Audiodescription d’un film d’animation: défis d’un projet pratique universitaire
Bibliographic record
Abstract
L’audiodescription (AD) est un service d’assistance artistique et médiatique en plein essor « qui rend les produits audiovisuels accessibles et agréables pour le public aveugle et les personnes malvoyantes en transférant des images et des sons flous dans une narration verbale qui interagit avec les dialogues et les sons du texte original avec lequel elle forme un tout cohérent » (Reviers et Vercauteren 2013 dans Vercauteren 2016 : 11). Comme objet d’étude et comme pratique intersémiotique, intersémiosphérique ou intermodale, l’audiodescription est devenue un domaine d’intérêt majeur non seulement en traduction audiovisuelle, mais aussi en traductologie (Taylor et Perego 2022). Cet intérêt va de pair avec les développements technologiques dans l’industrie de la traduction qui reflètent quelques tendances mondiales, parmi lesquelles l’augmentation du besoin de localisation (traduction) audiovisuelle (Bussey 2019 : en ligne). Dans cet article, nous présentons et analysons notre propre performance, en tant qu’étudiante au Master Traduction Audiovisuelle : Localisation, Sous-titrage et Doublage (ISTRAD, Instituto Superior de Estudios Lingüísticos y Traducción, et Université de Cadix) (promotion 2020-2022), de l’audiodescription du film d’animation Pour la France, un film de fin d’études en animation 2D, à thématique historique, réalisé en 2019 par Vincent Chansard, dans le cadre de la formation « Concepteur et réalisateur de films d’animation » de Gobelins, école de l’image. Après avoir défini notre cadre théorique, nous exposons notre méthodologie basée sur les principales étapes de réalisation de ce mode de traduction qu’est l’audiodescription, en mettant en relief les différents défis que nous avons rencontrés et les solutions que nous avons apportées.
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 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.004 |
| 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".