Meilleur format audio pour la transcription : enregistrer, importer ou convertir

Par la rédaction de whispertranscribe.ai · Dernière mise à jour : novembre 2026 · 12 min de lecture

Le meilleur format audio pour la transcription est un format sans perte, WAV (PCM 16 bits) ou FLAC, enregistré en mono à 16 kHz ou plus si vous choisissez les réglages. Si vous avez déjà un MP3, un M4A ou une vidéo, importez le fichier tel quel. Convertir un fichier compressé ne rétablit pas les détails supprimés. La distance du microphone et le bruit ont davantage d’effet sur le résultat.

Ce guide explique quels réglages choisir avant d’enregistrer et quoi faire avec un fichier reçu. Il contient des formules de taille, des réglages selon le contexte, des commandes FFmpeg et un tableau de dépannage.

Précision sur l’auteur. whispertranscribe.ai publie ce guide. Les explications techniques renvoient à Google Cloud, au code de Whisper d’OpenAI, à FFmpeg ou à la Bibliothèque du Congrès. Nous n’avons pas effectué de test de précision pour cet article. Aucun format n’est présenté comme apportant un gain de précision mesuré.

En bref : quel format audio choisir ?

Le bon choix dépend de l’étape à laquelle vous êtes.

Situation Choix conseillé Pourquoi
Vous configurez un enregistreur ou une application WAV 16 bits ou FLAC, mono, 16 kHz ou plus Google recommande le FLAC ou le LINEAR16 sans perte pour la reconnaissance de la parole
Vous avez besoin de petits fichiers à l’enregistrement Codec avec perte adapté à la parole, à un débit modéré Codecs avec perte recommandés par Google pour la parole, dans l’ordre : AMR-WB, Ogg Opus, Speex
Vous avez déjà un MP3, M4A ou Opus Importez l’original Le réencodage ne restitue pas les détails perdus
Vous avez une vidéo (MP4, MOV, MKV) Importez-la ; extrayez l’audio si le fichier est très volumineux Seule la piste audio est utilisée
Chaque intervenant a été enregistré sur sa piste Conservez les pistes Google conseille d’envoyer chaque canal séparément lorsque chacun a le sien

Quand le format ne mérite pas d’être changé : pour un mémo vocal, un épisode de podcast déjà publié ou un enregistrement Zoom ou Teams. Importez le fichier, choisissez la langue parlée et consacrez plutôt le temps gagné à vérifier les noms.

Format, codec et conteneur : ce que cache l’extension

L’extension indique le conteneur, pas toujours le type de compression. Le tutoriel d’optimisation audio de Google distingue clairement les codecs des formats de fichiers. Trois cas courants :

  • WAV contient généralement du PCM linéaire non compressé, mais peut transporter d’autres encodages (Bibliothèque du Congrès, WAVE).
  • M4A peut contenir de l’AAC avec perte ou de l’Apple Lossless (ALAC) sans perte.
  • OGG est un conteneur qui contient généralement de l’Opus ou du Vorbis, deux codecs avec perte.

Pour savoir ce que contient le fichier, demandez à ffprobe, fourni avec FFmpeg, d’afficher uniquement les flux audio :

ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4

Nous avons testé la commande avec FFmpeg 7.1.5 sur une courte vidéo : elle a affiché une ligne par flux audio. Sur une copie dont l’audio avait été retiré, elle n’a rien affiché. Cela permet de repérer rapidement un fichier sans piste audio avant de l’importer.

Comparatif des formats audio pour la transcription

Tous les formats ci-dessous peuvent être transcrits. Les différences portent sur les détails conservés et sur la taille du fichier. Les tailles sont calculées avec les formules de la section suivante (1 Mo = 1 000 000 d’octets).

Format Avec ou sans perte Provenance habituelle Taille par minute (exemple de réglage) Effet sur la transcription Conseil
WAV (PCM) Non compressé Enregistreurs de terrain, éditeurs audio 1,92 Mo à 16 kHz, 16 bits, mono ; 10,58 Mo à 44,1 kHz, 16 bits, stéréo Conserve tout ce qu’a capté le micro Bon fichier maître ; surveillez la taille pour les sessions longues
FLAC Compressé sans perte Archives, exports de montage Plus petit que le même WAV ; le gain varie Identique à l’audio du WAV correspondant Remplacez le WAV pour économiser de l’espace
AIFF / ALAC / CAF AIFF généralement non compressé ; ALAC sans perte ; CAF accepte les deux Applications Mac et iPhone AIFF : même taille que WAV avec les mêmes réglages Dépend du codec utilisé Importez tel quel
MP3 Avec perte Podcasts, téléchargements 0,96 Mo à 128 kbit/s Google : les codecs avec perte peuvent réduire la précision Importez tel quel
M4A / AAC Généralement avec perte (AAC) Mémos vocaux, pistes audio de vidéos 0,48 Mo à 64 kbit/s Même réserve que pour le MP3 Importez l’original
OGG / Opus Avec perte Notes vocales de messagerie, appels web 0,24 Mo à 32 kbit/s Opus figure parmi les codecs avec perte recommandés par Google pour la parole Importez tel quel
AMR (bande étroite) Avec perte, conçu pour la parole Anciens téléphones et enregistreurs d’appels Environ 0,09 Mo à 12,2 kbit/s Limité à 200–3 400 Hz (Bibliothèque du Congrès, AMR) Importez tel quel ; ne suréchantillonnez pas

Pour la vidéo, le principe est le même : l’outil lit la piste audio. L’image augmente seulement la taille de l’importation.

Comment calculer la taille d’un fichier audio ?

Deux formules permettent d’estimer la taille avant d’enregistrer ou d’importer.

PCM non compressé (WAV, AIFF) :

bytes per second = sample rate × (bit depth ÷ 8) × channels

Exemples de calcul en multipliant fréquence d’échantillonnage, octets par échantillon et nombre de canaux :

  • 16 kHz, 16 bits, mono : 16 000 × 2 × 1 = 32 000 octets par seconde. × 60 = 1 920 000 octets, soit environ 1,92 Mo par minute ou 115,2 Mo par heure.
  • 44,1 kHz, 16 bits, stéréo : 44 100 × 2 × 2 = 176 400 octets par seconde, soit environ 10,58 Mo par minute ou 635 Mo par heure.
  • 48 kHz, 24 bits, stéréo : 48 000 × 3 × 2 = 288 000 octets par seconde, soit 1 036,8 Mo par heure.

Avec perte à débit constant (MP3, AAC, Opus) :

bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (soit le débit en kbit/s × 7 500)

  • 128 kbit/s : 128 × 7 500 = 960 000 octets, soit environ 0,96 Mo par minute ou 57,6 Mo par heure.
  • 64 kbit/s : 0,48 Mo par minute ; 32 kbit/s : 0,24 Mo par minute.

Les fichiers réels sont légèrement plus gros à cause des en-têtes. Avec un débit variable, la taille fluctue autour de la moyenne. Un ordinateur qui affiche des unités binaires (Mio) indique un nombre inférieur d’environ 5 %.

Ce que ces chiffres signifient pour une limite de 5 Go et 10 heures

whispertranscribe.ai accepte jusqu’à 5 Go et 10 heures par fichier. Voici comment les réglages courants passent ces limites, en prenant 5 Go au sens de 5 000 000 000 d’octets :

Réglage 1 heure 10 heures 10 heures tiennent-elles sous 5 Go ?
WAV, 16 kHz, 16 bits, mono 115,2 Mo 1,15 Go Oui
WAV, 44,1 kHz, 16 bits, stéréo 635 Mo 6,35 Go Non : environ 7,9 heures au maximum
WAV, 48 kHz, 24 bits, stéréo 1,04 Go 10,37 Go Non : environ 4,8 heures au maximum
MP3, 128 kbit/s 57,6 Mo 576 Mo Oui
Opus, 32 kbit/s 14,4 Mo 144 Mo Oui

Un WAV classique a sa propre limite : son champ de taille sur 32 bits le limite à environ 4 Go. Les enregistrements plus longs nécessitent l’extension RF64 (Bibliothèque du Congrès). Pour de très longs enregistrements sans perte, le FLAC ou un WAV mono à 16 kHz évitent ces deux problèmes.

Ce qui compte plus que le format

Une voix claire près d’un microphone, enregistrée en MP3, donne généralement un meilleur résultat qu’un fichier sans perte enregistré au fond d’une pièce bruyante. Les réglages et habitudes suivants ont le plus d’effet.

Fréquence d’échantillonnage : 16 kHz suffisent-ils ?

Oui pour la parole. Google recommande 16 000 Hz ou plus (bonnes pratiques). Son tutoriel explique qu’une fréquence inférieure laisse peu ou pas d’informations au-delà de 8 kHz. Le code open source de Whisper d’OpenAI convertit chaque fichier en mono à 16 000 Hz avant de le soumettre au modèle (whisper/audio.py). Enregistrer à 44,1 ou 48 kHz convient aussi, mais produit de plus gros fichiers.

Augmenter la fréquence après coup ne sert à rien. D’après Google, un fichier à 8 kHz suréchantillonné à 44,1 kHz ne contient toujours qu’une bande de fréquences d’environ 4 kHz. Importez les enregistrements téléphoniques, souvent à 8 000 Hz, à leur fréquence d’origine.

Profondeur de quantification : 16 ou 24 bits ?

Google recommande 16 bits ou plus. Passer de 8 à 16 bits n’apporte rien : la dynamique est déterminée à l’enregistrement. Garder les 24 bits de votre enregistreur est possible ; convertir du 16 bits en 24 bits n’ajoute aucun détail.

Débit des fichiers compressés

Il n’existe pas de débit qui garantisse une bonne transcription. Google se prononce sur le type de codec : les codecs avec perte peuvent réduire la précision, et le bruit ou l’écho font davantage de dégâts lorsque l’audio est aussi compressé avec perte. Si vous devez compresser, faites-le une seule fois à un débit modéré. Évitez les conversions successives, comme WAV vers MP3 puis OGG.

Distance au microphone, bruit et niveaux

D’après les conseils de préparation de Google :

  • Placez le microphone aussi près que possible de la personne qui parle, surtout s’il y a du bruit de fond.
  • Évitez l’écrêtage : les pics déformés ne se réparent pas après coup.
  • Désactivez le contrôle automatique du gain et la réduction de bruit si votre application le permet. Google indique que le débruitage avant la reconnaissance réduit généralement sa précision.

Mono ou stéréo ?

Avec un microphone partagé, le mono suffit. Whisper mixe la stéréo en mono. Si la même voix est des deux côtés, la stéréo double seulement la taille. Gardez-la quand chaque canal contient une personne différente, comme avec certains enregistreurs d’appels ou un micro-cravate par canal. Google préconise alors l’envoi de chaque canal séparément et l’envoi d’un enregistrement déjà mixé tel quel.

Enregistrements multipistes

Les outils de podcast et d’entretien à distance enregistrent souvent chaque personne sur une piste distincte. Exportez une piste mixée et activez la détection des intervenants pour plus de simplicité. Pour le son le plus clair, transcrivez chaque piste séparément, puis réunissez vous-même les textes en suivant les repères temporels.

Réglages et formats recommandés selon le contexte

La situation la plus courante est de disposer déjà d’un fichier. Il suffit généralement de l’importer.

Situation Réglages d’enregistrement (si vous pouvez choisir) Fichier que vous avez déjà Avant l’importation Point à surveiller
Entretien en face à face WAV ou FLAC, un canal mono par micro, 44,1 ou 48 kHz M4A ou MP3 du téléphone Notez les noms et les termes Invité moins audible que la personne qui interroge
Entretien ou podcast à distance, par piste Une piste sans perte par personne WAV séparés et MP3 mixé Choisissez le mixage ou les pistes distinctes Voix simultanées dans le mixage
Enregistrement d’une réunion (Zoom, Teams, Meet) Option audio de la plateforme, si disponible MP4 ou M4A Extrayez l’audio seulement si la vidéo est très volumineuse Un seul micro d’ordinateur pour toute la salle
Mémo vocal sur téléphone Réglage par défaut de l’application .m4a Exportez l’original Téléphone dans une poche pendant la prise
Épisode de podcast publié Sans objet MP3 publié Utilisez le WAV ou FLAC d’avant publication si vous l’avez Génériques musicaux ; réglez la langue
Cours magistral ou séminaire Mono, 16 bits, micro proche de la personne qui présente Long MP3 ou longue vidéo Vérifiez la limite de 10 heures Questions du public loin du micro
Appel téléphonique enregistré Réglage par défaut de l’enregistreur AMR, M4A ou WAV à 8 kHz Gardez la fréquence d’origine Règles de consentement ; ne suréchantillonnez pas

L’enregistrement d’appels soulève la question du consentement. Nos guides sur l’enregistrement d’un appel téléphonique et sur les lois d’enregistrement des appels par État l’abordent. Ces informations ne constituent pas un avis juridique.

Convertir un fichier audio pour la transcription avec FFmpeg

Ne convertissez que pour une raison précise : fichier trop volumineux, fichier vidéo à alléger, codec incompatible ou besoin de séparer les intervenants. La conversion ne rend pas un mauvais enregistrement plus net.

Nous avons testé chaque commande avec FFmpeg 7.1.5 sur un extrait parlé de 11 secondes du domaine public et sur une courte vidéo créée à partir de cet extrait. Nous avons seulement vérifié que la commande aboutissait et que ffprobe affichait le codec, la fréquence et le nombre de canaux attendus. Les options sont expliquées dans la documentation de FFmpeg.

1. Convertir en WAV mono 16 bits à 16 kHz (le format de travail interne de Whisper) :

ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav

2. Convertir en FLAC mono à 16 kHz (compression sans perte et généralement plus compacte que le WAV) :

ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac

3. Extraire un MP3 mono compact d’une vidéo (ajoute une compression avec perte ; à privilégier si la taille est prioritaire) :

ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3

4. Extraire l’audio d’une vidéo sans réencoder (fonctionne pour une piste AAC, courante dans les MP4) :

ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a

5. Séparer un enregistrement à deux canaux, un fichier par personne (avec le filtre channelsplit) :

ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
Option Rôle
-ac 1 Mixe l’audio sur un canal
-ar 16000 Fixe la fréquence de sortie à 16 000 Hz
-c:a pcm_s16le Écrit du PCM 16 bits non compressé (WAV standard)
-vn Exclut le flux vidéo
-c:a copy Copie l’audio tel quel, sans modifier sa qualité
-b:a 64k Fixe le débit de la compression avec perte

Si l’audio de la vidéo est déjà en AAC, préférez la commande 4 à la commande 3 pour conserver la qualité d’origine. Pour un appel à 8 kHz, retirez -ar 16000 pour éviter le suréchantillonnage.

Vous préférez éviter la ligne de commande ? Le convertisseur audio et vidéo en MP3 de whispertranscribe.ai extrait l’audio des fichiers MP4, MOV, MKV, WEBM ou AVI dans le navigateur. D’après sa page, il utilise WebAssembly et traite les fichiers dans le navigateur sans les envoyer.

Fichiers volumineux : rester sous 5 Go et 10 heures

  • Trop volumineux, mais moins de 10 heures : c’est généralement une vidéo ou un WAV haute résolution. Extrayez l’audio (commande 4 ou convertisseur dans le navigateur) ou convertissez le WAV en FLAC (commande 2).
  • Plus de 10 heures : la page d’importation affiche un message demandant de raccourcir le fichier à 10 heures ou moins, puis de réessayer. Découpez-le en segments. La commande de découpage sans réencodage du guide du MP3 en texte fonctionne aussi sur WAV : nous l’avons vérifiée sur un fichier de test. Vérifiez les raccords lorsque vous réunissez les textes.
  • Connexion lente : une heure de MP3 à 64 kbit/s occupe environ 28,8 Mo, contre 635 Mo pour un WAV stéréo de qualité CD. Gardez l’original sans perte pour les archives.

Dépannage des problèmes de format audio

Problème Cause probable Solution à essayer
« No audio detected. The file may be corrupted. Please check the file and try again. » sur nos pages d’importation Fichier endommagé, vidéo exportée sans son ou piste audio vide Essayez de lire le fichier en local. Faites la vérification ffprobe ci-dessus (aucun résultat signifie qu’il n’y a pas de flux audio) et réexportez depuis l’application d’origine
Durée trop longue à l’importation Le fichier dépasse 10 heures Divisez-le en segments de 10 heures ou moins
Fichier trop volumineux Vidéo ou WAV haute résolution avec plusieurs canaux Extrayez l’audio ou convertissez le WAV en FLAC
Un WAV de plus de 4 Go ne s’ouvre pas ou ne s’importe pas Limite du WAV classique Réexportez en RF64 ou FLAC, ou découpez le fichier
Une personne est beaucoup moins audible que l’autre Chaque voix est sur un canal distinct, enregistré à un niveau différent Séparez les canaux (commande 5), puis transcrivez chaque fichier
Pics déformés qui craquent Écrêtage à l’enregistrement Impossible à réparer après coup ; baissez le gain d’entrée la prochaine fois
Audio téléphonique toujours mauvais après conversion à 48 kHz Le suréchantillonnage n’ajoute aucune information Importez l’original et essayez l’option Noise / Low-Quality Audio/Video si elle est disponible

Ce que propose whispertranscribe.ai

whispertranscribe.ai est un outil de transcription dans le navigateur qui utilise les modèles Whisper d’OpenAI, sans application, API ou relecture humaine. Le convertisseur audio en texte gratuit et les autres pages d’importation listent MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG et MPEG.

  • Limites : fichiers jusqu’à 5 Go et 10 heures.
  • Langues : plus de 130, avec des options Noise / Low-Quality Audio/Video pour beaucoup d’entre elles.
  • Précision : jusqu’à 99 % sur un son clair. Le bruit, la distance, les accents et les voix qui se chevauchent la réduisent.
  • Intervenants : activez Speaker Detection avant de transcrire.
  • Exports : DOCX, PDF, TXT, CSV, SRT et VTT.
  • Confidentialité : la politique de confidentialité indique que les originaux importés sont supprimés après traitement. Les MP3 extraits sont conservés 30 jours par défaut.

Pour un enregistrement précis, voir les pages des fichiers MP3, des mémos vocaux, des appels téléphoniques, des entretiens et des cours et séminaires. Essayez un fichier sur la page gratuite sans compte, qui indique les limites. Forfaits payants à partir de 9,99 $ par mois avec facturation annuelle (tarifs). Retrouvez le reste sur la page des fonctionnalités.

Questions fréquentes

Quel format audio est le meilleur pour transcrire ?

WAV ou FLAC convient le mieux si vous choisissez les réglages à l’enregistrement, idéalement en mono, à 16 kHz ou plus et sur 16 bits. Si vous avez déjà un fichier compressé comme un MP3, un M4A ou de l’Opus, importez-le sans le convertir. La proximité du micro, le bruit de fond et l’absence d’écrêtage comptent généralement plus que le format.

Le WAV est-il meilleur que le MP3 pour transcrire ?

Un WAV enregistré à la source conserve plus de détails qu’un MP3. Google indique que les codecs avec perte comme le MP3 peuvent réduire la précision de reconnaissance. L’écart est souvent faible quand la parole est claire et plus marqué quand l’enregistrement est bruyant. Un WAV créé à partir d’un MP3 existant n’est pas meilleur : les détails supprimés ne reviennent pas. Enregistrez en WAV ou FLAC quand c’est possible, et importez les MP3 tels quels.

Quelle fréquence d’échantillonnage choisir ?

Utilisez 16 kHz ou plus. Google recommande au moins 16 000 Hz pour la reconnaissance de la parole et Whisper convertit les entrées en mono à 16 kHz avant traitement. Enregistrer à 44,1 ou 48 kHz est courant et convient aussi. N’augmentez pas la fréquence après coup. Un appel enregistré à 8 kHz doit rester à 8 kHz : le suréchantillonnage alourdit le fichier sans ajouter d’informations sur la parole.

Faut-il enregistrer en mono ou en stéréo ?

Utilisez le mono si tout le monde partage un seul microphone. Whisper mixe de toute façon la stéréo en mono. Deux canaux avec la même voix doublent seulement la taille. Gardez la stéréo ou les pistes séparées si chaque canal contient une personne différente, comme avec un enregistreur d’appels ou un micro par invité. Google recommande de transcrire les canaux séparément ; vous pouvez les scinder avec FFmpeg.

Quelle taille fait un WAV par minute ?

Multipliez la fréquence d’échantillonnage par les octets par échantillon et par le nombre de canaux pour obtenir des octets par seconde. Un WAV mono 16 bits à 16 kHz donne 16 000 × 2 × 1 = 32 000 octets par seconde, soit environ 1,92 Mo par minute ou 115,2 Mo par heure. Un fichier stéréo de qualité CD, 44,1 kHz et 16 bits, fait environ 10,58 Mo par minute ou 635 Mo par heure.

Puis-je importer la vidéo sans extraire l’audio ?

Oui. Les outils de transcription lisent la piste audio sans traiter l’image : un MP4, MOV, MKV ou WEBM donne la même transcription que l’audio qui en est extrait. C’est seulement plus volumineux à envoyer. Extrayez l’audio si le fichier approche la taille maximale ou si votre connexion est lente, par exemple avec les options -vn -c:a copy de FFmpeg, qui gardent la qualité d’origine. Dans whispertranscribe.ai, vous pouvez importer la vidéo telle quelle et exporter en DOCX, TXT, SRT ou VTT.


Vous avez un enregistrement prêt ? Importez-le tel quel sur whispertranscribe.ai avec le convertisseur audio en texte gratuit. Choisissez parmi plus de 130 langues, activez Speaker Detection et téléchargez en DOCX, TXT, SRT ou VTT. Fichiers jusqu’à 5 Go et 10 heures.

Références

Vous souhaitez convertir vos enregistrements en texte ?

Transcrivez vos fichiers audio et vidéo avec whispertranscribe.ai.

Lancer la transcription ↗