Whisper

Ce que le modèle fait

Whisper prend un fichier audio et rend le texte correspondant, avec une ponctuation approximative et, selon les versions, des indications de temps. Il a été entraîné sur une grande variété d'enregistrements, ce qui lui donne une tolérance inhabituelle au bruit de fond, aux accents et aux changements de qualité de prise de son. Il gère plusieurs langues et propose une détection automatique de la langue parlée au début du fichier. Le texte produit reste brut : ni locuteur identifié, ni vocabulaire métier corrigé.

Le modèle existe en plusieurs tailles, de la version légère qui tourne sur un ordinateur portable à des versions plus lourdes qui demandent une carte graphique et davantage de mémoire. Le choix se fait sur un compromis entre vitesse, mémoire et qualité. Sur des réunions enregistrées au téléphone, la version intermédiaire suffit souvent ; sur des entretiens à transcrire mot à mot, une version plus grande réduit les erreurs. Une machine sans carte graphique dédiée reste utilisable, au prix d'un traitement plus lent.

Pourquoi le local compte

Un enregistrement de réunion contient souvent des informations sensibles : noms de clients, montants négociés, difficultés internes, éléments de stratégie. Le transcrire par un service distant suppose de l'envoyer à un tiers, avec les obligations qui en découlent en matière de sous-traitance et de conservation. Exécuter Whisper sur un serveur de l'entreprise ou du cabinet maintient l'audio sur place, ce qui simplifie l'analyse de risque. Cette différence pèse lourd dès qu'un client demande où sont hébergés ses enregistrements.

Le local permet aussi de traiter des volumes sans coût à la minute. Une association qui archive des dizaines d'heures d'entretiens peut les transcrire la nuit, sur une machine existante, sans facture variable ni abonnement. La contrepartie est l'installation et la maintenance : le modèle, les dépendances logicielles et la surveillance du service restent à la charge de celui qui l'héberge, avec les mises à jour que cela suppose. Sur un usage régulier, cette charge devient un poste de travail à part entière, pas un simple script lancé une fois.

Qualité et limites

La transcription reste une aide, pas un document opposable. Whisper produit parfois des phrases plausibles là où l'audio était inaudible, et invente une ponctuation qui change le sens d'une phrase. Il identifie mal les noms propres, les sigles métier et les termes créoles, qui ne figurent pas dans ses données d'entraînement. Une relecture par un humain qui connaît le sujet et le vocabulaire local reste indispensable. Les passages inaudibles méritent une marque explicite plutôt qu'une reconstitution silencieuse.

La séparation des locuteurs n'est pas native : le modèle transcrit ce qu'il entend sans dire qui parle. Sur une réunion à plusieurs, il faut ajouter un traitement distinct, ou accepter un texte continu où les prises de parole se mélangent. Enfin, la qualité dépend étroitement de la prise de son. Un micro unique posé au centre d'une table donne de bien meilleurs résultats qu'un téléphone oublié au fond de la salle. Un essai sur un enregistrement réel, avant tout achat de matériel, évite bien des déconvenues.