Extracteur de mots clés

Extrait les mots et les phrases les plus significatifs de n'importe quel texte de forme longue (article, blog post, transcription, description du produit). Cinq modes d'extraction : (1) Mots-clés SEO avec marquage à l'intention de la recherche, (2) sujets de haut niveau + thèmes, (3) entités nommées — personnes/endroits/organisations, (4) tag-style minuscule-hyphen-joined tags, (5) termes de l'index académique. Résultats notés 0-100 par TF-IDF, fréquence brute, ou pertinence sémantique. Exporter comme CSV, TXT, ou JSON.

Oui — un article de 1 500 mots extrait en ~350 jetons sur le modèle par défaut Qwen 2.5 7B, confortablement à l'intérieur de la piscine quotidienne anonyme de 2 500 ou de 10 000 inscrits. Pas d'inscription nécessaire pour votre première extraction.

Ces outils tirent des données de recherche-volume en direct pour les mots-clés que vous leur donnez (99 $+/mo). Extracteur de mots clés fait le contraire — il extrait les mots-clés candidats de votre contenu et classifie leur intention de recherche. Workflow: utilisez ceci pour trouver les phrases que votre article souligne déjà, puis collez-les dans Ahrefs/Semrush pour vérifier le volume de recherche mensuel.

Trois modes de notation: (1) TF-IDF (par défaut) récompense les mots à la fois fréquents dans CE document ET rares en anglais général — le meilleur pour le référencement puisque ce sont les termes distinctifs. (2) Les occurrences de nombres de fréquences brutes sont droites — le meilleur quand vous voulez voir ce que vous dites le plus. (3) La pertinence sémantique note par proximité avec la thèse principale des documents même si une phrase n'apparaît qu'une seule fois — le meilleur pour la cohérence d'actualité.

Un n-gram est une séquence contiguë de mots N. "changement climatique" est un 2-gram. "modèle d'intelligence artificielle" est un 3-gram. Basculez les puces pour extraire seulement 1-grams (un seul mot comme "photosynthèse"), 2-grams (une tête comme "empreinte carbone") ou 3-grams (une longue queue comme "calculatrice d'empreinte carbone"). La plupart des workflows SEO veulent 2+3-grams — les mots simples sont trop génériques.

Oui — le stoplist par défaut supprime "le", "et", "de", "est", etc. en 14 langues. Vous pouvez ajouter des mots stop personnalisés via le champ "Mots à exclure" — utile pour supprimer votre propre nom de marque, codes de produit, ou plaque de chaudière légale qui autrement dominerait les résultats.

Google classifie les requêtes par usager : informational (« what is X »), navigational («nike official store»), commercial (« best running shoes 2026 »), transactional (« buy air max online »). Extracteur de mots clés marque vos mots-clés extraits avec l'intention probable afin que vous sachiez si votre article devrait se classer pour les chercheurs, les acheteurs, ou les recherches en trafic direct. Crucial pour aligner le contenu avec les fonctionnalités SERP.

99 langues via le modèle Qwen 2.5 sous-jacent. La qualité la plus élevée sur l'anglais, l'espagnol, le français, le portugais, l'allemand, le chinois, le japonais.

L'interface utilisateur exécute un texte à la fois. Pour l'extraction en vrac fil /v1/chat/ API dans un script Python — itérer sur votre exportation CMS, POST chaque corps d'article, dump le JSON. Auth, 1000 appels/heure sur des comptes gratuits, des limites plus élevées sur pro. Docs à /api/.

RAKE et YAKE sont des algorithmes lexiques classiques — rapides mais faibles sur nuance sémantique (ils manquent de "démarrage technologique" si le document dit "démarrage technologique" mais pas "tech" seuls). KeyBERT utilise BERT embeddings — une meilleure qualité sémantique mais lente et nécessite l'installation. TextRank est basé sur un graphe. Notre approche utilise un LLM 7B-paramètre qui fait tous les zéro-shot ci-dessus plus la classification recherche-intention — plus lent par appel mais zéro configuration, libre, et aucune ingénierie ML requise.

En mode fréquence et TF-IDF, oui — chaque mot-clé est dérivé du texte source mot à mot ou avec un minimum de changement d'inflexion. En mode sémantique-pertinence, le modèle peut retourner une version contrôlée-vocabulaire ("pulmonologie" même si votre texte dit "lung médecin visite"). Le mode académique-termes préfère intentionnellement le vocabulaire contrôlé.

Oui — POST to /v1/chat/ with the meme system invite this page buildings (inspecter la source du modèle pour l'invite exacte). Retourne JSON structuré. Bon pour les tableaux de bord de stratégie de contenu ou les plugins CMS. Porteur auth, limites mensuelles. Docs at /api/.