N'oubliez pas de nous ajouter aux favoris !

Glossaire

Whisper — Le modèle de reconnaissance vocale d'OpenAI expliqué

Whisper est le modèle open-source de reconnaissance vocale automatique (ASR) publié par OpenAI en septembre 2022. C'est le point d'inflexion qui a rendu la transcription IA grand public — la précision est passée de 70-85 % (ASR d'avant 2020) à 95-97 % sur audio clair, tout en prenant en charge plus de 50 langues avec un seul modèle. La plupart des outils de transcription modernes — y compris le nôtre — exécutent Whisper ou une variante de Whisper en arrière-plan.

Qu'est-ce qui rend Whisper différent

Trois points. (1) Échelle des données d'entraînement: 680 000 heures d'audio récupérées sur le web, délibérément bruyantes, multilingues, et incluant l'anglais et plus de 50 autres langues dans un seul modèle. (2) Architecture: un encodeur-décodeur transformateur standard, mais avec une injection de bruit délibérée pendant l'entraînement afin que le modèle gère les enregistrements du monde réel plutôt que ceux propres aux studios. (3) Poids ouverts: chaque variante est téléchargeable, exécutable sur un GPU que vous possédez, sans API nécessaire. C'est le grand changement — l'ASR propriétaire (Google, Microsoft) était la norme jusqu'à Whisper.

Variantes de Whisper

whisper-1 est la version servie par l'API d'OpenAI (nous utilisons celle-ci) — rapide, prend en charge le JSON verbeux avec des horodatages de segment, $0.006/minute via l'API. Whisper Large v3 est le modèle open-source phare — nécessite ~10GB de RAM GPU, fonctionne localement, sans coût d'API. distil-whisper est une version distillée 6 fois plus petite qui fonctionne sur CPU. WhisperX ajoute l'alignement forcé pour le timing au niveau du mot.

Limitations

Whisper hallucine sur les longs silences (il inventera du texte). Il a du mal avec la parole très rapide et les voix qui se chevauchent. Il ne fait pas de diarisation de manière native — cela nécessite un modèle séparé. Et il a une fenêtre de contexte de 30 secondes, donc l'audio plus long est découpé (nous découpions aux limites de 10 minutes pour être sûrs).

En pratique

Lorsque vous téléchargez un MP3 sur Transcript.you, l'audio est converti en un spectrogramme mel à 16kHz, envoyé à l'endpoint whisper-1 d'OpenAI, et la réponse est analysée pour obtenir le texte et les horodatages par segment. Pour un podcast de 60 minutes, le temps total de traitement par Whisper est d'environ 90 secondes.

Termes associés

Lectures complémentaires

Transcrire avec Whisper

Commencez — gratuitement

Dernière mise à jour : 16 novembre 2026

Questions Fréquemment Posées

Que signifie Chuchotement en transcription ?

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.

Pourquoi Chuchotement critère lors du choix d'un flux de travail de transcription ?

Chuchotement 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.

Où puis-je appliquer Chuchotement sur Transcript.you ?

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.