Moteurs

Audiotext transcrit avec l’un de trois moteurs, choisi dans la carte Moteur des paramètres de transcription.

	WhisperX	API Whisper	API Google
S’exécute sur	Votre ordinateur	Serveurs d’OpenAI	Serveurs de Google
Internet	Seulement pour télécharger les modèles	Requis	Requis
Coût	Gratuit, illimité	Payant	Offre gratuite (60 min/mois), ou payant avec une clé API
Détecte la langue	✓	✓	✗
Traduit	✓	✓	✗
Horodatages	✓	Selon le modèle	✗
Identifie les locuteurs	✓ (jeton Hugging Face)	`gpt-4o-transcribe-diarize`	✗
Minutage par mot	✓	`whisper-1`	✗
Texte en direct	✓	✗	✗
Mots peu fiables	✓ (minutage par mot)	`whisper-1` (segments)	✗

WhisperX

WhisperX est une implémentation rapide de Whisper d’OpenAI qui s’exécute sur votre ordinateur : votre audio ne le quitte jamais. Il tourne sur le CPU ou, bien plus vite, sur un GPU NVIDIA avec CUDA ou sur le GPU d’un Mac avec Apple Silicon.

Modèle

Les modèles plus grands sont plus précis, mais plus lents et utilisent plus de mémoire. Le modèle est téléchargé lors de sa première utilisation.

Modèle	Paramètres	VRAM requise
`tiny`, `tiny.en`	39 M	~1 Go
`base`, `base.en`	74 M	~1 Go
`small`, `small.en`	244 M	~2 Go
`distil-small.en`	166 M	~2 Go
`medium`, `medium.en`	769 M	~5 Go
`distil-medium.en`	394 M	~3 Go
`large-v1`, `large-v2`, `large-v3`	1550 M	<8 Go
`large-v3-turbo`	809 M	~6 Go
`distil-large-v2`, `distil-large-v3`, `distil-large-v3.5`	756 M	~5 Go

large-v2 est le modèle par défaut, car large-v3 a tendance à halluciner et à répéter du texte plus souvent, surtout dans certaines langues comme le japonais, et omet plus de ponctuation.
large-v3-turbo est une version allégée de large-v3, bien plus rapide et presque aussi précise.
Les modèles se terminant par .en (tiny.en, base.en, small.en, medium.en) et les modèles distillés (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) ne transcrivent que l’anglais. Ils sont plus rapides que les modèles multilingues de même taille.

Sur un Mac

Sur les Mac avec Apple Silicon, MLX Whisper transcrit sur le GPU, bien plus vite que sur le CPU. WhisperX aligne ensuite les mots et identifie les locuteurs sur le CPU, comme toujours : les transcriptions conservent donc leur minutage par mot, leurs notes et leurs locuteurs.

La version MLX du modèle est téléchargée lors de sa première utilisation.
distil-small.en, distil-large-v2 et distil-large-v3.5 n’ont pas de version MLX : ils tournent donc sur le CPU.
Le texte en direct tourne toujours sur le CPU.
Type de calcul et Taille de lot ne s’appliquent pas sur le GPU, car MLX calcule toujours en demi-précision et sans lots.
Pour transcrire sur le CPU, activez Utiliser le CPU dans Préférences → Transcription.

Options avancées

Elles se trouvent dans Préférences → Transcription → WhisperX. Ne les modifiez qu’en cas de problème ou si vous savez ce que vous faites : un GPU à court de mémoire peut figer votre système.

Type de calcul : la précision des nombres du modèle. float16 est plus rapide sur les GPU NVIDIA (la valeur par défaut avec CUDA). int8 utilise moins de mémoire et est la valeur par défaut sur CPU, car de nombreux CPU ne gèrent pas float16 efficacement. float32 est le plus précis, pour les GPU de plus de 8 Go de VRAM.
Taille de lot : le nombre de parties de l’audio traitées à la fois (8 par défaut). Elle ne change pas la qualité, seulement la vitesse. Réduisez-la si la mémoire manque ; jusqu’à 16 est recommandé.
Utiliser le CPU : exécute WhisperX sur le CPU. Toujours activé si aucun GPU n’a été trouvé (un GPU NVIDIA avec CUDA, ou le GPU d’un Mac avec Apple Silicon).

API Whisper

Utilise l’API de reconnaissance vocale d’OpenAI. Elle est destinée aux ordinateurs qui ne peuvent pas faire tourner WhisperX correctement, et nécessite une clé API OpenAI (consultez Clés API).

Modèle	Horodatages	Locuteurs	Remarques
`whisper-1` (par défaut)	✓	✗	Peut être lu segment par segment et sous-titré. Traduit vers l’anglais. Note chaque segment, pour réviser les moins fiables.
`gpt-transcribe`	✗	✗	Plus précis, mais sans horodatage.
`gpt-4o-transcribe-diarize`	✓	✓	Identifie les locuteurs. N’utilise ni les mots-clés ni la description.

Les traductions vers l’anglais sont toujours faites par whisper-1, le seul modèle qui traduit.

Les audios longs sont découpés en morceaux de 10 minutes maximum, coupés sur un silence pour ne couper aucun mot, car l’API refuse les fichiers de plus de 25 Mo. Avec whisper-1, la fin de chaque morceau est fournie comme contexte au suivant ; avec gpt-4o-transcribe-diarize, un échantillon de la voix de chaque locuteur est envoyé avec les morceaux suivants, pour qu’ils conservent leurs libellés.

Options

Format de réponse (carte Sortie, pour les dossiers) : text (par défaut), json, verbose_json, srt ou vtt. Les sous-titres et verbose_json nécessitent un modèle avec horodatage.
Température (Préférences → Transcription) : entre 0 et 1. Les valeurs élevées comme 0,8 rendent le résultat plus aléatoire, et les valeurs basses comme 0,2 plus ciblé. Avec 0 (par défaut), le modèle l’augmente automatiquement si nécessaire.
Horodatage des mots (Préférences → Transcription) : si whisper-1 renvoie aussi l’horodatage de chaque mot, pour le surligner pendant la lecture. Plus long. Activé par défaut.

API Google

Utilise l’API Speech-to-Text de Google. Elle ne ponctue pas les phrases (Audiotext ajoute la ponctuation), et sa qualité est inférieure à celle de Whisper : les transcriptions nécessitent donc souvent des corrections. Elle ne peut ni détecter la langue ni traduire, et renvoie du texte brut sans horodatage.

Sans clé API, l’offre gratuite est utilisée, limitée à 60 minutes par mois. Pour l’étendre, configurez une clé API Google. Google facture son utilisation, dont Audiotext n’est pas responsable.