Glossaire
Un spectrogramme Mel est le format d'entrée pour les modèles modernes de reconnaissance vocale. Il s'agit d'une image 2D où l'axe X est le temps, l'axe Y est la fréquence, et la luminosité des pixels est l'amplitude — mais avec l'axe des fréquences déformé selon l'échelle Mel, qui est uniformément perceptuelle (1 kHz semble moitié moins élevé que 2 kHz pour un auditeur humain). Whisper, wav2vec, Conformer et tous les modèles ASR actuels prennent un spectrogramme Mel en entrée.
Pourquoi l'échelle de Mel et pas les Hz réguliers ?
L'audition humaine est logarithmique en fréquence. La différence de hauteur entre 100 Hz et 200 Hz semble plus grande que la différence entre 5 000 Hz et 5 100 Hz, même si elles sont toutes deux séparées de 100 Hz numériquement. L'échelle de Mel est une transformation non linéaire qui approxime la façon dont les humains perçoivent la hauteur — des points équidistants sur l'échelle de Mel semblent également éloignés pour nous. L'entraînement de l'ASR sur des spectrogrammes de Mel donne au modèle une représentation alignée perceptuellement, qui généralise mieux que la fréquence brute.
Comment un spectrogramme de Mel est calculé
Trois étapes. (1) Transformée de Fourier à court terme (STFT): faire glisser une fenêtre de 25 ms sur l'audio par sauts de 10 ms, prendre la FFT de chaque fenêtre, obtenir un spectrogramme à fréquence linéaire régulière. (2) Filtre bancaire Mel: appliquer ~80 filtres triangulaires espacés sur l'échelle Mel, en additionnant l'énergie de chaque filtre. (3) Compression logarithmique: prendre le logarithme de chaque valeur pour comprimer la plage dynamique. Résultat : une matrice de 80 canaux × T-trames qui est le spectrogramme mel.
À quoi cela ressemble
Ouvrez n'importe quel visualiseur de spectrogrammes (Audacity, sonic visualiser) et chargez une voyelle. Vous verrez des bandes horizontales aux formants — les résonances du tractus vocal. Différentes voyelles ("ee" vs "oo") ont des motifs de formants différents. Les consonnes apparaissent sous forme de rafales (occlusives) ou de bruit (fricatives). Les modèles ASR apprennent à lire ces motifs comme le ferait un phonéticien.
En pratique
Dans le pipeline de Transcript.you : lorsque vous téléchargez un MP3, FFmpeg le décode en PCM, nous rééchantillonnons à 16 kHz, puis calculons le spectrogramme mel (80 canaux mel, saut de 10 ms). C'est ce spectrogramme qui est envoyé à Whisper. La forme d'onde audio originale n'atteint jamais le modèle — seule sa représentation en spectrogramme mel.
Termes associés
Lectures complémentaires
Voir la transcription IA en action
Commencez — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
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.
Spectrogramme Mel 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.