L'IA peut-elle extraire une recette d'une vidéo de cuisine ?

C’est la question qui revient le plus souvent : l’IA peut-elle extraire une recette d’une vidéo ? Pas d’un blog de cuisine bien mis en page, non : d’un TikTok de 45 secondes où quelqu’un parle à toute vitesse, balance des ingrédients dans une poêle, et où la seule « recette » disponible est ce que vous arrivez à saisir avant que la vidéo reparte en boucle. La réponse courte est oui. Une IA multimodale d’aujourd’hui sait regarder une vidéo de cuisine, écouter le commentaire, lire les incrustations et en sortir une recette structurée, avec ingrédients, quantités et étapes numérotées. Mais le comment est plus intéressant que le quoi : comprendre la mécanique explique à la fois pourquoi ça marche et là où ça bute.

Cet article est le pendant technique de notre guide pour enregistrer des recettes sur les réseaux sociaux. Là où celui-ci racontait le pourquoi et la méthode, celui-là ouvre le capot de la chaîne d’extraction.

Les cinq sources d’une vidéo de cuisine

Une vidéo de cuisine n’est pas une source unique d’information. C’est au moins cinq sources empilées les unes sur les autres, et un système d’extraction sérieux doit les exploiter toutes.

1. L’analyse des images

L’IA ne regarde pas chaque image de la vidéo : ce serait un gâchis de calcul, et le résultat n’en serait pas meilleur. Elle procède par échantillonnage intelligent, en prélevant des images clés à intervalles réguliers et à chaque fois que le contenu visuel change franchement. Une coupe entre un plan de découpe et un plan de cuisson déclenche un prélèvement. Un carton de titre qui s’affiche déclenche un prélèvement. Une main qui pose des ingrédients sur le plan de travail déclenche un prélèvement.

Que cherche l’IA dans ces images ? Les ingrédients disposés sur un plan de travail ou une planche. Les graduations lisibles sur un verre doseur ou une balance. Les incrustations que le créateur ajoute pour donner une quantité ou numéroter une étape. Les étiquettes sur les emballages. L’état de l’aliment à chaque stade : cru, en train de colorer, à frémissement, dressé. Chacun de ces signaux visuels fournit des données qui viennent nourrir la recette finale.

L’analyse des images vaut particulièrement pour la catégorie montante des vidéos de cuisine sans parole : ces plans contemplatifs, façon ASMR, où quelqu’un cuisine en silence et laisse l’image raconter. Sans analyse des images, ces vidéos resteraient parfaitement opaques.

2. La transcription du son

La reconnaissance vocale est la colonne vertébrale de l’extraction pour l’immense majorité des vidéos de cuisine. La plupart des créateurs commentent en cuisinant, et ce commentaire contient le cœur de la recette : « deux tasses de farine ordinaire », « saisissez le poulet à feu moyen-vif environ quatre minutes par face », « salez, poivrez, et ajoutez une cuillère à café de paprika fumé ».

Les modèles de reconnaissance vocale actuels encaissent très bien le désordre sonore d’une vraie cuisine. L’huile qui grésille, l’eau qui coule, les casseroles qui s’entrechoquent : tout cela est filtré. Les accents et les débits qui mettaient en échec les anciens systèmes passent désormais sans difficulté. Et l’IA ne se contente pas de transcrire des mots : elle décode la langue de la cuisine. Elle comprend que « ajoutez une noix de beurre » fait du beurre un ingrédient, et que « laissez aller une vingtaine de minutes » est une indication de durée.

Beaucoup de recettes TikTok n’existent qu’à l’oral. Le créateur déroule la recette par-dessus les images, sans la moindre incrustation et sans rien écrire nulle part. Sans transcription du son, ces recettes resteraient prisonnières de la vidéo pour toujours.

3. La lecture du texte à l’écran (OCR)

Une bonne partie des créateurs, en particulier sur TikTok, Instagram Reels et YouTube Shorts, incrustent du texte directement dans leurs vidéos. Ces incrustations peuvent présenter une liste d’ingrédients en ouverture, afficher une quantité au moment où on l’ajoute, ou numéroter les étapes au fil de la préparation.

L’IA s’appuie sur la reconnaissance optique de caractères pour lire ce texte, mais elle va bien au-delà de l’OCR brut : elle interprète la mise en page et le contexte. Un texte en gros caractères, en haut du cadre, au début de la vidéo, est probablement un titre de recette. Un texte qui apparaît une seconde pendant qu’on verse un liquide dans un saladier est probablement une mesure. Un texte qui reste affiché à travers plusieurs coupes est probablement la liste des ingrédients.

Cette source compte beaucoup, parce que l’incrustation est le canal principal de nombreux créateurs. Les vidéos courtes qui suivent une tendance reposent souvent sur du texte affiché avec une bande son à la mode par-dessus : la recette vit alors entièrement dans la couche de texte.

4. Les sous-titres et les légendes

Les sous-titres constituent une source distincte de la transcription du son. Les sous-titres automatiques d’une plateforme sont au fond sa propre reconnaissance vocale : imparfaits, mais précieux pour recouper la transcription de l’IA. Les sous-titres déposés par le créateur valent davantage encore, puisqu’ils ont été relus à la main et sont généralement justes.

Les sous-titres apportent aussi la chronologie. Chaque segment est horodaté, ce qui permet à l’IA de rattacher une consigne orale à un moment précis de la vidéo. Si le sous-titre affiche « ajoutez l’ail » à 2 min 34 et que l’image de 2 min 34 montre de l’ail qui tombe dans la poêle, l’IA dispose de deux confirmations indépendantes de la même consigne.

5. Les métadonnées et la description

Le texte qui entoure la vidéo contient souvent de la recette. Les descriptions YouTube donnent fréquemment une liste d’ingrédients partielle ou complète, un lien vers l’article de blog correspondant, ou des repères temporels par section. Les légendes TikTok énumèrent parfois les ingrédients principaux ou nomment le plat. Les légendes Instagram peuvent contenir la recette entière, en paragraphe.

Ces métadonnées servent à la fois de source et de garde-fou. Si la description indique « 3 gousses d’ail » là où le son disait « quelques gousses d’ail », l’IA tient une quantité précise pour ancrer une formule vague.

Comment l’IA recoud tout ça

Aucune source prise isolément ne donne la recette complète. Le son peut capter « ajoutez de la farine » sans dire combien. L’incrustation du même instant affiche peut-être « 1 tasse de farine ». La description précise peut-être « 1 tasse de farine ordinaire (125 g) ». L’IA recoupe les cinq sources et retient, pour chaque information, la version la plus précise et la plus fiable.

Un exemple concret. Une créatrice TikTok prépare une sauce express pour des pâtes. À l’oral, elle dit « une tasse de farine ». L’incrustation affiche « 1 tasse de farine ». La description dit « farine ». L’IA en fait « 1 tasse de farine ordinaire » : la mesure vient du son, la précision de l’incrustation, la confirmation de la description.

Ce recoupement multimodal est l’avantage de fond sur toute approche à source unique. Un outil qui ne fait que transcrire vous rendra « une tasse de farine ». Un outil qui ne fait que de l’OCR ratera l’incrustation si le texte est petit ou masqué. La chaîne de Pluck exploite tous les signaux disponibles et les pondère selon leur fiabilité et leur précision, pour produire l’extraction la plus complète possible.

Le résultat est une recette entièrement structurée : titre, liste d’ingrédients avec quantités et unités, instructions numérotées, temps de préparation, temps de cuisson, temps total, nombre de parts et étiquettes de cuisine. C’est exactement le format que vous obtiendriez depuis un blog de cuisine bien balisé : l’IA ramène la vidéo au même niveau de propreté. Si la comparaison avec la capture web traditionnelle vous intéresse, nous lui avons consacré un face-à-face détaillé entre extraction par IA et capture web.

Et la fiabilité, alors ?

C’est la vraie question, et elle mérite une réponse franche.

La fiabilité de l’extraction varie beaucoup selon la source. Une vidéo YouTube avec un commentaire net, des incrustations et la recette complète en description donne une extraction très fidèle : les cinq sources fournissent des données cohérentes qui se confirment mutuellement. Un TikTok survolté, avec une musique qui écrase la voix et zéro incrustation, donne un résultat nettement moins assuré.

Pluck répond à cela par un indice de confiance. Chaque extraction reçoit une note en fonction du nombre de sources qui ont contribué, de leur cohérence entre elles et du degré de complétude de la recette obtenue. Une recette où trois sources s’accordent indépendamment sur les quantités note mieux qu’une recette tirée d’une seule piste audio brouillonne.

Quand la confiance est élevée, la recette est en général bonne à enregistrer telle quelle. Quand elle baisse, la relecture prend de l’importance : Pluck vous met la recette sous les yeux avant qu’elle ne rejoigne votre boîte à recettes. Vous confrontez les ingrédients extraits à ce que vous avez vu dans la vidéo, vous corrigez les quantités douteuses et vous ajoutez les étapes oubliées.

L’extraction par IA est-elle parfaite ? Non. Mais comparez avec l’alternative : regarder la vidéo, mettre en pause toutes les dix secondes et taper la recette soi-même. Comptez 20 à 40 minutes par vidéo, et ce n’est pas non plus exempt d’erreurs : vous entendez de travers, vous oubliez une quantité, vous sautez une étape. L’IA vous donne un premier jet solide en quelques secondes. La relecture prend une minute ou deux. Au total, une fraction du temps d’une transcription manuelle.

Les limites actuelles de l’extraction des vidéos

Être transparent sur les limites, c’est ce qui construit la confiance. Voici donc ce qui met vraiment la technologie en difficulté.

Les vidéos très techniques où personne n’annonce de mesure. Certains créateurs cuisinent à l’instinct et ne citent jamais une quantité. Une poignée de fromage, de l’huile jusqu’à ce que la poêle soit couverte, on assaisonne au goût. L’IA sait identifier les ingrédients, mais elle ne peut pas estimer de façon fiable les quantités à l’œil. « Selon votre goût » est parfois l’extraction la plus honnête possible.

Un son médiocre ou une musique trop présente. Quand la bande son à la mode couvre la voix off, la reconnaissance vocale se dégrade. L’IA peut se rabattre sur les incrustations et la description, mais si celles-ci sont maigres, la recette ressortira incomplète.

Le vocabulaire approximatif. « Un trait de crème », « une bonne rasade de vin », « du bouillon à hauteur ». Ce sont de vraies consignes, que les cuisiniers expérimentés traduisent d’instinct, mais qui ne se convertissent pas en mesures structurées. L’IA les restitue telles quelles plutôt que d’inventer une fausse précision.

Les vidéos longues à recettes multiples. Un « ce que je mange en une journée » de 45 minutes peut contenir quatre ou cinq recettes distinctes. L’IA doit alors repérer où commence et où finit chacune, un exercice bien plus délicat que d’en extraire une seule. Les résultats progressent, mais ces vidéos restent le cas difficile.

Le montage en rafale. Certaines vidéos courtes coupent toutes les demi-secondes, avec des incrustations qui durent 300 millisecondes. À ce rythme, même un échantillonnage intelligent laisse passer des informations. Plus le montage est nerveux, moins l’extraction est fiable.

Le cercle vertueux de la précision

La qualité d’extraction n’est pas figée : elle progresse en continu, par deux canaux.

D’abord, les modèles eux-mêmes s’améliorent. Les modèles de vision qui analysent les images, les modèles de reconnaissance vocale qui transcrivent le son, les modèles de langue qui synthétisent le tout en une recette structurée : tous avancent à vive allure. Des tâches qui donnaient des résultats médiocres il y a un an sont aujourd’hui bien traitées. Pluck s’appuie sur plusieurs fournisseurs d’IA, dont Claude, GPT et Gemini, et peut orienter chaque extraction vers le modèle le plus performant pour ce type de contenu. Si l’un coince sur un accent ou un style de montage, un autre s’en tirera très bien.

Ensuite, l’indice de confiance crée une boucle de retour. Quand la note est basse, l’utilisateur relit et corrige. Ces corrections nourrissent la façon dont le système traitera des contenus semblables. Avec le temps, la part des vidéos qui produisent des extractions douteuses se réduit.

Ce progrès n’a rien de théorique, il se mesure. L’extraction vidéo traite aujourd’hui des contenus totalement hors de portée il y a deux ans. La combinaison de la compréhension visuelle, de la reconnaissance vocale et de la compréhension du langage a franchi la frontière entre « démonstration de recherche intéressante » et « outil avec lequel on cuisine pour de vrai ». Pour voir ce que ça donne sur les vidéos de cuisine YouTube, nous avons écrit un guide dédié.

Une technologie vraiment neuve

Cela vaut la peine de prendre un peu de recul sur ce qui se joue ici. Il y a deux ans, tirer une recette d’une vidéo supposait qu’une personne la regarde en entier, la mette en pause vingt fois et tape ce qu’elle avait vu et entendu. Il n’existait aucune solution automatique. Les modèles capables de comprendre simultanément des images, une parole et du texte à l’écran, avec le niveau d’exigence du domaine culinaire, n’existaient tout simplement pas.

Aujourd’hui, vous collez une adresse et vous obtenez une recette structurée en quelques secondes. La chaîne regarde la vidéo, écoute le commentaire, lit les incrustations, analyse les métadonnées, recoupe l’ensemble, attribue un indice de confiance et vous présente une recette propre à relire. Elle traite les contenus de YouTube, TikTok, Instagram et Facebook. Elle fonctionne dans plusieurs langues. Elle digère aussi bien un Short de 30 secondes qu’un cours de cuisine d’une heure.

Nous étoffons la page comment fonctionne Pluck avec des schémas qui détaillent toute la chaîne. En attendant, le meilleur moyen de comprendre la technologie reste de l’essayer : collez l’adresse d’une vidéo de cuisine et regardez ce qui en sort.

L’avenir de la recette enregistrée, ce ne sont pas les favoris et les captures d’écran qui s’évaporent quand la plateforme change d’avis. Ce sont des données structurées, tirées intelligemment du format où la recette a choisi de vivre, vidéo comprise. L’IA est prête. Les recettes attendent.

Pour savoir quelles applis de recettes emploient l’IA et jusqu’où elles vont, voir notre guide des meilleures applis de recettes IA, notre analyse de la meilleure appli pour les recettes TikTok ou notre comparatif complet des applis de recettes.

Envie de tester l’extraction par IA vous-même ? Pluck est disponible sur iOS et Android. Téléchargez-la sur Google Play. Également sur iOS.