de GPU requis)
Configuration dans le projet :
Fichier 
src/config.py:23
OLLAMA_MODEL = "qwen2.5:3b"  # Modifier ici pour changer de modèle
Python et dépendances
Installation automatique :
# Double-cliquer sur install.bat
# OU manuellement :
python -m venv venv_312
venv_312\Scripts\activate
pip install -r requirements.txt
Dépendances principales :
openai-whisper : Modèle de transcription
torch : Backend pour Whisper
ollama : Client Python pour Ollama
PyQt5 : Interface graphique
ffmpeg-python : Wrapper Python pour FFmpeg
Étape 2 : Configuration des modèles
Whisper (transcription)
Fichier 
src/config.py:18
WHISPER_MODEL = "medium"  # Options : tiny, base, small, medium, large
WHISPER_LANGUAGE = "fr"
Comparaif des modèles Whisper :
Modèle
Taille
RAM
Vitesse
Qualité
Usage
tiny
75 MB
1 GB
32x
Moyenne
Tests rapides
base
145 MB
1 GB
16x
Correcte
Vidéos courtes
small
488 MB
2 GB
6x
Bonne
Bon compromis
medium
1.5 GB
5 GB
2x
Excellente
Recommandé
large
3 GB
10 GB
1x
Maximale
Production finale
Explication :
Whisper = Modèle ML d'OpenAI pour speech-to-text
Exécution locale (pas de cloud)
Supporte 99 langues avec timestamps précis
Vitesse relative : 
tiny = 32× plus rapide que 
large
Ollama (analyse IA)
Fichier 
src/config.py:23-24
OLLAMA_MODEL = "qwen2.5:3b"
MAX_TOKENS_PER_ANALYSIS = 4000
Choisir son modèle selon les besoins :
PC limité (4-8 GB RAM) :
OLLAMA_MODEL = "gemma2:2b"  # Léger et rapide
PC standard (8-16 GB RAM) :
OLLAMA_MODEL = "qwen2.5:3b"  # Recommandé (défaut)
PC puissant (16+ GB RAM) :
OLLAMA_MODEL = "mistral:7b"  # Meilleure précision
Multilingue :
OLLAMA_MODEL = "llama3.1:8b"  # Multilangue
Explication du rôle d'Ollama :
Reçoit la transcription découpée en chunks (~4000 tokens)
Identifie les thèmes principaux et transitions
Génère des titres descriptifs pour chaque segment
Propose des timestamps de découpe cohérents
Prompt système utilisé :
Analyse cette transcription d'interview et identifie les différents
thèmes abordés. Pour chaque thème, fournis :
- Un titre court et descriptif
- Le timestamp de début/fin
- Une justification du découpage
Étape 3 : Utilisation de l'application
Lancement
# Double-cliquer sur launch.bat
# OU :
venv_312\Scripts\python src\main.py
Workflow type
1. Sélection des fichiers
Cliquer sur "Sélectionner les fichiers vidéo"
Choisir un ou plusieurs fichiers (MTS, MP4, AVI, MOV, MKV)
Les MTS multiples sont automatiquement concaténés
2. Traitement automatique
Cliquer sur "Démarrer l'analyse"
Suivre la progression dans l'interface :
✅ Concaténation des fichiers (si nécessaire)
✅ Extraction audio → WAV
✅ Transcription Whisper (la plus longue étape)
✅ Export transcription → TXT + JSON
✅ Analyse IA Ollama par chunks
✅ Génération des segments proposés
3. Validation des segments
Consulter la liste des segments détectés
Double-cliquer pour éditer :
Modifier le titre
Ajuster les timestamps
Fusionner/diviser des segments
Prévisualiser avec le lecteur intégré
4. Export final
Choisir le dossier de destination
Cliquer sur "Exporter tous les segments"
Les fichiers MP4 sont générés avec nommage séquentiel
Étape 4 : Performances et optimisations
Temps de traitement (vidéo 1h)
Configuration standard (Whisper medium + Qwen 3B) :
Étape
Durée
Facteurs
Concaténation
1-2 min
Nombre de fichiers sources
Extraction audio
10 sec
Taille de la vidéo
Transcription
35-42 min
Modèle Whisper, CPU
Analyse IA
8-12 min
Modèle Ollama, longueur texte
Export segments
10-15 min
Nombre de segments, qualité
TOTAL
60-90 min
Optimisations possibles
Pour accélérer (sacrifie qualité) :
WHISPER_MODEL = "small"         # Divise temps par 3
OLLAMA_MODEL = "gemma2:2b"      # Divise RAM par 2
VIDEO_QUALITY = 28              # Fichiers plus légers
Pour qualité max (plus lent) :
WHISPER_MODEL = "large"         # Transcription parfaite
OLLAMA_MODEL = "mistral:7b"     # Analyse fine
VIDEO_QUALITY = 18              # Qualité visuelle maximale
Étape 5 : Structure des fichiers générés
OPCI-VIDEO-TEST-N2/
│
├── output/
│   └── transcriptions/
│       ├── interview_transcription.txt    # Texte lisible avec timestamps
│       └── interview_transcription.json   # Données structurées (words + segments)
│
├── [dossier_choisi]/
│   ├── 01_Introduction_et_parcours.mp4
│   ├── 02_Defis_techniques_rencontres.mp4
│   ├── 03_Vision_future_du_projet.mp4
│   └── ...
│
├── logs/
│   └── video_cutter.log                  # Logs détaillés du traitement
│
└── temp/
    └── [fichiers_temporaires]            # Nettoyés après export
Explication des formats :
TXT :
[00:00:05] Bonjour, je suis ravi de...
[00:00:42] Donc le projet a commencé en...
JSON :
{
  "text": "Transcription complète...",
  "segments": [
    {
      "start": 5.2,
      "end": 42.8,
      "text": "Bonjour, je suis ravi de...",
      "words": [...]
    }
  ]
}
Étape 6 : Dépannage
Ollama ne répond pas
# Vérifier qu'Ollama est lancé
ollama list
# Relancer Ollama
taskkill /F /IM ollama.exe
ollama serve
# Vérifier le modèle
ollama pull qwen2.5:3b
Explication :
Ollama doit tourner en arrière-plan (service)
Icône visible dans la barre des tâches Windows
Port par défaut : 
http://localhost:11434
Whisper trop lent
Solution 1 : Modèle plus léger
WHISPER_MODEL = "small"  # Au lieu de "medium"
Solution 2 : GPU (si disponible)
Installer 
torch avec support CUDA
Whisper utilisera automatiquement le GPU NVIDIA
Gain de vitesse : 5-10×
Solution 3 : Découper la vidéo
Traiter par tranches de 30 min
Concaténer les transcriptions manuellement
Erreur de mémoire (OOM)
Symptômes :
RuntimeError: CUDA out of memory
MemoryError: Unable to allocate...
Solutions :
# 1. Réduire le modèle Whisper
WHISPER_MODEL = "base"
# 2. Réduire le modèle Ollama
OLLAMA_MODEL = "gemma2:2b"
# 3. Réduire chunk size
MAX_TOKENS_PER_ANALYSIS = 2000
Segments mal découpés
Causes possibles :
Transcription imprécise → Tester 
medium ou 
large
Modèle Ollama trop léger → Essayer 
mistral:7b
Transitions abruptes dans l'interview → Ajustement manuel
Améliorer la détection :
# Tester un modèle plus puissant
OLLAMA_MODEL = "mistral:7b"
# Ou un modèle spécialisé français
ollama pull vigogne:7b  # Modèle français
Avantages de l'approche locale (Ollama)
vs API Cloud (GPT-4, Claude, etc.)
Critère
Ollama (local)
API Cloud
Coût
Gratuit, illimité
0.01-0.10€ par analyse
Confidentialité
Données restent en local
Envoyées au cloud
Vitesse
Dépend du CPU local
Dépend du réseau
Disponibilité
Offline OK
Nécessite Internet
Qualité
Bonne (modèles 3-7B)
Excellente (70B+)
Cas d'usage idéal pour Ollama :
Vidéos confidentielles (entreprise, médical)
Traitement par lots sans limite
Pas de connexion Internet fiable
Coût récurrent inacceptable
Évolutions futures
Fonctionnalités prévues :
Export multi-formats (MOV, AVI, etc.)
Support multilangue simultané
Mode batch (dossier complet)
Modèles IA à tester :
nous-hermes2:10.7b : Excellent suiveur d'instructions
solar:10.7b : Performance/taille optimale
Ressources et références
Documentation officielle :
Ollama Models
OpenAI Whisper
FFmpeg Documentation
Comparaison modèles :
Ollama Performance Benchmarks
Whisper Model Card
Configuration matérielle recommandée
Minimum (workflow ralenti) :
CPU : Intel i5 / AMD Ryzen 5 (4 cœurs)
RAM : 8 GB
Stockage : 50 GB SSD
Modèles : 
small + 
gemma2:2b
Recommandé (workflow fluide) :
CPU : Intel i7 / AMD Ryzen 7 (8 cœurs)
RAM : 16 GB
Stockage : 100 GB SSD
Modèles : 
medium + 
qwen2.5:3b
Optimal (vitesse maximale) :
CPU : Intel i9 / AMD Ryzen 9 (16 cœurs)
RAM : 32 GB
GPU : NVIDIA RTX 3060+ (support CUDA)
Stockage : 256 GB NVMe SSD
Modèles : 
large + 
mistral:7b
Version : 1.0
Dernière mise à jour : Novembre 2024
Licence : MIT
Auteur : OPCI Productions

DES pistes d'évolutions