Les outils de transcription IA, expliqués

Un outil de transcription IA transforme la parole en texte. C'est tout son travail.

Enlevez les tableaux de bord et le branding « moteur de connaissance conversationnel », et chaque outil de cette catégorie fait une seule chose : audio en entrée, texte en sortie. Les différences sont dans tout ce qui entoure ce noyau : où tourne le modèle, ce qu'il fait de la transcription, et combien il facture pour le faire.

Trois formes de produit dominent. Le preneur de notes de réunion rejoint votre appel, enregistre tout le monde et recrache un résumé avec des actions à mener. Otter en est l'exemple type, avec 300 minutes de transcription gratuites par mois. Le service par téléversement de fichier vous laisse déposer un fichier audio et télécharger une transcription plus tard. Rev et Sonix vivent ici, et Rev vend aussi des transcripteurs humains comme solution de repli à haute précision. L'outil de dictée reste en arrière-plan et colle le texte là où se trouve votre curseur dès que vous arrêtez de parler. Ce dernier, c'est ce que fait Whisper by Remskill : appuyez sur un raccourci global, parlez, et le texte transcrit apparaît dans l'application où vous vous trouvez déjà.

Le même travail de fond. Trois expériences quotidiennes complètement différentes. La plupart de la confusion dans cette catégorie vient du fait de comparer un preneur de notes de réunion à un outil de dictée comme s'ils se faisaient concurrence. Ils ne le font pas, pas plus qu'un bus ne concurrence un vélo.

Comment fonctionne vraiment la transcription IA (et où elle trébuche encore)

Le mécanisme est plus simple que le branding ne le laisse croire. Votre micro capte le son sous forme de forme d'onde, un flux de nombres décrivant la pression de l'air au fil du temps. Le modèle découpe ce flux en courts segments, convertit chaque segment en une représentation numérique de ses caractéristiques acoustiques, puis prédit, jeton par jeton, la séquence de texte la plus probable qui a produit ces sons. Il fait des statistiques sur de l'audio, il ne comprend pas le sens. J'ai passé ma première semaine sur ce projet à dessiner le pipeline sous forme d'un joli schéma en boîtes avant même d'avoir lancé le modèle une seule fois. Le schéma était faux dès le deuxième commit. Le modèle se moquait bien de mon schéma.

Ce détail explique pourquoi la transcription IA trébuche là où elle trébuche. Le modèle prédit les mots les plus probables, pas les mots corrects. Donnez-lui une parole nette et une diction claire, et probable et correct sont une seule et même chose. Donnez-lui des voix qui se chevauchent, un accent prononcé qu'il a peu vu à l'entraînement, du jargon métier ou un mauvais micro, et les deux divergent. La version honnête, celle que l'AI Overview de cette recherche précise dit à voix haute, c'est que ces outils peuvent halluciner des mots jamais prononcés, confondre un locuteur avec un autre et, sans bruit, mal transcrire une phrase en quelque chose qui se lit parfaitement et veut dire l'inverse.

Une astuce de traduction vaut la peine d'être connue. Les modèles Whisper multilingues peuvent transcrire 99 langues, et ils peuvent traduire une parole non anglophone en texte anglais en une seule passe. Les variantes anglais-seul du modèle, les versions .en, abandonnent cela et ne font que de l'anglais, ce qui les rend un peu plus tranchantes sur cette tâche. Rien de tout cela ne vous demande d'« entraîner » quoi que ce soit. Si un outil vous demande encore de lire un script de calibration avant de fonctionner, il tourne sur des hypothèses de 1999.

À quel point est-il précis, vraiment ? La réponse honnête.

La réponse honnête est : assez précis pour vous faire gagner du temps réel, pas assez pour publier sans relire. Notre propre fourchette publiée pour la transcription locale est de 95 % à 99 %, les modèles les plus grands se plaçant plus haut. Mais un chiffre de précision unique ne veut presque rien dire à lui seul, car le chiffre qui compte est celui de votre audio à vous : votre accent, votre pièce, votre micro, votre vocabulaire.

Méfiez-vous des affirmations rondes et sans conditions. Une page produit qui annonce « 99 % de précision » sans mentionner la qualité audio cite un meilleur cas, pas une promesse. Quand Rev affiche 99 %, ce chiffre est rattaché à ses transcripteurs humains, pas à son modèle IA. La version marketing aplatit une courbe en un unique point flatteur.

Voici l'amélioration de précision la moins chère que personne ne vous vend : un micro. Passer d'un micro intégré de portable à un micro USB de base fait plus pour votre transcription que de sauter d'un petit modèle au plus grand. L'IA ne corrige pas un mauvais audio. Elle devine simplement avec plus d'assurance. J'ai passé deux soirées à étalonner le plus gros modèle que je pouvais télécharger avant de remarquer que je parlais dans la charnière d'un portable à un mètre de distance ; un micro à douze dollars a corrigé plus que les deux gigaoctets supplémentaires. Dépensez les vingt dollars en matériel avant de passer une soirée à télécharger un modèle de trois gigaoctets. Pour un travail à enjeux élevés, relisez la transcription. Pour un message Slack, envoyez-le.

Local ou cloud : l'endroit où va votre audio compte

L'endroit où va votre audio est la décision qui compte le plus, et elle n'a rien à voir avec la précision.

Un outil de transcription cloud envoie votre audio aux serveurs d'une entreprise, y fait tourner le modèle et vous renvoie le texte. Un outil local télécharge le modèle une fois et le fait tourner sur votre propre machine. Ensuite, il fonctionne hors ligne, et rien ne quitte votre ordinateur. Whisper by Remskill fait les deux, et la bascule est un seul interrupteur. En mode local, l'audio est traité entièrement sur votre machine et rien n'est envoyé à aucun serveur. En mode cloud, l'audio part directement de votre ordinateur vers OpenAI via votre propre clé API, et nous ne sommes jamais au milieu.

Je vais planter un drapeau ici, parce que les pages marketing ne le feront pas : la dictée cloud-seul est un désastre de confidentialité qui ne demande qu'à être transcrit. Une équipe avec laquelle j'ai travaillé avait un jour fait construire par un prestataire un prototype interne de dictée IA cloud. Il appelait l'API pour chaque énoncé, y compris des enregistrements de standup qu'il re-transcrivait quatre fois parce que la logique de « réessai intelligent » était trop agressive. Le manager a ouvert le tableau de bord des coûts à la fin du trimestre et a trouvé une facture à cinq chiffres. Le correctif du prestataire était « optimiser le prompt ». Le correctif du directeur financier était « arrêter d'envoyer à un serveur des réunions dont nous avons déjà les notes ». Le tableur des salaires de votre patron, l'e-mail à l'école de votre enfant, le mémoire juridique que vous rédigez — rien de tout cela n'a sa place dans les journaux d'un fournisseur sous prétexte que vous vouliez taper à la voix. Votre portable a déjà un micro et un processeur. Pour la plupart des paragraphes, il n'a pas besoin d'un serveur dans la boucle. Si vous voulez tout le raisonnement, nous l'avons détaillé dans notre guide du speech to text hors ligne.

Cela dit, le cloud n'est pas un méchant. C'est un compromis. Le mode cloud vous donne les derniers modèles OpenAI, l'accès au web et zéro charge matérielle. Le local vous donne la confidentialité et une fiabilité hors ligne. Le but n'est pas que l'un soit correct. C'est que vous devriez choisir exprès, et non découvrir après coup que vos enregistrements vivent sur le disque de quelqu'un d'autre.

Les autres outils qu'il vaut la peine de connaître

Vous verrez les mêmes noms dans chaque comparatif, et ils se rangent dans des couloirs nets.

Une note sur cette dernière ligne : ces cinq-là ont chacun leurs propres tarifs et détails de langue qui changent souvent, donc je ne citerai pas de chiffres que je n'ai pas vérifiés aujourd'hui sur leurs propres pages. Le schéma, lui, tient : la plupart sont des outils de réunion ou d'édition, et la plupart font tourner un modèle de la famille Whisper sous le branding.

Whisper by Remskill se trouve dans un couloir différent de tous les autres. C'est un outil de dictée, pas un preneur de notes de réunion. Nous nous sommes nommés d'après le modèle open source que nous faisons tourner ; si vous avez comparé les applications de dictée cloud-seul, notre analyse des alternatives à Otter.ai et le guide plus large des logiciels de transcription couvrent les couloirs plus en détail.

Quand renoncer complètement à un outil de transcription IA

Parfois, le bon outil est aucun outil. Si l'audio est à enjeux élevés et juridiquement contraignant (une déposition au tribunal, un dossier médical, un dépôt réglementé), payez un humain. Le service humain de Rev existe précisément parce qu'un taux d'erreur de cinq pour cent sur un contrat, c'est un procès, pas une coquille. Et si tout ce qu'il vous faut est une réponse écrite de 30 mots, la dictée déjà intégrée à votre téléphone ou à votre Mac est gratuite et suffisante ; ne téléchargez rien. La transcription IA gagne sa place au milieu : plus longue qu'un SMS, moins risquée qu'une déposition, assez souvent pour valoir un raccourci. En dehors de cette plage, tournez-vous vers une personne ou vers l'outil gratuit déjà présent sur votre appareil.

Ce que ça coûte

Les tarifs de cette catégorie vont de gratuit à franchement cher, et l'écart vous dit ce que chaque outil vend. Les paliers gratuits sont réels mais compteurisés — Otter plafonne son offre gratuite à 300 minutes par mois, le palier IA gratuit de Rev à 45 minutes, et le modèle open source Whisper est gratuit pour toujours si vous êtes prêt à le faire tourner vous-même. Les API cloud facturent à la minute, ce qui va bien jusqu'à ce qu'une boucle de réessai emballée transforme un trimestre en une facture à cinq chiffres. Whisper by Remskill est gratuit pour tout le pipeline local une fois que vous avez un compte, sans moyen de paiement requis pour commencer ; les fonctionnalités cloud sont derrière Whisper Pro. Les chiffres exacts, les formules et ce qu'inclut Pro sont sur la page des tarifs — je préfère que vous vérifiiez le chiffre en direct plutôt que de croire un nombre que j'ai tapé dans un article de blog.

Le temps que vous finissiez de lire ceci, ma fille aura pu dicter trois e-mails et me demander deux fois pourquoi la lune n'est parfois pas là. La technologie n'est plus la partie difficile. Le seul vrai choix qu'il reste, c'est de savoir si vos mots restent sur votre machine ou s'ils font un voyage chez quelqu'un d'autre — et c'est un choix qui vaut la peine d'être fait avant d'appuyer sur enregistrer, pas après.