Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Speech-to-text

Le speech-to-text (transcription de la parole), aussi appelé reconnaissance automatique de la parole (ASR), est un logiciel qui convertit l'audio parlé en texte écrit. Il alimente la transcription, les sous-titres, les commandes vocales et la partie écoute des agents vocaux.

Aussi appelé : ASR, automatic speech recognition, transcription, STT

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

Un modèle de speech-to-text reçoit de l'audio, généralement découpé en courtes trames, et produit les mots qu'il entend, souvent avec des horodatages. C'est la première étape des comptes rendus de réunion, des transcriptions de podcasts, des sous-titres, de l'analyse d'appels et de tout agent vocal.

Comment ça marche

Les modèles d'ASR modernes sont des réseaux de neurones entraînés sur de grandes quantités d'audio associé à du texte. Whisper d'OpenAI en est un exemple connu : il a été entraîné sur 680 000 heures d'audio et de transcriptions issues du web, et il gère de nombreuses langues sans fine-tuning propre à une tâche. Vous pouvez le faire tourner vous-même avec openai-whisper ou des variantes plus petites comme Whisper large v3 turbo.

Ce qu'il faut comparer

Le taux d'erreur sur les mots pour un audio semblable au vôtre, la vitesse, la prise en charge du streaming pour l'usage en direct, la couverture linguistique, la ponctuation et le prix à la minute. Les scores de benchmark sur un audio propre peuvent sembler bien meilleurs que les résultats sur des appels téléphoniques bruités.

Termes associés

L'ASR vous dit ce qui a été dit. La diarisation des locuteurs vous dit qui l'a dit, et beaucoup d'outils de transcription combinent les deux. Le sens inverse est le text-to-speech.

Limites

Les accents, les conversations croisées, le bruit de fond et le jargon d'un domaine font monter les taux d'erreur. Certains modèles inventent aussi des mots pendant les silences ou la musique, une forme d'hallucination.

Termes liés

Text-to-speech
Le text-to-speech (TTS, synthèse vocale) est un logiciel qui transforme un texte écrit en audio parlé. La TTS moderne utilise des réseaux de neurones qui prédisent le son de la parole à partir du texte, puis le restituent sous forme d'onde sonore.
Diarisation des locuteurs
La diarisation des locuteurs (speaker diarization) consiste à découper un enregistrement audio par locuteur, en indiquant pour chaque passage de parole qui l'a prononcé. Elle répond à la question « qui a parlé quand ».
Agent vocal
Un agent vocal (voice agent) est un agent d'IA qui tient une conversation orale en temps réel : il écoute une personne, décide quoi dire ou faire et répond avec une voix de synthèse, souvent sur une ligne téléphonique ou dans une application.
Modèle speech-to-speech
Un modèle speech-to-speech (parole à parole) reçoit de l'audio parlé et produit directement de l'audio parlé, sans convertir d'abord la parole en texte puis l'inverse. Il sert à la conversation vocale en direct et à la traduction.
Hallucination (IA)
Une hallucination est une sortie d'un modèle d'IA qui paraît fluide et assurée mais qui est fausse, non étayée par ses sources ou inventée, comme une référence, une citation, une statistique ou une fonction d'API imaginaires.

Sources