La reconnaissance vocale hors ligne, expliquée

Ce qu'est réellement une application de bureau de reconnaissance vocale hors ligne

Une application de bureau, pas un onglet de navigateur. Cette distinction fait l'essentiel du travail. Un outil de dictée basé sur le web tourne dans votre navigateur et envoie presque toujours l'audio à un serveur. Une vraie application hors ligne est un logiciel natif qui charge un modèle de reconnaissance vocale en mémoire et le fait tourner sur votre processeur ou votre carte graphique, là, sur la machine.

Le comportement est simple, et c'est voulu. Vous appuyez sur un raccourci global depuis n'importe quelle application (votre client de messagerie, un éditeur de code, une zone de saisie Slack, un champ de note clinique) et la transcription apparaît là où se trouve votre curseur, comme un dactylographe rapide qui prendrait votre place. Pas de copier-coller depuis une fenêtre séparée. Pas de « téléversez votre enregistrement ». Ça se comporte comme le clavier, parce que c'est la seule interface que toutes les applications comprennent déjà.

Le raccourci par défaut dans Whisper est Ctrl+Space sous Windows et Linux. Sur un Mac, vous maintenez Command et Option ensemble et vous relâchez l'une des deux touches pour arrêter, un accord push-to-talk, pas une bascule. Vous pouvez le réassigner ; la première chose que beaucoup de gens font est de le déplacer pour qu'il n'entre plus en conflit avec leur logiciel de dessin ou de musique. J'avais codé ce raccourci en dur dans une première version et j'ai reçu un e-mail à 2 heures du matin à ce sujet, mais c'est une histoire pour la FAQ.

La version honnête du « comment » n'a rien de glamour : il n'y a pas de magie, juste un fichier de modèle sur votre disque. Quand vous installez une application locale, vous téléchargez un modèle de reconnaissance vocale, de quelques centaines de mégaoctets à quelques gigaoctets de poids entraînés. À partir de là, la transcription est une opération mathématique que le modèle effectue sur votre audio. L'audio ne devient jamais une requête réseau. Whisper by Remskill fait passer toute sa transcription locale par une bibliothèque en pur Rust appelée transcribe-rs, sans annexe Python et sans environnement d'exécution séparé à maintenir actif. Ce que vous ressentez, c'est l'application qui démarre vite et le chemin de l'audio qui reste court.

Appuyez sur une touche, parlez, obtenez du texte — la boucle hors ligne

Voici la boucle complète. Vous maintenez le raccourci. Un petit indicateur vous dit qu'il écoute. Vous parlez, une phrase, un paragraphe, un résumé de cours de 600 mots. Vous relâchez. Le modèle transcrit ce que vous avez dit et le texte atterrit à votre curseur, pas dans un fichier que vous devez ensuite aller chercher. C'est la différence concrète entre une application de dictée et un outil de transcription de fichiers : une application de dictée insère le texte en direct, au moment où vous arrêtez de parler.

Rien de tout cela n'a besoin d'un réseau. Le microphone envoie l'audio dans le modèle local, le modèle produit le texte, et l'application le saisit pour vous. L'enregistrement se poursuit pendant une courte fraction de seconde après que vous relâchez la touche, pour que le dernier mot ne soit pas coupé, un petit détail qui m'a pris plus de temps à régler que je n'aimerais l'admettre.

Pour les e-mails et les notes du quotidien, l'aller-retour entre le relâchement de la touche et le texte collé est d'une seconde ou deux avec un modèle Small sur un ordinateur portable récent, assez rapide pour rester dans la phrase que vous étiez en train de penser. Il y a aussi une deuxième étape facultative : Whisper peut effectuer une passe de nettoyage par IA (corriger la ponctuation, mettre en forme une liste ou répondre à une question que vous avez posée à voix haute), et en mode local cette passe tourne sur l'appareil via un moteur local appelé Ollama. Ainsi, même l'étape « rendre ça moins décousu » peut rester entièrement hors ligne. Vous la déclenchez en commençant votre phrase par « Hey whisper ». Ignorez-la et vous obtenez une transcription verbatim et propre. Dans tous les cas, rien de ce que vous dites ne quitte la machine, sauf si vous activez l'option Cloud.

Parakeet ou Whisper local : quel moteur fonctionne le mieux hors ligne

Deux moteurs locaux sont fournis dans l'application, et ils sont bons à des choses différentes. C'est la seule vraie décision que vous avez à prendre.

Parakeet est le modèle TDT de NVIDIA, environ 600 Mo, et c'est le rapide, 5 à 10 fois plus rapide que Whisper sur un processeur. Il gère l'anglais plus 24 langues européennes, 25 au total. Il ne traduit pas vers l'anglais, et il n'a aucun contrôle de vocabulaire personnalisé. Si vous parlez surtout anglais et que vous voulez de la vitesse, c'est celui-là.

Whisper est le cheval de trait multilingue. Ses modèles multilingues prennent en charge 99 langues avec détection automatique et peuvent traduire n'importe laquelle d'entre elles vers l'anglais. Il est plus lent que Parakeet sur le même matériel, mais il vous donne le chinois, le japonais, le coréen, le vocabulaire personnalisé et un contrôle plus fin. Une chose à garder à l'esprit : les modèles Whisper uniquement anglais (ceux étiquetés avec .en) se verrouillent sur l'anglais seul et abandonnent complètement la prise en charge des 99 langues. Donc « Whisper fait 99 langues » n'est vrai que pour les versions multilingues.

Règle générale : anglais et pressé, prenez Parakeet. Tout ce qui est multilingue, tout ce que vous devez faire traduire, prenez un modèle Whisper multilingue.

Choisir le bon modèle local pour votre matériel

Un modèle local se charge dans la RAM, donc votre matériel fixe la limite. La bonne nouvelle pour la plupart des gens : les plus petits modèles suffisent largement.

Côté anglais, les modèles vont de Base à environ 140 Mo, à Small à environ 480 Mo, à Medium à environ 1,5 Go. Côté multilingue, vous passez de Small à 480 Mo à Large v3 à environ 3 Go. Le modèle multilingue Small est celui sur lequel les nouveaux utilisateurs commencent, et c'est un choix par défaut judicieux : il tient partout et il est assez précis pour la dictée quotidienne.

La vérité ennuyeuse sur le matériel, c'est que le microphone compte plus que le modèle. Un micro USB à 20 $ fait plus pour la précision que de sauter deux tailles de modèle. J'ai passé un week-end convaincu qu'une mise à niveau du modèle réglerait mes transcriptions brouillonnes ; c'était le micro du portable qui captait le lave-vaisselle tout du long. Si vous êtes sur un vieux portable avec 8 Go de RAM, faites tourner Parakeet ou un modèle Small et dépensez l'argent de la mise à niveau dans le micro. Si vous avez un Mac Apple Silicon récent ou une machine Windows de 16 Go avec une carte graphique dédiée, tous les modèles tournent confortablement, y compris Large v3. Vous n'avez pas besoin d'une carte graphique pour commencer : Parakeet sur un processeur est la voie rapide parce qu'il a été conçu pour ça.

Pourquoi le hors ligne bat le cloud pour les audios sensibles

La dictée uniquement cloud est une catastrophe de confidentialité qui n'attend que d'être transcrite. Je le dis comme une opinion tranchée, et ensuite je l'étaye, parce que faire de grands gestes sur la confidentialité ne coûte rien.

Une équipe avec laquelle j'ai travaillé avait un jour fait construire par un prestataire un prototype interne de « dictée IA » par-dessus un modèle cloud. Il appelait l'API pour chaque énoncé, sur chaque portable, avec une « relance intelligente » qui renvoyait les enregistrements dès qu'il flippait. À la fin du trimestre, le responsable a ouvert le tableau de bord des coûts cloud et a trouvé une facture à cinq chiffres, l'essentiel provenant d'une seule équipe qui transcrivait quatre fois ses enregistrements de réunions quotidiennes. La solution du prestataire était « on devrait optimiser le prompt ». La solution du directeur financier était « ou on ne devrait pas payer pour la transcription cloud de réunions qui ont déjà un compte rendu ». Deux problèmes dans une seule facture : le coût, et le fait que chaque mot de ces réunions vivait désormais dans les journaux d'un fournisseur.

Le hors ligne résout les deux. La feuille de calcul des salaires de votre patron, l'e-mail à l'école de votre enfant, le mémoire juridique que vous rédigez dans un train sans réseau : rien de tout cela ne devrait quitter votre portable simplement parce que vous vouliez taper avec votre voix. La machine a déjà un microphone et un processeur. Pour un paragraphe, elle n'a pas besoin d'un serveur dans la boucle. Le hors ligne fonctionne aussi avec le Wi-Fi coupé, ce que le cloud, par définition, ne peut pas faire.

Quand le cloud ou un outil intégré est le meilleur choix

Voici la partie que les pages mono-outil sautent. Une application locale n'est pas toujours la bonne réponse.

D'abord, la question que les gens posent sans cesse : est-ce que Windows fait de la reconnaissance vocale hors ligne ? Plutôt non, pour l'outil par défaut. La saisie vocale de Windows, ouverte avec Win+H, nécessite une connexion internet selon la documentation de Microsoft elle-même, donc la dictée est basée sur le cloud. Une fonctionnalité distincte de Windows 11 appelée Voice Access fonctionne bien hors ligne une fois ses fichiers de langue installés, mais elle est conçue pour contrôler le PC à la voix, pas pour la dictée longue et rapide. Sur un Mac, la Dictée intégrée d'Apple peut traiter une partie du texte général sur l'appareil, mais la formulation d'Apple reste prudente : ce n'est pas garanti pour toutes les langues, et une partie de la dictée peut tout de même partir vers les serveurs d'Apple. Donc si tout ce que vous dictez n'est que la réponse occasionnelle de 30 mots, les outils intégrés sont gratuits et conviennent pour de courtes salves. Une application dédiée gagne sa place dès que vous dictez un vrai volume (e-mails, notes, documents), pas des textos d'une ligne.

Deuxièmement, le cloud l'emporte pour certaines tâches. Si vous avez besoin de la plus haute précision possible sur un audio difficile (accents marqués, locuteurs qui se chevauchent, conditions de micro déplorables), un modèle cloud peut être plus précis qu'un modèle local, et il peut récupérer des réponses web en direct qu'un modèle local n'a aucun moyen de connaître. Le mode Cloud facultatif de Whisper utilise OpenAI via votre propre clé d'API pour exactement ces cas, avec environ 57 langues répertoriées. Le compromis est honnête : il a besoin d'internet, et il envoie votre audio à OpenAI. Si votre travail n'est pas sensible et que vous voulez la meilleure qualité plus la recherche web au même endroit, le cloud est le meilleur choix, et je vous dirais de l'utiliser. Si votre audio est privé ou que votre connexion est peu fiable, restez en local.

Si vous lorgnez un outil de dictée cloud mais que vous voulez que votre audio reste sur votre machine, notre alternative gratuite à Aqua Voice défend pleinement l'argument du hors ligne et de la confidentialité.

Hors ligne, en ligne ou intégré : une comparaison rapide

Un court tableau pour trancher le choix. L'analyse plus complète des outils de dictée payants se trouve dans notre guide des logiciels de transcription.

Whisper réunit les trois premiers dans une seule application : le pipeline local est gratuit, et le Cloud est l'option supplémentaire. Si vous êtes venu ici pour « privé et fonctionne dans un avion », les deux premières lignes sont votre réponse.

Si vous ne retenez qu'une chose de tout ça

La reconnaissance vocale hors ligne n'est pas un compromis auquel on se résigne quand le Wi-Fi est coupé. C'est la version où l'audio est le vôtre, où la latence est courte, et où aucune facture cloud trimestrielle ne vous attend au bout. Le cloud l'emporte encore pour les audios les plus difficiles et les réponses web en direct, et je vous y orienterai quand ça convient. Pour tout le reste (l'e-mail, la note, le mémoire dans le train) le modèle sur votre propre disque suffit, et c'est le cas depuis un moment déjà.