Transcription Whisper en Ligne — Whisper Large-v3 sans Python ni GPU

Qu'est-ce que Whisper ?

Whisper est le modèle de reconnaissance automatique de la parole (ASR) open-source publié par OpenAI en septembre 2022 sous licence MIT. C'est un Transformer séquence-à-séquence (encodeur-décodeur) entraîné sur 680 000 heures d'audio multilingue — environ 117 000 heures de données non-anglaises couvrant 99 langues. L'architecture traite l'audio en fenêtres de 30 secondes converties en spectrogramme mel 80 canaux ; l'encodeur produit une représentation latente et le décodeur génère les tokens de texte en une seule passe, avec détection automatique de la langue et horodatages. Whisper est disponible en huit checkpoints allant de tiny (39M paramètres) à large-v3 (1,55 milliard de paramètres), sans dictionnaire phonétique ni modèle de langue séparé.

Whisper Large-v3 (novembre 2023) est le checkpoint le plus précis de la famille, avec 1,55 milliard de paramètres et 32 couches décodeur. En octobre 2024, OpenAI a publié Whisper Large-v3 Turbo : 809 millions de paramètres, seulement 4 couches décodeur, 4 à 8 fois plus rapide sur GPU, mais légèrement moins précis et non entraîné pour la traduction — adapté aux usages où la vitesse prime sur la précision maximale. Note : en mars 2025, OpenAI a lancé gpt-4o-transcribe, un modèle de transcription hébergé construit sur GPT-4o — architecture différente, non open-source, non utilisable en auto-hébergé. VexaScribe utilise Whisper Large-v3 car il est ouvert, reproductible, et offre la meilleure précision de la famille Whisper.

Pourquoi Whisper fonctionne-t-il si bien en français ?

Le français fait partie du Tier 1 de Whisper Large-v3 — le groupe de langues avec la précision la plus élevée. Sur le benchmark FLEURS (Français), Whisper Large-v3 atteint environ 5-7 % de Word Error Rate (WER) sur audio propre, soit 93-95 % de précision effective. C'est comparable à l'anglais, l'espagnol ou l'allemand.

Cette performance s'explique par le volume de données d'entraînement : le corpus Whisper inclut environ 117 000 heures de données non-anglaises, dont le français représente l'une des langues les mieux dotées. La couverture géographique est large : le français métropolitain, les accents régionaux (méridional, parisien), le français belge, suisse, québécois et africain fonctionnent tous — l'accent géographique influence peu la précision sur audio propre ; c'est la qualité d'enregistrement qui compte le plus.

En pratique : un enregistrement studio propre (micro lavalier, salle traitée acoustiquement) atteint 95-97 % de précision. Un enregistrement Zoom avec micro intégré descend à 88-92 %. Les noms propres (marques, noms d'invités, termes techniques spécifiques) ont systématiquement 10-20 % d'erreur même sur audio propre — relire avant publication reste nécessaire.

Utiliser Whisper en ligne en 3 étapes

VexaScribe supprime toute la complexité d'infrastructure : Python, CUDA, FFmpeg, GPU — tout est géré côté serveur.

1. 1

   Uploadez votre fichier

   Formats audio : MP3, WAV, M4A, FLAC, OGG, OPUS, AAC, AIFF, WMA, AMR. Formats vidéo : MP4, MOV, MKV, WebM, AVI, FLV, WMV — la piste audio est extraite automatiquement. Limite : 5 Go et 10 heures par fichier.

2. 2

   Whisper Large-v3 transcrit

   La détection d'activité vocale (VAD) supprime les silences avant la transcription pour réduire les hallucinations. Whisper Large-v3 tourne sur nos GPU. Un fichier d'une heure est traité en 5-10 minutes. Diarisation des locuteurs disponible en option.

3. 3

   Exportez dans votre format

   Renommez les locuteurs dans l'éditeur intégré, corrigez les noms propres. Exportez en TXT (texte simple), DOCX (Word), SRT (sous-titres), VTT (web HTML5) ou JSON (données structurées au mot pour développeurs).

Whisper vs autres solutions IA (Deepgram, AssemblyAI, Google)

Quatre approches principales pour la transcription IA en 2026 :

Pour le français, Whisper Large-v3 est compétitif avec les meilleures solutions commerciales. Son avantage principal reste la licence MIT (auto-hébergeable, reproductible) et l'absence de facturation à la minute pour les plateformes comme VexaScribe. Deepgram excelle sur la latence en temps réel ; AssemblyAI sur les clips courts et les fonctionnalités LLM intégrées ; Google si vous êtes déjà dans l'écosystème Google Cloud.

Diarisation des locuteurs avec Whisper

Whisper seul produit un texte continu sans étiquette de locuteur. VexaScribe ajoute pyannote.audio 3.1 — le pipeline de diarisation open-source de référence — pour attribuer une étiquette de locuteur à chaque segment grâce aux horodatages au niveau du mot générés par Whisper.

Pour en savoir plus sur la diarisation : guide diarisation des locuteurs.

Auto-héberger Whisper vs utiliser VexaScribe

Whisper est open-source MIT — vous pouvez l'installer localement. Voici une comparaison honnête :