Précision Transcription IA 2026 — Whisper, Otter, Sonix, HappyScribe, Notta Comparés (WER Vérifié)

La métrique standard est le Word Error Rate (WER) — pourcentage de mots insérés, supprimés ou substitués par erreur, divisé par le nombre total de mots dans la référence. Un WER de 5% équivaut à 95% de précision. Le WER se mesure sur des benchmarks standardisés : LibriSpeech (anglais audiobooks propres), FLEURS (multilingue court format), CallHome (audio téléphonique bruyant). Attention : la précision annoncée par les vendeurs (souvent 99%) provient généralement de LibriSpeech test-clean, l'audio le plus facile — la précision réelle sur du contenu conversationnel, bruyant ou multi-locuteurs est significativement plus faible.

Whisper Large-v3 d'OpenAI est la référence — environ 5-7% de WER sur audio propre en français (benchmark FLEURS French). Les services hébergés qui s'appuient sur Whisper (VexaScribe, Notta, HappyScribe dans certains modes) héritent de cette précision. Les alternatives à Whisper sur le français : Deepgram Nova-3 (6-8% WER estimé), AssemblyAI Universal-2 (7-9%). Sonix atteint 89.6-92.83% de précision selon les benchmarks indépendants (vs 99% annoncé). Otter.ai supporte le français depuis 2024 mais la qualité française reste inférieure aux tools Whisper-based selon les tests d'utilisateurs.

Trois raisons. (1) Le benchmark d'annonce est presque toujours LibriSpeech test-clean — audio propre, un seul locuteur, prononciation nette, contenu audiobook lisible. C'est le cas d'usage le plus facile ; les vrais utilisateurs ne l'atteignent presque jamais. (2) Les vendeurs mesurent leur précision sur leur propre échantillon de test qui n'est pas public — on ne peut pas reproduire. (3) La précision réelle chute avec : bruit ambiant (-3-8 points), multi-locuteurs (-2-5 points), accents régionaux (-2-5 points), jargon technique (-5-10 points sur les noms propres). Un test indépendant Wirecutter 2023 a montré que GoTranscript revendiquait 99% mais réel de 96,4% ; Otter revendiquait 95% mais réel de 89,3% ; Rev réel de 91%. Toujours vérifier les benchmarks utilisés.

Dépend de votre volume, expertise technique et exigences privacy. Whisper auto-hébergé : gratuit après investissement matériel (GPU minimum 10 Go VRAM pour Large-v3, ou Apple Silicon avec whisper.cpp), contrôle total sur les données, mais nécessite Python/CUDA/FFmpeg et une équipe qui maintient le pipeline. Coût réel : 0€ en marginal, mais ~100-500€/mois d'infrastructure GPU et du temps ingénieur. Hébergé (VexaScribe, Notta, HappyScribe) : plus cher à la minute (~2-20€/mois selon volume), mais aucune installation, diarisation intégrée, éditeur, exports multiples. Break-even typique : ~10 heures d'audio par mois. En dessous, hébergé gagne. Au-dessus, auto-hébergé devient rentable — mais uniquement si vous avez l'expertise DevOps.

Oui, mais moins qu'on le pense. Whisper Large-v3 a été entraîné sur 680 000 heures d'audio multilingue incluant des variantes régionales de français. Sur des accents standards (méridional, belge, suisse, québécois), la pénalité de WER est typiquement de +2 à +5 points par rapport au français métropolitain neutre. Sur des accents plus marqués (créole, africains francophones, certains dialectes du sud), la pénalité peut monter à +5 à +10 points. Le vocabulaire technique et les noms propres régionaux sont les plus affectés — les mots courants sont bien reconnus même avec accent. Astuce pratique : si vous transcrivez régulièrement un accent particulier, prévoyez 5-15 minutes de relecture par heure d'audio pour corriger les erreurs récurrentes.

Trois tiers pratiques. (1) Podcast studio, micro individuel, un seul locuteur : 3-6% WER pour les meilleurs outils — quasiment publiable directement. (2) Réunion Zoom / Teams avec 2-4 participants et micros décents : 8-15% WER — utilisable comme brouillon avec relecture. (3) Environnement bruyant (café, extérieur, salle avec écho) : 12-25% WER — nécessite une relecture substantielle. Les outils premium n'améliorent pas énormément le tier 3 — la limite est physique (le signal audio ne contient plus assez d'information). Pour les cas d'usage tier 3, investir dans un meilleur micro/enregistrement améliore la précision plus qu'un changement de logiciel.

Oui, c'est une métrique distincte : Diarization Error Rate (DER). Elle mesure les erreurs de segmentation et d'attribution de locuteurs — indépendamment de la précision du texte transcrit. Pyannote.audio 3.1 (utilisé par VexaScribe et beaucoup d'autres) atteint 18.8% DER sur AMI (réunions), 21.4% sur DIHARD III, 11.2% sur VoxConverse. La nouvelle version pyannote community-1 améliore ces chiffres à 17.0% / 20.2% / 11.2%. Le tier premium precision-2 atteint 12.9% / 14.7% / 8.5%. Pour un guide détaillé sur la diarisation et les benchmarks, voir notre page dédiée sur la diarisation.

Oui — VexaScribe est classé au niveau technique de Whisper Large-v3 (5-7% WER FR clean) puisque nous exécutons exactement ce modèle. Notre valeur ajoutée n'est pas une précision supérieure — c'est l'absence d'installation (pas de Python, pas de GPU), la diarisation intégrée (pyannote 3.1), le stockage à Londres sous RGPD, et le tarif flat (2-20$/mois vs paiement à la minute chez plusieurs concurrents). Deepgram Nova-3 et AssemblyAI Universal-2 sont marginalement plus précis dans certains cas d'usage anglais ; sur le français, ils sont comparables à Whisper. Pour un outil identique en features à VexaScribe avec brand plus établi, HappyScribe et Notta sont des alternatives légitimes.