Comment fonctionne la transcription IA : les 6 étapes
Résumé
La transcription IA convertit la parole en texte via deux modèles enchaînés : un modèle acoustique lit le spectrogramme sonore, un LLM résout les ambiguïtés et ponctue. Sur audio propre, précision à 95-99 % ; sur réunions réelles, 85-92 %. La qualité de l'enregistrement fait plus de différence que l'outil choisi. Coût : 0,05 à 0,25 dollar par minute, contre 0,72 à 1,50 dollar pour la transcription humaine.
Comment fonctionne la transcription IA ? Elle convertit la parole en texte en enchaînant deux modèles spécialisés : un modèle acoustique qui lit la forme d'onde sonore comme une carte de fréquences et en extrait des séquences de phonèmes, et un modèle linguistique qui assemble ces séquences en mots, phrases et ponctuation cohérents. Sur un enregistrement propre avec un seul locuteur dans une pièce silencieuse, les systèmes actuels atteignent 95 à 99 % de précision et restituent un transcript en quelques minutes.
Sur des enregistrements réels -- réunions avec conversations croisées, appels avec bruit de fond -- la précision tombe à 85-92 %. C'est encore suffisamment rapide et économique pour que les flux hybrides IA avec relecture manuelle soient plus pertinents que la transcription humaine intégrale, pour la plupart des travailleurs du savoir.
Les six étapes du pipeline, de la voix au texte
Le pipeline est cohérent entre les services, même si les modèles sous-jacents diffèrent :
Capture audio -- le fichier est ingéré (téléchargé ou diffusé en direct) et normalisé dans un format que le modèle acoustique peut traiter.
Extraction du spectrogramme -- la forme d'onde audio brute est convertie en spectrogramme : une représentation fréquence/temps montrant quelles fréquences sonores sont actives à chaque instant.
Mapping des phonèmes -- le modèle acoustique identifie les phonèmes, les plus petites unités sonores, à partir du spectrogramme. Un mot comme "trente" se résout en /T-R-AN-T/ avant de devenir du texte.
Modélisation linguistique -- un modèle de langue prend la séquence de phonèmes et la résout en mots, en utilisant le contexte pour lever les ambiguïtés. "Le nouveau rapport" ou "le no rapport" : la décision se prend ici, pas à l'étape acoustique.
Diarisation des locuteurs -- si l'enregistrement contient plusieurs voix, un modèle distinct segmente le transcript par cluster de locuteur. Chaque segment reçoit une étiquette : Locuteur A, Locuteur B.
Post-traitement -- ponctuation, majuscules et corrections spécifiques au domaine sont appliquées. Le transcript est livré avec des horodatages au niveau du mot ou de la phrase.
Les étapes 1 à 3 prennent des millisecondes par minute d'audio. Les étapes 4 à 6 sont là où la qualité diverge entre les services.
Le modèle acoustique : lire le son comme un spectrogramme
Le modèle acoustique ne perçoit pas l'enregistrement comme un humain. Il lit un spectrogramme -- une carte de chaleur où l'axe horizontal est le temps, l'axe vertical est la fréquence, et l'intensité des couleurs représente l'amplitude. Le modèle n'a jamais eu l'expérience du son comme sensation. Il traite des données.
Whisper d'OpenAI, sorti en 2022 et désormais le référentiel auquel la plupart des services commerciaux se mesurent, utilise une architecture Transformer encodeur-décodeur. L'encodeur traite le spectrogramme via des couches d'auto-attention qui capturent les relations sur l'ensemble du clip audio. Contrairement aux anciens réseaux récurrents qui traitaient l'audio mot par mot, le Transformer lit l'enregistrement entier avant de générer du texte. Le décodeur produit ensuite le texte jeton par jeton, en s'appuyant sur l'audio encodé et sur ce qui a déjà été écrit.
Whisper Large-v3 atteint un taux d'erreur sur les mots (WER) de 2,7 % sur les données LibriSpeech test-clean : des enregistrements de livres audio avec un seul locuteur, sans bruit de fond, diction claire. Sur des réunions réelles avec plusieurs locuteurs et du bruit ambiant, le WER monte à 8-12 %. Cet écart entre les conditions de référence et les conditions réelles est le chiffre le plus utile à garder en tête quand vous lisez les annonces de précision des éditeurs.
Les modèles antérieurs comme Wav2Vec 2.0 et HuBERT utilisaient une approche de pré-entraînement auto-supervisée similaire, mais nécessitaient davantage d'ajustement fin par langue et domaine audio. L'avantage de Whisper tenait à son échelle : entraîné sur 680 000 heures d'audio web dans 96 langues, il généralisait mieux aux accents, aux équipements d'enregistrement et aux styles de parole que les modèles précédents n'avaient jamais rencontrés.
Pourquoi la couche LLM a tout changé depuis 2022
Avant que les grands modèles de langue ne deviennent accessibles à grande échelle, le modèle acoustique portait l'essentiel du travail de transcription. Si une séquence de phonèmes était ambiguë, le système devinait sur la base de probabilités n-grammes. C'est pourquoi les anciens logiciels de transcription produisaient régulièrement le mauvais homophone ou rataient complètement les noms propres.
Le changement post-2022 : beaucoup de services font maintenant passer la sortie brute du modèle acoustique par un LLM pour le post-traitement. Le LLM lit l'ensemble du transcript provisoire en contexte et corrige les erreurs que le modèle acoustique a signalées comme incertaines. Il ajoute des virgules là où la pause audio en suggérait une. Il résout "son / sont" en utilisant les phrases environnantes. Dans certains services pour l'entreprise, il applique des dictionnaires métiers -- médical, juridique, financier -- pour corriger le vocabulaire que le modèle acoustique a mal rendu.
Un sous-ensemble croissant de services utilise la couche LLM non seulement pour la correction d'erreurs, mais pour la synthèse en aval : résumés de réunions, extraction d'actions à mener, brouillons de suivi. La transcription devient une entrée pour un flux de travail plus large plutôt qu'un point final. C'est utile si votre objectif est l'automatisation des comptes rendus. C'est moins utile si vous voulez le transcript brut pour l'archivage ou la citation directe : la couche de résumé LLM peut lisser les nuances aux extrémités des longs enregistrements.
C'est aussi pourquoi la précision de la transcription est devenue une quasi-commodité. La plupart des services du haut du panier se regroupent entre 90 et 97 % de précision sur les enregistrements typiques. Les vrais différenciateurs sont désormais le prix, les intégrations de flux de travail, la qualité de l'étiquetage des locuteurs, et la façon dont la sortie s'exporte dans vos outils existants.
La diarisation : séparer les voix sans les identifier
La diarisation est le maillon faible de chaque système de transcription IA disponible en 2026. Le modèle identifie les clusters de voix sur la base de caractéristiques acoustiques -- hauteur, ton, rythme -- et attribue des étiquettes (Locuteur A, Locuteur B) sans aucune connaissance de l'identité. Dans un entretien à deux personnes où aucun locuteur n'interrompt l'autre, cela fonctionne raisonnablement bien. Dans un appel à huit personnes avec des prises de parole qui se chevauchent, des participants à distance sur des connexions médiocres et des locuteurs aux profils vocaux similaires, ça se dégrade.
La plupart des services annoncent une "identification du locuteur" alors que ce qu'ils livrent est du clustering de locuteur. La véritable identification -- associer une voix à un nom connu -- nécessite un échantillon vocal pré-enregistré, que seule une poignée de services pour l'entreprise propose. Otter.ai et Fireflies.ai offrent tous deux la correspondance par nom une fois qu'une voix a été enregistrée et étiquetée, mais l'identification à froid sur une nouvelle réunion avec de nouveaux participants produit toujours des étiquettes génériques de type Locuteur.
Pour une utilisation pratique : sur un enregistrement à deux ou trois locuteurs, attendez-vous à 90-95 % de précision de diarisation. Sur six locuteurs ou plus, prévoyez 10 à 15 minutes de correction manuelle par heure d'enregistrement. Cette limite n'apparaît pas de façon proéminente sur la plupart des pages marketing.
WER, précision, conditions réelles : ce que le taux d'erreur change en pratique
Le taux d'erreur sur les mots mesure combien de mots dans la sortie IA diffèrent d'un transcript de référence. Un WER de 5 % sur une réunion de 60 minutes -- environ 9 000 mots -- signifie environ 450 mots incorrects disséminés dans le document.
Trois facteurs décalent la précision plus que le choix de l'outil :
Qualité de l'enregistrement. Un microphone à condensateur USB dans une pièce calme surpasse systématiquement toute différence entre Deepgram Nova-3 (5,26 % de WER médian en traitement par lots) et Whisper (8,06 % de WER) sur le même enregistrement de salle de conférence bruyant. Le dispositif d'enregistrement fait bouger la précision de 15 à 20 points de pourcentage. Le choix de l'outil de 1 à 3.
Nombre de locuteurs. Deux locuteurs à 94 % de précision. Six locuteurs à 87 %. Les erreurs de diarisation s'accumulent. Pour les réunions de plus de quatre participants, prévoyez une passe manuelle sur les étiquettes de locuteurs avant de vous y fier dans un document.
Vocabulaire du domaine. Les noms propres, noms de marques, acronymes techniques et terminologie spécialisée sont là où la précision chute le plus. "Conformité PCI DSS" sortira déformé avant "déplaçons la réunion au jeudi". Les services qui proposent un entraînement au vocabulaire personnalisé ou un ajustement fin du modèle par domaine font une différence mesurable ici.
Contexte de coût : la transcription IA coûte 0,05 à 0,25 dollar par minute. La transcription humaine coûte 0,72 à 1,50 dollar par minute -- soit 5 à 20 fois plus. Pour la plupart des enregistrements informatifs -- entretiens, réunions d'équipe, cours -- une sortie IA à 90-96 % de précision est suffisante. La différence de coût est assez importante pour qu'une passe de correction humaine ciblée, à 0,30-0,50 dollar par minute, batte encore la transcription humaine complète pour la plupart des flux de travail.
La transcription en temps réel -- sous-titres en direct lors d'un appel -- fonctionne sous une contrainte différente du traitement par lots. Le modèle ne peut pas lire en avance pour lever l'ambiguïté parce que l'audio n'a pas encore été prononcé. Le WER en temps réel est typiquement 3 à 5 points de pourcentage plus élevé que le WER en lot pour le même service. Si vous avez besoin du transcript pendant la réunion, prévoyez cette différence de précision. Si vous n'en avez besoin qu'après, le traitement par lots est presque toujours la meilleure option.
La transcription IA dans un flux de travail orienté audio
La plupart des articles sur la transcription IA se concentrent sur les réunions. L'application la plus intéressante pour les travailleurs du savoir est la boucle complète : audio en entrée, texte en sortie, texte réintégré dans un flux de lecture et de recherche.
La pile pratique, mi-2026 : enregistrez la réunion ou l'entretien dans l'outil qui capture la conversation. Exportez l'audio ou laissez le service le gérer en natif. Le transcript revient avec des horodatages au niveau du mot, des étiquettes de locuteurs et -- dans des services comme tl;dv ou Granola -- un résumé généré. Importez le transcript brut dans Obsidian, Notion ou Readwise pour la recherche et la mise en évidence. Le transcript, pas l'enregistrement, devient l'artefact consultable et référençable.
Pour ceux qui utilisent déjà l'audio pour absorber de l'information pendant le trajet : la transcription complète la boucle dans le sens inverse. Vous pouvez écouter un appel enregistré en marchant, puis rechercher dans le transcript la ligne dont vous avez besoin pour la citer dans un document. Aucun écran requis pour la passe d'écoute. Aucun audio requis pour la passe de référence -- utile si les écrans sont contraints ou si vous êtes en déplacement.
Accessible sans regarder un écran. Consultable sans revoir l'enregistrement. C'est le cas fonctionnel de la transcription IA dans un flux orienté audio, distinct du pitch d'automatisation des réunions que la plupart des outils mettent en avant.
Avant votre prochain enregistrement
QUEUE : deux points à vérifier avant de transcrire quoi que ce soit.
Premier point : comment a-t-il été enregistré ? Un microphone décent et une pièce calme font plus de différence pour la précision du transcript que le service choisi. Quinze minutes de configuration audio achètent environ 15 points de pourcentage de précision sur la sortie.
Deuxième point : votre flux de travail a-t-il besoin que les étiquettes de locuteurs soient correctes, ou seulement les mots ? Si vous citez par nom, prévoyez une passe manuelle de diarisation. Si vous avez besoin d'un enregistrement consultable d'un appel d'équipe, laissez l'IA tourner. Les erreurs sur les étiquettes de locuteurs importent moins quand vous cherchez un concept, pas quand vous attribuez une citation à une personne spécifique.
La transcription IA est rapide, coûte une fraction des alternatives humaines, et suffisamment précise pour la plupart des types d'enregistrement. Elle n'est pas neutre sur les conditions audio, et elle n'est pas fiable sur la séparation des locuteurs pour les grands appels. Connaissez ces deux limites avant de construire un flux de travail autour d'elle.