Les logiciels de transcription, expliqués

La vérité ennuyeuse sur la précision (et le piège des 95 %)

Tous les logiciels de transcription sur internet revendiquent une précision comprise entre 95 et 99 %. Notta affiche 98,86 %. Happy Scribe vend un niveau de transcription humaine à 99 %. Notre propre FAQ en page d'accueil dit que la précision en mode local « varie généralement de 95 % à 99 % ». Aucun de ces chiffres n'est un mensonge. Ce sont simplement les mauvais chiffres, présentés sans préciser l'audio sur lequel ils ont été mesurés.

Voici ce que dit la recherche sous-jacente. Le Whisper large-v3 d'OpenAI est le modèle contre lequel pratiquement tous les outils de transcription modernes s'étalonnent, se copient ou se mesurent. Il affiche un taux d'erreur de mots (WER) moyen de 7,44 % sur le classement public ASR de Hugging Face. Sur LibriSpeech-clean (des enregistrements de livres audio en conditions studio), le même modèle atteint 2,01 % de WER. Sur AMI, le benchmark standard de salle de réunion avec des voix qui se chevauchent et une mauvaise acoustique, le même modèle atteint 15,95 % de WER. Même modèle. Même semaine. Huit fois plus d'erreurs sur l'audio de mauvaise qualité.

Cet écart, c'est le piège des 95 %. « 95 % de précision » en conditions studio peut tomber à 84 % dans la réunion que votre patron a lancée depuis une voiture en mouvement. La fiche modèle d'OpenAI le dit clairement : les performances varient selon les langues, sont moins bonnes pour celles avec peu de ressources, et fluctuent selon l'accent, l'âge, le sexe et l'origine. NVIDIA dit la même chose sur Parakeet : 1,93 % de WER sur LibriSpeech-clean, 11,31 % de WER sur AMI.

Donc quand vous lisez un chiffre de précision sur une page marketing, posez la question que le vendeur n'a pas répondue. Sur quel audio. Avec quel microphone. Dans quelle langue. Avec combien de locuteurs qui se coupent la parole. Si la page ne le précise pas, supposez que c'est le meilleur cas. Puis supposez que votre audio réel est pire.

La vérité ennuyeuse, c'est que la meilleure amélioration que vous puissiez apporter à votre précision de transcription, c'est un microphone, pas un modèle.

Transcription IA vs. transcription humaine

Deux types de logiciels de transcription existent aujourd'hui. Ils sont présentés comme s'ils étaient la même chose, ce qui est la source de la moitié de la confusion.

La transcription IA est le type rapide et bon marché. Vous téléchargez un fichier, ou vous dictez en direct, et un modèle vous renvoie du texte en quelques secondes. La précision se situe quelque part entre 84 % (une mauvaise réunion) et 98 % (un mémo vocal propre). Happy Scribe facture $0,20 par minute en recharges sur ses forfaits IA. Notre propre mode Cloud vous facture environ $0,003 par minute directement via OpenAI. Otter, Notta, Trint, Descript, Jamie : tous fonctionnent sur de l'IA en coulisses, souvent les mêmes modèles.

La transcription humaine est le type cher et patient. Une personne écoute votre audio et le tape. Le niveau humain de Happy Scribe commence à $2,00 par minute. Ils affichent 99 % de précision avec un délai de livraison de quatre heures minimum. Rev, GoTranscript, et quelques autres se situent à peu près dans la même fourchette de prix. Le cas d'usage est réel mais restreint : transcriptions judiciaires, dépositions médicales, tout ce où un résultat IA à 92 % contenant le mauvais nom de médicament vous mènera devant un tribunal.

La plupart des personnes qui lisent ceci veulent de l'IA. Utilisez le tableau pour en être sûr.

L'erreur que je vois les gens faire, c'est payer pour de la transcription humaine par peur. Et ne jamais lire le résultat parce qu'il arrive six heures plus tard, quand ils ont déjà tourné la page. Si la réponse sera ignorée d'ici mardi, la transcription IA est suffisante.

Cloud vs. local : où va votre audio

Personne ne veut lire cette partie et tout le monde devrait. Choisissez un outil de transcription et l'audio de votre voix — chaque mot — se retrouve quelque part. Le quelque part a son importance.

La transcription cloud signifie que votre audio quitte votre ordinateur. Il est envoyé au serveur d'un fournisseur, transcrit par un modèle tournant sur leur matériel, et le texte (et généralement l'audio) est stocké le temps que vous le récupériez. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow : tous en cloud. Notre propre mode Cloud aussi, avec une nuance importante. En mode Cloud, l'audio est envoyé depuis votre machine directement à OpenAI en utilisant votre propre clé API. Whisper by Remskill n'est jamais au milieu, ne voit jamais l'audio, ne voit jamais les transcriptions. Le responsable de vos données est la société dont vous avez choisi le modèle.

La transcription locale signifie que l'audio ne quitte jamais votre ordinateur. Le modèle tourne sur votre CPU ou GPU. Aucun aller-retour réseau. Aucun log fournisseur. Aucune clause « nous pouvons utiliser vos données pour améliorer nos services ». Apple Dictation fait ça pour le texte général sur les Mac compatibles. Nos propres modes locaux (Parakeet et Whisper) le font sur Windows et les Mac Apple Silicon. Presque personne d'autre dans cette catégorie ne livre du 100 % local.

J'ai un jour assisté à une équipe interne d'une entreprise avec laquelle je travaillais accumuler une facture cloud-IA à cinq chiffres en un trimestre en dictant des enregistrements de standup quatre fois chacun. Le « smart retry » du prototype était trop agressif. Le DAF a ouvert le tableau de bord lors de la prochaine revue trimestrielle. La salle s'est faite très silencieuse. Le message n'est pas que le cloud est cher (en général ce n'est pas le cas, pour un utilisateur seul). Le message, c'est qu'on ne voit pas toujours ce qui quitte sa machine jusqu'à ce que quelqu'un vous demande de rendre des comptes.

La plupart des applications de dictée IA que vous voyez aujourd'hui annoncées à $30 par mois sont des enveloppes sur le même appel à l'API OpenAI Whisper que vous pourriez faire vous-même. Elles facturent la majoration cloud pour un logiciel qui fait principalement tourner le modèle sur leur serveur et en renvoie le résultat sur votre écran. Ce modèle existe depuis 2022. Ce qui est cher, ce n'est pas l'IA. Ce qui est cher, c'est l'abonnement récurrent. Si votre audio est sensible, ou si votre ordinateur portable date de moins de quatre ans et ne fait pas grand-chose d'autre, le local est le choix honnête.

That choice deserves its own breakdown, so our local vs cloud transcription guide spells out the accuracy, privacy, and cost trade between keeping audio on your machine and sending it to a server.

If that resonates, it is worth reading how offline speech-to-text desktop apps keep your voice on your own machine.

Ce que Whisper by Remskill fait (et ce qu'il ne fait pas)

Whisper by Remskill, c'est notre application. Un outil de bureau (Windows et Mac Apple Silicon) qui met la reconnaissance vocale derrière un raccourci. Vous appuyez sur le raccourci, parlez, relâchez, et le texte apparaît à votre curseur. Ça fonctionne dans n'importe quelle application : email, Word, Slack, éditeurs de code, la barre d'adresse du navigateur. Le pipeline local est gratuit pour tout utilisateur authentifié (Whisper, Parakeet, amélioration IA via Ollama, historique, préréglages, raccourci personnalisé). Aucune carte requise à l'inscription. Pro ajoute les fonctionnalités Cloud.

Nous proposons trois chemins de transcription. L'application ne choisit pas par défaut ; c'est vous qui choisissez :

Le raccourci par défaut est Ctrl+Space sur Windows et Command+Option sur macOS, tous deux personnalisables dans les Paramètres. Le mot d'activation IA par défaut (quand le traitement IA est activé) est « Hey whisper ». L'amélioration IA locale passe par Ollama sur localhost:11434. Trois préréglages de performance (Rapide, Équilibré et Précis) ajustent la taille de faisceau et les seuils de détection d'activité vocale en arrière-plan.

Ce que Whisper by Remskill ne fait pas : les bots de réunion. Nous ne rejoignons pas votre Zoom, nous ne le résummons pas ensuite, nous ne courons pas après les invitations de calendrier. Un outil sur votre machine, un raccourci, une insertion à votre curseur. Si vous voulez un assistant de prise de notes en réunion, vous cherchez une autre catégorie. Lisez la suite.

Une note sur les noms, parce que ça trompe presque tout le monde. Whisper-le-modèle-OpenAI est un modèle de reconnaissance vocale open source gratuit sorti en 2022. Whisper by Remskill est notre application de bureau, qui utilise ce modèle (parmi d'autres). Quand quelqu'un dit en ligne « j'utilise Whisper », la moitié du temps il parle du modèle et l'autre moitié du temps il parle d'un produit. Ça vaut la peine de garder ça en tête quand on lit des avis.

La superposition d'enregistrement, en trois états

La pastille apparaît en bas de votre écran dès que Whisper est actif. Elle reste discrète et n'empiète pas sur vos applications.

Choisir le bon modèle Whisper pour votre matériel

Les variantes anglaises (.en) ne gèrent que l'anglais — elles sont un peu plus rapides et un peu plus précises sur de l'audio anglais que leurs équivalents multilingues. Ne choisissez le multilingue que si vous dictez dans plusieurs langues ou avez besoin de la traduction vers l'anglais.

Les autres outils à connaître

Vous tomberez sur ces noms si vous cherchez « meilleur logiciel de transcription ». J'en ai utilisé la plupart, et quelques-uns que je garde sous la main pour des travaux que le nôtre ne fait pas.

Huit outils, passés en revue. Presque tout le reste dans cette catégorie est l'une de ces entreprises sous un autre nom, ou l'un de ces modèles dans une boîte plus petite.

If text-to-speech is what you actually need here is the honest free TTS roundup with the H1-vs-FAQ trick every "free" page hides.

Quand laisser tomber tous ces outils et utiliser simplement votre téléphone

Before you pay anyone anything, check what is already on your phone. iOS ships system-level dictation through Voice Control and the keyboard mic. Android ships Live Transcribe and Gboard voice typing. Both are free, no signup, work in every app, and the quality on modern phones is good enough for short text — we walked through the talk-to-text shortcuts on every device if you want the exact key combos.

Si votre besoin est « répondre à un SMS pendant que je fais à dîner » ou « écrire une note de 60 mots avant que cette réunion commence », le téléphone est la bonne réponse. Plus rapide qu'ouvrir un ordinateur portable, plus rapide que se connecter à quoi que ce soit, sans frais mensuels. La dictée Mac d'Apple vaut aussi le coup d'œil. Sur les Mac compatibles, elle traite le texte général sur l'appareil, dicte aussi longtemps que vous le souhaitez sans limite de durée fixe, et s'arrête d'elle-même après 30 secondes de silence. Ce délai de silence est la source du mythe persistant « Apple Dictation a une limite de 30 secondes » : ce n'est pas la limite d'enregistrement. Apple Dictation couvre 62 variantes linguistiques et régionales, ce qui est plus que la plupart des produits payants.

Là où le téléphone se montre limité, c'est pour la dictée prolongée dans des applications de bureau. Vous pouvez dicter un email sur votre téléphone. Vous pouvez dicter 12 variantes d'email de prospection dans votre CRM depuis votre téléphone. Vous allez détester l'expérience. Un outil de bureau gagne là sa place. En attendant, le téléphone est gratuit.

If most of your desktop dictation is email — specifically dictating Gmail replies on a laptop — there is a separate breakdown of the Chrome-extension path versus the system-app path that goes deeper than this article does.

Tarifs

La plupart des outils de transcription veulent entre $20 et $50 par mois. Nous facturons moins, et vous pouvez payer une seule fois.

La grille tarifaire de cette catégorie se divise en quatre segments. Les outils d'abonnement uniquement IA (Otter, Trint, Notta, Descript, Jamie) se situent entre $10 et $50 par utilisateur et par mois, parfois avec un niveau gratuit généreux plafonné en minutes d'enregistrement. Les services IA-plus-humain comme Happy Scribe facturent à la minute en plus d'un abonnement ; le niveau humain seul tourne de $1,90 à $2,00 par minute. Les outils de dictée par raccourci (Wispr Flow, nous) sont tarifés comme des logiciels de productivité, mensuel ou annuel par utilisateur unique, parfois avec une option à vie. Puis il y a l'option gratuite : Apple Dictation, Google Voice Typing, le micro intégré de votre téléphone. Zéro par mois aussi longtemps qu'Apple et Google font tourner ces systèmes d'exploitation.

La règle de décision honnête n'est pas « qu'est-ce qui est le moins cher ». C'est « quel est le coût récurrent sur les trois prochaines années pour ce que je fais vraiment ? » Un outil de réunion à $20 par mois que vous utilisez deux fois par semaine, c'est $720 sur trois ans. Un achat unique à vie d'un outil de dictée que vous utilisez quotidiennement, c'est une seule facture. Multipliez votre habitude mensuelle par 36 avant de cliquer sur s'abonner. Le calcul est rarement favorable à un abonnement que vous utilisez une fois par semaine.

Nos chiffres actuels (mensuel, annuel, à vie, équipe) se trouvent sur la page de tarifs. Je ne les cite pas ici parce qu'ils changent et la page est la source de vérité.

La version ennuyeuse de cet article, c'est que vous savez déjà ce dont vous avez besoin. Vous écrivez toute la journée ? Un outil de dictée par raccourci, local ou cloud. Une réunion par semaine ? Un assistant de prise de notes en réunion, abonnement mensuel. Un seul entretien de 90 minutes ? Payez $0,20 la minute à Happy Scribe et passez à autre chose. Une déposition judiciaire ? Prenez un humain. La version moins ennuyeuse, c'est que la plupart des gens dans cette catégorie paient pour le mauvais produit parce que les pages marketing sont toutes écrites par les mêmes trois personnes. Le bon réflexe, c'est de regarder ce que vous faites cette semaine, pas ce que vous espérez faire le mois prochain, et de choisir l'outil dont l'accroche décrit exactement ça. Le reste, c'est du bruit.