Glossaire
Le chunking consiste à diviser un long enregistrement audio en morceaux plus courts avant de transcrire chacun d'eux séparément. Les modèles modernes ASR incluant Whisper ont une fenêtre de contexte fixe — Whisper traite l'audio en fenêtres de 30 secondes. Pour transcrire un podcast de 2 heures, l'audio doit être chunké, traité en parallèle, et les résultats recollés.
Pourquoi le découpage existe
Les modèles de transformateurs évoluent de manière quadratique avec la longueur de l'entrée — doubler la longueur de l'audio quadruple le calcul et la mémoire. L'ASR neuronal pratique fonctionne sur des fenêtres de taille fixe (Whisper : 30 secondes ; certains modèles : 60-90 secondes). Pour un audio plus long, vous avez deux options : un modèle de streaming qui traite une fenêtre coulissante, ou le découpage de l'entrée en morceaux, la transcription de chacun, et la concaténation. Nous utilisons la deuxième approche avec des morceaux de 10 minutes par travailleur parallèle.
Pourquoi les limites de découpage sont importantes
Le découpage naïf à des intervalles de secondes fixes peut diviser un mot ou une phrase en deux — "transcrip-" + "-tion" au lieu de "transcription". Pour éviter cela, les découpeurs utilisent VAD (détection d'activité vocale) pour trouver les limites de silence (>200 ms de silence) et ne découper que sur celles-ci. Résultat : chaque morceau commence et se termine par un silence, aucun mot n'est coupé, aucun artefact de limite dans la transcription finale.
Comment nous découpions en production
Lorsque vous téléchargez un fichier de plus de 10 minutes, notre pipeline exécute Silero VAD pour trouver les points de division candidats, choisit les points de division près de chaque marque des 10 minutes qui tombent à l'intérieur des régions de silence, et envoie chaque morceau à Whisper en parallèle. Les horodatages sont normalisés — le 0:00 interne du morceau 2 devient 10:00 dans la transcription fusionnée. L'utilisateur voit une seule transcription sans couture, et non cinq morceaux collés ensemble.
En pratique
Un entretien de 2 heures devient 12 morceaux d'environ 10 minutes chacun. Chaque morceau prend environ 12 secondes à traiter sur Whisper. Exécutez les 12 en parallèle : le temps total d'horloge est le morceau le plus lent, environ 15 secondes — au lieu de 144 secondes en série. L'utilisateur obtient la transcription complète presque aussi vite qu'un fichier de 10 minutes.
Termes associés
Transcrire un audio long
Commencez — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
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.
Découpage 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 /transcribe-audio-to-text 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.