Reconnaissance vocale sur Twitch, sans détour

Reconnaissance vocale vs synthèse vocale — clarification rapide

Clarification rapide — STT vs TTS. Si vous êtes venu chercher la voix robotique qui lit les messages de donation à voix haute pendant votre stream, c'est de la synthèse vocale (text-to-speech), pas de la reconnaissance vocale (speech-to-text). Ce n'est pas le même sujet. Tournez-vous vers SoundAlerts, qui fait du TTS pour les Bits, Tips, Channel Points, Subs, Raids et Hype Trains, avec des voix IA sur Premium. Ou utilisez StreamElements, qui propose AlertBox TTS avec plus de 1000 voix de Polly, Google, Azure et TikTok, plus une modération anti-spam. Le reste de cet article concerne l'autre sens : votre voix transformée en texte.

La reconnaissance vocale convertit votre voix en lettres sur un écran : sous-titres, transcriptions, messages dictés. La synthèse vocale va dans l'autre sens : des messages écrits lus à voix haute par une voix artificielle, généralement une alerte de donation.

La moitié des streamers Twitch qui cherchent cette expression veulent la deuxième option. Google ne peut pas deviner laquelle vous voulez, c'est pourquoi il n'y a pas d'AI Overview pour cette requête — l'intention est trop partagée. Les outils TTS mentionnés ci-dessus gèrent la lecture des donations. Le reste de cet article s'occupe de votre voix transformée en texte.

À quoi les streamers utilisent vraiment la reconnaissance vocale

Quatre cas d'utilisation qui reviennent sans cesse. La plupart des streamers en font un. Les bons en font les quatre.

Sous-titres en direct pour l'accessibilité

Une ligne de texte en bas de la diffusion pour les spectateurs sourds, malentendants, qui regardent sans son au travail, ou qui ne sont pas natifs de la langue. Twitch affiche un bouton CC sur les streams qui ont déjà des sous-titres dans le flux RTMP, et rien sur ceux qui n'en ont pas. Donc c'est votre affaire.

Transcriptions de VOD pour les shorts et le SEO

Vous avez streamé trois heures, le combat de boss s'est passé vers la deuxième heure, et vous voulez un TikTok de 60 secondes avec du texte à l'écran. La transcription vous permet de faire Ctrl+F sur le moment au lieu de chercher à la main.

Dictée entre les scènes

Le truc dont personne ne parle et pour lequel je paierais volontiers. En plein stream, les mains sur le clavier, votre modo vous ping sur Discord pour savoir si vous voulez prolonger le mode sub-only pour le raid. Vous pouvez soit vous débattre avec Alt+Tab pendant que le boss fight part en vrille, soit appuyer sur une touche, dicter votre réponse, et la voir atterrir dans Discord à 145 mots par minute.

Le raccourci Whisper par défaut est Ctrl+Space sur Windows et Linux, et la commande push-to-talk modifier-only command+option sur macOS. Les deux fonctionnent partout où la saisie de texte fonctionne : le chat, Discord, les noms de scène OBS, un DM d'excuse à 1h du matin au spectateur dont vous avez écorché le pseudo. Deux pièges propres aux streamers : si votre raccourci de changement de scène est Ctrl+Space, OBS le captera avant Whisper. Remappez l'un des deux. Et certains jeux en plein écran exclusif (tout ce qui tourne sous Unreal Engine en fullscreen exclusif) bloquent le raccourci global ; lancez le jeu en mode fenêtré sans bords et le problème disparaît.

Notes post-stream

Un mémo de trois lignes à vous-même sur ce qui a bien marché, ce qui a raté, et quel clip vaut la peine d'être monté. La plupart des streamers sautent ça. La plupart se demandent aussi pourquoi leur chaîne ne grandit pas.

Le premier, c'est OBS. Le deuxième, c'est un outil de transcription. Le troisième, c'est une application de dictée comme la nôtre. Le quatrième, c'est la combinaison qui vous permet d'aller dormir avant deux heures du matin.

Sous-titres en direct dans OBS : le setup en 10 minutes

Aveu honnête d'abord. Le setup standard pour les sous-titres en direct sur Twitch n'est pas alimenté par Whisper. C'est le plugin OBS Closed Captions de ratwithacompiler, qui utilise Google Speech Recognition comme moteur par défaut. La version 0.33 est sortie le 15 octobre 2025, cumule 1,3k étoiles sur GitHub, et tourne sur Windows, macOS et Linux. Il ne fonctionne pas avec Streamlabs OBS car SLOBS n'accepte pas les plugins tiers.

Voici le setup en 10 minutes. Aucune de ces étapes ne nécessite de code.

1. Installez OBS Studio si vous ne l'avez pas. Le plugin est uniquement pour OBS, pas pour SLOBS.
2. Téléchargez le plugin depuis la page des releases GitHub de ratwithacompiler/OBS-captions-plugin. Choisissez l'installeur pour votre OS, fermez OBS d'abord, puis lancez-le.
3. Ouvrez OBS, allez dans Outils → Closed Captions. Sélectionnez votre source microphone, généralement Mic/Aux ou le nom que vous lui avez donné.
4. Définissez la langue source. Par défaut : anglais. Le plugin envoie vers l'endpoint gratuit de Google ; la précision est correcte pour un micro propre, mais se dégrade avec une musique de fond intense.
5. Activez les sous-titres dans votre tableau de bord Twitch. Gestionnaire de stream → Paramètres → Stream → Interrupteur Closed Captions. Le Guide des Closed Captions de Twitch couvre le côté diffuseur si vous en avez besoin.
6. Testez sur un stream privé. Mettez la diffusion en non-listée, parlez 30 secondes, vérifiez que le bouton CC apparaît.

C'est fait. Le compromis : l'audio quitte votre machine et va chez Google. Si ça pose un problème vis-à-vis de votre audience, passez directement à la section cloud vs local. Whisper lui-même n'entre pas en jeu ici ; nous sommes la couche dictée et VOD à côté. OBS gère les sous-titres, Whisper gère le texte piloté par raccourci. Deux outils, deux rôles.

Transcrire des VODs et des clips pour les shorts (le vrai gain de temps)

Un stream de trois heures, c'est trois heures de recherche. Vous savez que le moment drôle s'est passé quelque part autour du deuxième sub-train, mais vous ne pouvez pas le retrouver sans faire défiler. Une transcription règle ça en dix secondes.

Deuxième aveu honnête. Whisper by Remskill n'accepte pas encore les uploads de fichiers vidéo ou audio dans l'application de bureau aujourd'hui. La transcription se fait via un raccourci clavier sur le microphone en direct, sans glisser-déposer et sans bouton « ouvrir un VOD ». Si votre flux de travail c'est déposer-un-MP4-obtenir-une-transcription, nous ne sommes pas le bon outil. Pas encore. Deux options honnêtes :

Option A — faites transiter votre VOD par le micro via loopback. Utilisez VB-CABLE sur Windows ou BlackHole sur Mac pour rediriger l'audio de votre VOD vers Whisper comme s'il s'agissait d'un microphone, puis maintenez le raccourci pendant la lecture. Les mains libres, mais vous devez rester là pendant la lecture. Choisissez large-v3 pour les streams multilingues ou distil-large-v3 (Turbo) pour l'anglais : 6× plus rapide que large-v3 avec 99% de la précision.

Option B — utilisez whisper.cpp open source ou faster-whisper. Les deux acceptent des fichiers .mp4 et .wav en ligne de commande. Plus long à configurer, mais ils traitent les fichiers pendant que vous dormez. C'est la vraie alternative légitime : whisper.cpp et openai/whisper sont gratuits et bien maintenus.

Le vrai gain, c'est ce qui suit. Collez la transcription dans ChatGPT et demandez les trois meilleurs moments à clipper, intégrez-la dans votre montage vidéo comme piste de sous-titres, et utilisez-la comme description YouTube avec les horodatages déjà alignés.

Cloud vs local : où va l'audio de votre stream

L'audio d'un stream, c'est sensible. Même si vous le diffusez en direct à des milliers de personnes, il y a une vraie différence entre « on sait qu'on enregistre » et « une société américaine sans rapport avec vous a une copie de ma conversation hors-stream avec un modo ».

Whisper propose trois modes de transcription et vous laisse choisir. Il n'y a pas de réglage par défaut.

Cloud (OpenAI, BYOK)

Meilleure précision, recherche web intégrée, amélioration du texte par IA via GPT-5. La transcription utilise gpt-4o-mini-transcribe par défaut ou gpt-4o-transcribe pour plus de précision. Vous apportez votre propre clé OpenAI et payez OpenAI à la minute d'audio. L'audio quitte votre appareil.

Local — NVIDIA Parakeet

Option locale rapide. ~600 Mo sur disque, 5 à 10× plus rapide que Whisper sur CPU, anglais plus 24 langues européennes sans traduction vers l'anglais. Pas de langues asiatiques : les streamers japonais, coréens ou chinois ne peuvent pas utiliser Parakeet.

Local — Whisper

Plus lent que Parakeet, disponible en huit tailles de modèle de Base (~140 Mo) à Large v3 (~3 Go). Les variantes multilingues couvrent 99 langues et supportent la traduction vers l'anglais ; les versions .en sont uniquement anglais avec le sélecteur de langue verrouillé.

Si vous streamez depuis un bureau avec un CPU récent ou un Mac à puce M, essayez d'abord le mode local. Le cloud est la solution de secours quand vous avez besoin d'une langue que Parakeet ne couvre pas ou que vous voulez la recherche web d'OpenAI intégrée au même raccourci. Votre ordinateur a déjà un microphone et un CPU ; il n'a pas besoin d'un serveur dans la boucle pour une seule phrase de note de modération.

J'ai essayé un jour de sous-titrer mon propre stream de code et le modèle a retranscrit chaque git commit en nom d'outil de jardinage improbable. C'est à ce moment-là que j'ai arrêté d'utiliser les sous-titres en direct pour les clips et que j'ai commencé à faire passer les transcriptions par une relecture manuelle. Le flux de dictée entre les scènes a tenu sur des centaines de notes de modération sans raté notable. Des usages différents, des niveaux de fiabilité différents.

Quand passer à autre chose que Whisper

La matrice honnête :

• Vous voulez seulement des sous-titres fermés en direct incrustés dans la diffusion. Utilisez le plugin OBS Closed Captions et c'est réglé. Whisper n'est pas un moteur de sous-titres en direct pour OBS ; nous sommes l'outil de dictée à côté.
• Vous voulez une voix robotique qui lit les messages de donation. Utilisez SoundAlerts ou StreamElements ; c'est du TTS, le sens inverse.
• Vous avez besoin de transcrire des années de VODs en lot. whisper.cpp open source ou faster-whisper acceptent les fichiers directement et ne coûtent rien. Nous n'avons pas encore d'interface d'upload de fichiers.
• Vous streamez depuis un Mac Intel. Whisper by Remskill est disponible pour Windows x86_64 et macOS Apple Silicon uniquement ; les Mac Intel ne sont pas supportés. Les services cloud fonctionnent très bien dans un navigateur quelle que soit la machine.

Si votre cas d'usage est la dictée entre les scènes, les transcriptions de VOD via loopback, ou les notes post-stream, c'est notre terrain. Pour tout le reste sur cette liste, utilisez ce qui convient.

La majeure partie du setup de reconnaissance vocale pour Twitch, c'est de la plomberie : un plugin OBS que vous installez une fois, un pilote loopback que vous finissez par oublier, un raccourci que vous configurez et ne reconfigurez jamais. Le vrai travail est ailleurs. Les sous-titres valent-ils que l'audio quitte votre machine ? Quel clip de 60 secondes sur trois heures de stream vaut l'effort d'extraction ? Taper ou dicter quand les modos sonnent ? Choisissez l'outil qui ne vous freine pas à la troisième heure d'un stream, parce que c'est là que ça compte.