ASR
Reconnaissance vocale automatique. Terme technique générique désignant tout système convertissant l'audio parlé en texte écrit.
Référence
Définitions en langage simple des termes techniques utilisés dans la conversion de la parole en texte et la transcription par IA. Les principales entrées sont liées à des pages dédiées avec des explications et des exemples plus approfondis.
Reconnaissance vocale automatique. Terme technique générique désignant tout système convertissant l'audio parlé en texte écrit.
Modèle ASR open-source publié par OpenAI en 2022. Entraîné sur 680 000 heures d'audio multilingue. Désormais infrastructure standard pour la plupart des outils de transcription IA, y compris Transcript.you.
La variante de Whisper diffusée via l'API d'OpenAI (whisper-1) est plus ancienne et prend en charge le JSON détaillé avec horodatages de segments. Whisper Large v3 est la dernière version open-source, avec une meilleure précision sur l'audio bruyant et accentué.
Le composant d'un système ASR qui mappe les formes d'onde audio brutes aux probabilités de phonèmes.
Le composant qui transforme les suppositions de phonèmes en mots réels en prédisant les séquences de mots probables. Les transformateurs de type Whisper intègrent les deux dans un seul modèle.
Une stratégie de décodage utilisée par les moteurs ASR : au lieu de choisir le mot suivant le plus probable à chaque étape (glouton), le système suit les k séquences candidates les plus élevées et choisit le chemin complet le mieux noté. Échange de calcul pour la précision.
Perte de Classification Temporelle Connectionniste — un objectif d'entraînement qui permet aux réseaux ASR d'apprendre les alignements entre les trames audio et les caractères sans étiquettes par trame. A révolutionné la reconnaissance vocale de bout en bout.
Une représentation visuelle des fréquences audio tracées sur l'échelle de Mel (uniforme perceptuellement). Le format d'entrée standard pour les réseaux de neurones modernes de reconnaissance automatique de la parole, y compris Whisper.
Division d'un fichier audio long en segments plus courts avant de l'envoyer au moteur ASR. Whisper a une fenêtre de contexte de 30 secondes en interne ; les outils découpent aux limites de 10 minutes pour rester dans les limites du modèle.
Associer une transcription connue à son audio pour produire des horodatages par mot. Utilisé pour améliorer la précision des sous-titres après le premier passage de l'ASR.
Une étape de pré-traitement qui détecte les parties d'un flux audio contenant de la parole par rapport au silence ou au bruit. Économise du temps de traitement en sautant les segments non vocaux.
Détection en temps réel de l'instant où un utilisateur a cessé de parler — le déclencheur pour finaliser les sous-titres en direct ou envoyer les résultats de dictée aux systèmes en aval.
Reconnaissance vocale qui émet des résultats partiels à mesure que l'audio arrive, au lieu d'attendre que l'enregistrement soit terminé. Nécessaire pour les sous-titres en direct et l'IA conversationnelle.
La transcription en temps réel traite un flux audio en direct à mesure qu'il est parlé (sous-titres en direct). La transcription par lots traite un fichier enregistré complet. Les lots sont généralement plus précis ; le temps réel a une latence de 1 à 3 secondes.
Une étape de post-traitement qui ajoute des virgules, des points et des majuscules à la sortie brute de l'ASR, qui produit à l'origine des flux de mots sans ponctuation.
Un modèle de post-traitement spécialisé qui transforme la sortie ASR en minuscules et sans ponctuation en un texte correctement ponctué et mis en forme. Whisper intègre cela directement ; les anciens pipelines utilisent un modèle séparé.
L'algorithme utilisé pour compresser et décompresser les données audio. MP3, AAC, FLAC, Opus et PCM sont tous des codecs. Différents codecs font des compromis entre la taille du fichier, la qualité et le coût de calcul.
Nombre de fois par seconde où un signal audio est mesuré, en Hz. La qualité CD est de 44 100 Hz ; les enregistrements modernes utilisent souvent 48 000 Hz. Des taux d'échantillonnage plus élevés capturent plus de détails mais produisent des fichiers plus volumineux.
Nombre de bits de données utilisés par seconde d'audio, en kbps. Le streaming MP3 est à 128 kbps ; la qualité podcast est de 192-256 kbps ; l'archivage sans perte est de 1 000+ kbps.
L'unité de fréquence : cycles par seconde. Les signaux audio sont décrits par leur fréquence d'échantillonnage (par exemple 44 100 Hz) et leur contenu fréquentiel. La parole humaine se situe environ entre 80 Hz et 8 000 Hz.
Compression avec perte (MP3, AAC, OGG) supprime des données audio pour réduire la taille du fichier. Sans perte (FLAC, ALAC, WAV) conserve chaque bit. Pour la transcription, la compression avec perte à 128 kbps+ est indiscernable de la compression sans perte.
Champs de métadonnées intégrés dans MP3 fichiers : titre, artiste, album, année, genre, etc. N'affectent pas la transcription mais sont utiles pour l'organisation par lots des fichiers podcast avant transcription.
Le processus d'identification de "qui a dit quoi" dans un enregistrement multi-locuteurs. Souvent étiqueté comme Intervenant 1, Intervenant 2, etc. Nécessite un modèle séparé de la transcription de base.
Un vecteur de longueur fixe qui capture les caractéristiques vocales d'un locuteur. Utilisé dans la diarisation pour regrouper les segments par identité du locuteur sans connaître les noms à l'avance.
Format Rich Transcription Time Marked. Format basé sur des lignes standard pour stocker la sortie de diarisation : quand chaque locuteur commence et arrête de parler. Utilisé dans les benchmarks de recherche comme DIHARD.
La métrique d'exactitude standard pour la diarisation des locuteurs : pourcentage du temps audio où le système attribue le mauvais locuteur (ou manque de la parole). Les systèmes de pointe atteignent un DER de 5-15% sur les benchmarks conversationnels.
Format de fichier de sous-titres Subrip. Le format de sous-titres le plus largement pris en charge, compatible avec YouTube, VLC, Premiere, Final Cut et DaVinci Resolve.
Pistes de texte vidéo web. Le format de sous-titres natif des vidéos HTML5. Utilisé par Vimeo, les lecteurs basés sur navigateur, et les systèmes modernes de gestion de contenu vidéo web.
Un marqueur temporel sur chaque ligne d'une transcription, généralement au format MM:SS ou HH:MM:SS. Obligatoire pour les sous-titres ; facultatif pour le texte brut.
La transcription produit un fichier texte brut contenant tout ce qui est dit. Le sous-titrage produit de courtes lignes chronométrées optimisées pour la lecture à l'écran (généralement 32-40 caractères par ligne, maximum 2 lignes à l'écran).
Les sous-titres codés incluent l'audio non verbal (indications musicales, effets sonores, étiquettes de locuteurs) pour les sourds et malentendants. Les sous-titres partent du principe que le spectateur peut entendre et ne traduisent que le dialogue parlé.
Les sous-titres gravés sont intégrés dans les pixels vidéo (ne peuvent être désactivés). Les sous-titres annexes sont stockés séparément sous forme de SRT/VTT fichiers et activés par le lecteur. Les sous-titres des réseaux sociaux sont généralement gravés ; la vidéo web utilise des annexes.
Exigences des Directives d'accessibilité du contenu Web pour le contenu audio sous-titré : sous-titres synchronisés pour les médias préenregistrés (Niveau A), sous-titres en direct pour les médias en direct (Niveau AA), et descriptions audio pour les vidéos (Niveau AA).
Taux d'erreur en mots. Le pourcentage de mots qu'un moteur de transcription obtient incorrects, y compris les substitutions, les insertions et les suppressions. Plus bas est mieux. Les moteurs modernes atteignent 2 à 5 % de WER sur un audio propre.
Vitesse à laquelle un système de reconnaissance automatique de la parole (ASR) traite l'audio par rapport à sa durée. RTF = 0,5 signifie que le traitement d'1 heure d'audio prend 30 minutes. Whisper-1 sur un GPU rapide fonctionne à un RTF d'environ 0,1-0,3.
L'unité sonore la plus petite d'une langue. L'anglais compte environ 44 phonèmes. Les systèmes ASR associent en interne l'audio à des séquences de phonèmes avant d'assembler les mots.
Les schémas d'accentuation, d'intonation et de rythme dans la langue parlée. L'ASR moderne ignore pour la plupart la prosodie pour la transcription au niveau des mots, mais c'est la prochaine frontière pour la détection d'émotion et d'intention.
Un système de notation standardisé pour représenter les sons de toute langue parlée. Utilisé en linguistique et dans les guides de prononciation.
Mélanger deux langues ou plus au sein d'une seule phrase — courant chez les locuteurs bilingues. Un cas difficile pour l'ASR ; Whisper-3 gère les paires bilingues courantes (espagnol-anglais, mandarin-anglais) mais l'exactitude chute sur les combinaisons rares.
La tendance involontaire des locuteurs à élever la voix et à articuler plus clairement dans des environnements bruyants. Les enregistrements réalisés dans un environnement bruyant semblent plus forts que la conversation normale, ce qui complique la RAS si le modèle n'a pas été entraîné sur la parole de Lombard.
Un outil largement utilisé de l'Institut Max Planck pour annoter des enregistrements audio et vidéo, courant dans les flux de travail de linguistique et de recherche qualitative. Lit les transcripts produits ailleurs.
Vous cherchez plus de profondeur ? Lisez le Guide complet de la transcription IA pour un guide complet des formats, de la précision et des outils.
Dernière mise à jour : 16 novembre 2026