Le traducteur en coulisse : traduction de scénarios et productions audiovisuelles multilingues
Bibliographic record
Abstract
Les défis et enjeux de la traduction audiovisuelle, particulièrement ceux du doublage et du sous-titrage, ont été largement explorés en traductologie. L’analyse des contraintes liées à cette forme de traduction (l’interdépendance du visuel et du verbal, la synchronisation labiale et les restrictions temporelles ou spatiales, entre autres) a permis de cerner les mécanismes et les stratégies de la communication audiovisuelle multilingue. Toutefois, un volet de cette forme de traduction spécialisée demeure généralement méconnu, et ce, bien qu’il soit en plein essor et qu’il entraîne des difficultés traductionnelles uniques : la traduction de scénarios, dont les enjeux sont de taille. Plutôt que de fournir un document final (comme un film doublé ou sous-titré), le traducteur de scénarios doit, en plus de maîtriser le langage technique, l’élaboration de structures narratives et la rédaction de dialogues fluides et crédibles, produire un outil de travail sur lequel reposeront les activités des acteurs, du réalisateur et des techniciens. En cette époque marquée par la mondialisation et la multiplication des technologies de communication, et où les échanges culturels se déroulent sur la multitude d’écrans qui nous entourent, la traduction scénaristique représente un secteur d’activités aussi important que dynamique. Elle soulève des questions particulièrement intéressantes en traductologie, puisqu’elle place le traducteur au coeur du processus créatif, notamment dans le contexte de doubles tournages, au cours desquels le traducteur est parfois appelé à participer aux différentes étapes de production. Cet article propose de situer la traduction de scénarios dans le spectre plus large de la traduction audiovisuelle, d’en examiner les caractéristiques et défis, et, finalement, d’aborder le phénomène des doubles tournages, particulièrement dans le domaine de la publicité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".