Glossaire
L'ASR est le terme technique qui recouvre tout système transformant l'audio parlé en texte — de la saisie vocale de votre téléphone aux moteurs de transcription commerciaux comme OpenAI Whisper. C'est un domaine de recherche vieux de 70 ans, devenu commercialement viable vers 2014 et ayant atteint une précision équivalente à celle de l'humain sur audio clair en 2022.
Comment fonctionne réellement l'ASR moderne
L'ASR moderne est un réseau de neurones transformateur. Il prend un signal audio, le convertit en un spectrogramme mel (une représentation visuelle des fréquences dans le temps), puis l'alimente dans un modèle qui produit une séquence de probabilités de tokens. Un décodeur (généralement recherche de faisceau) transforme ces probabilités en la séquence de mots la plus probable. La famille Whisper d'OpenAI est la référence actuelle — entraînée sur 680 000 heures d'audio multilingue.
Où l'ASR s'intègre dans votre flux de travail
Si vous avez utilisé Siri, Alexa, Google Saisie vocale, les sous-titres automatiques YouTube ou tout outil de transcription IA, vous avez utilisé l'ASR. Cette même technologie fonctionne en temps réel (sous-titres en direct, dictée) et par lots hors connexion (ce site, Otter, Rev). L'ASR en temps réel est plus difficile car vous ne pouvez pas voir l'avenir de la phrase ; le traitement par lots hors connexion est plus précis car il peut réviser.
Repères de précision en 2026
L'ASR moderne atteint des taux d'erreur de mot de 3-7% sur l'anglais clair, à locuteur unique. La précision chute à 88-94% sur l'anglais accentué ou l'audio bruyant, et à 80-88% sur le chevauchement de plusieurs locuteurs ou le jargon technique. Nous utilisons Whisper-3 directement sans ajustement fin propriétaire — cela maintient une forte précision généraliste dans toutes les langues.
En pratique
Déposez un épisode de podcast de 30 minutes dans notre uploader. L'audio est converti en spectrogramme Mel, transmis à Whisper, décodé par recherche par faisceau, et vous obtenez une transcription texte propre en 60 à 90 secondes. Temps de calcul total de notre côté : environ 2 secondes de GPU par minute d'audio.
Termes associés
Lectures complémentaires
Essayer la transcription IA
Commencez — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
Reconnaissance vocale automatique. Terme technique générique désignant tout système convertissant l'audio parlé en texte écrit.
ASR Affecte la manière dont vous comprenez la qualité de la transcription, le timing, la compatibilité ou la technologie derrière les résultats de la transcription vocale.
Utilisez le flux de travail associé à /ai-transcription lorsque vous souhaitez voir comment ce concept de glossaire se connecte à une tâche de transcription réelle.
Parcourir le glossaire de transcription ou lisez le guide complet de la transcription IA.