Outils de transcription audio : précision, langues et coût

La transcription audio par IA en français est passée en quelques années du statut de gadget à celui d'outil de travail. Les démonstrations sont impressionnantes : quelques minutes d'attente, un texte propre, ponctué, découpé par intervenant. Puis vient le premier fichier réel, enregistré dans une salle de réunion avec quatre personnes, un accent du Sud-Ouest et trente sigles internes, et le résultat se dégrade nettement.

C'est cet écart qui intéresse. Les moteurs actuels ont un socle commun de qualité sur un audio propre en français standard ; ils se distinguent sur tout le reste : accents régionaux, chevauchements de parole, vocabulaire métier, ponctuation, identification des locuteurs, et bien sûr coût et lieu d'exécution.

Ce comparatif recense les critères qui font réellement la différence, situe les grandes familles d'outils les unes par rapport aux autres, chiffre le coût par heure d'audio, et propose un protocole de test en une demi-journée avec vos propres enregistrements. Car sur ce sujet plus qu'un autre, aucun classement générique ne remplace un essai sur votre matière.

Ce qui fait la précision d'un speech to text en français

La mesure standard est le taux d'erreur sur les mots, souvent noté WER : le pourcentage de mots substitués, omis ou ajoutés par rapport à une transcription humaine de référence. Un WER de 8 % signifie que huit mots sur cent sont faux, ce qui reste très lisible. À 20 %, la relecture coûte presque aussi cher que la saisie.

Sur du français lu, en studio, les bons moteurs se situent aujourd'hui entre 4 et 8 % d'erreur. Sur une réunion réelle, comptez plutôt 10 à 20 %. Cinq facteurs expliquent cet écart.

• La qualité de captation. C'est de loin le premier facteur. Un micro de table à trois mètres double le taux d'erreur par rapport à un micro-cravate. Aucun modèle ne rattrape un mauvais enregistrement.
• Les accents et le débit. Les corpus d'entraînement publics de langue française, comme ceux du projet Common Voice, montrent que la variété d'accents représentés reste inégale. Les accents régionaux marqués, les locuteurs non natifs et les débits rapides pèsent sur la précision.
• Le vocabulaire métier. Noms de produits, sigles internes, patronymes : ce sont les mots les plus importants et les moins bien reconnus. La possibilité de fournir un lexique personnalisé au moteur est donc un critère de choix majeur, souvent plus décisif que le WER global.
• Le chevauchement de parole. Deux personnes qui parlent en même temps produisent presque toujours une perte de contenu, quel que soit le moteur.
• La ponctuation et la segmentation. Un texte exact mais sans ponctuation est peu exploitable. Les moteurs récents restituent une ponctuation correcte ; les plus anciens ou les modes « temps réel » y renoncent souvent.

Transcription audio en français : les quatre familles d'outils

Un point de méthode : ne comparez pas une API brute à un outil de réunion. Les premières livrent un texte, les seconds un compte rendu. Le travail de mise en forme représente souvent la moitié de la valeur perçue, et il ne se voit pas dans un tableau de WER.

Le coût réel, ramené à l'heure d'audio

Les tarifs évoluent, les ordres de grandeur beaucoup moins. Voici la structure de coût à retenir pour raisonner, en distinguant bien le coût de traitement du coût de relecture, systématiquement oublié.

• API de transcription : facturation à la minute d'audio. Sur une base courante, une heure d'audio revient à un montant de l'ordre de quelques dizaines de centimes à quelques euros selon le fournisseur et les options activées.
• Exécution locale : coût marginal quasi nul, mais un investissement initial (machine avec carte graphique, ou serveur mutualisé) et du temps d'administration. Le point d'équilibre se situe généralement autour de 100 à 200 heures d'audio par mois.
• Outils par utilisateur : abonnement mensuel par personne, indépendant du volume. Économique pour un usage occasionnel, cher dès que la moitié de l'entreprise s'y met.
• Relecture humaine : le vrai coût. Comptez 1 à 2 heures de relecture par heure d'audio à 15 % de WER, contre 15 à 30 minutes à 6 %. Ce facteur écrase toutes les différences de tarif.

La conclusion économique est nette : payer un peu plus cher un moteur qui descend le taux d'erreur de 15 à 7 % se rembourse dès la première dizaine d'heures, dès lors que quelqu'un relit.

En ligne ou local : la question qui précède toutes les autres

Un enregistrement de réunion contient des propos identifiants, parfois des données sensibles : entretiens annuels, réunions médicales, points juridiques, données de clients. Le fichier audio et sa transcription sont des données personnelles à part entière, avec une particularité : la voix reste identifiante même après suppression des noms.

Trois questions à trancher avant de choisir un outil.

1. Où sont traitées et stockées les données ? Localisation des serveurs, durée de conservation, possibilité de suppression sur demande. Notre article sur l'hébergement de son IA en France détaille les options.
2. Vos enregistrements servent-ils à entraîner le service ? La réponse doit figurer noir sur blanc dans le contrat, et l'option être désactivable.
3. Les personnes enregistrées sont-elles informées ? C'est une obligation, indépendante de l'outil, et le point le plus souvent négligé dans les déploiements. Le sujet est traité dans notre article sur le RGPD appliqué à l'IA en entreprise.

Pour tout ce qui relève de l'entretien individuel, du médical, du juridique ou de la donnée client identifiante, l'exécution locale d'un modèle ouvert reste la réponse la plus simple à défendre. Pour un webinaire public ou une conférence, la question ne se pose pas.

Un protocole de test en une demi-journée

Aucun classement ne remplacera un essai sur vos fichiers. Voici la méthode, applicable à trois ou quatre candidats.

1. Constituez un échantillon de 30 minutes représentatif de vos usages réels : une réunion à plusieurs, un entretien en tête-à-tête, un enregistrement téléphonique, un passage avec du vocabulaire métier. Pas de fichiers de démonstration.
2. Transcrivez cinq minutes à la main pour disposer d'une référence. C'est fastidieux et c'est ce qui rend la comparaison honnête.
3. Passez le même échantillon dans chaque outil avec les mêmes options, puis mesurez le nombre d'erreurs sur les cinq minutes de référence.
4. Comptez séparément les erreurs sur le vocabulaire métier et sur les noms propres. Une erreur sur un nom de produit coûte dix fois plus qu'une erreur sur un mot courant.
5. Chronométrez la relecture complète des 30 minutes pour chaque candidat. C'est ce chiffre, et non le WER, qui décidera.
6. Testez le lexique personnalisé quand l'outil le propose, en y injectant vos vingt sigles les plus fréquents. Le gain est souvent spectaculaire.

Les options qui changent tout, et qu'on oublie de regarder

Trois réglages produisent plus d'effet qu'un changement de moteur, et se trouvent dans la documentation plutôt que dans les comparatifs.

• Le lexique personnalisé. Injecter la liste de vos produits, de vos sigles et des noms de vos interlocuteurs récurrents fait chuter les erreurs sur les mots qui comptent. C'est le réglage au meilleur rapport effort-résultat.
• La langue forcée. Laisser le moteur détecter la langue provoque des bascules absurdes sur les passages hésitants ou sur les emprunts à l'anglais. Forcer le français stabilise le résultat.
• Le découpage des fichiers longs. Une réunion de trois heures traitée d'un bloc dérive souvent en fin de fichier. Découper par tranches de vingt à trente minutes avec un léger recouvrement corrige le phénomène.

Et le sous-titrage automatique ?

Le sous-titrage automatique ajoute deux contraintes à la transcription : le découpage en segments lisibles et la synchronisation. Les moteurs qui exportent des horodatages au mot permettent un bon découpage ; ceux qui n'horodatent qu'à la phrase obligent à repasser derrière. Vérifiez donc le format d'export avant de choisir, et prévoyez systématiquement une relecture : un sous-titre faux est plus gênant qu'une absence de sous-titre, notamment pour les personnes sourdes ou malentendantes, qui n'ont aucun moyen de corriger mentalement l'erreur.

Ce qu'il faut retenir

En transcription audio par IA en français, les écarts entre moteurs sur un audio propre se sont considérablement réduits. Ce qui vous différenciera se joue ailleurs : la qualité de vos micros, la possibilité de fournir un lexique métier, l'identification des locuteurs, le format d'export, et le lieu de traitement des fichiers sensibles.

La démarche recommandée tient en trois décisions. Tranchez d'abord la question du traitement local ou distant, car elle élimine la moitié des candidats. Testez ensuite deux ou trois outils sur trente minutes de vos propres enregistrements, en chronométrant la relecture. Investissez enfin cinquante euros dans un micro correct : c'est le meilleur rapport qualité-prix de tout le dossier.