Qu’est-ce que Whisper AI ? Le modèle de reconnaissance vocale d’OpenAI

Par la rédaction de whispertranscribe.ai · Dernière mise à jour : novembre 2026 · 13 min de lecture

Qu’est-ce que Whisper AI ? Dans la plupart des recherches, ce nom désigne OpenAI Whisper, un modèle open source de reconnaissance de la parole publié en septembre 2022. Il convertit des enregistrements en texte, identifie la langue parlée et peut traduire des propos d’autres langues vers l’anglais. OpenAI l’a entraîné sur 680 000 heures d’audio du web et a publié le code et les poids du modèle sous licence MIT.

Précision sur l’auteur : nous développons whispertranscribe.ai. whispertranscribe.ai est un outil de transcription par IA qui convertit l’audio et la vidéo en texte dans plus de 130 langues. Ce guide distingue le modèle des produits qui l’utilisent. Tous les chiffres sur le modèle viennent de l’article de recherche, du dépôt ou de la fiche du modèle publiés par OpenAI.

En bref : qu’est-ce que Whisper AI ?

Whisper est un modèle qui convertit la parole en texte. Ce n’est ni une application ni une entreprise. Vous pouvez le télécharger depuis le dépôt GitHub d’OpenAI et l’exécuter sur votre ordinateur, ou utiliser un service qui l’exécute pour vous.

  • Développé par : OpenAI. L’article Robust Speech Recognition via Large-Scale Weak Supervision a été publié sur arXiv le 6 décembre 2022.
  • Fonctions : transcrire la parole, détecter la langue, traduire des propos vers l’anglais et ajouter des repères temporels par segment.
  • Fonctions non intégrées : identifier les intervenants et transcrire en direct. D’après la fiche d’OpenAI, le modèle seul ne permet pas la transcription en temps réel.
  • Tailles : six modèles, de tiny (39 millions de paramètres) à large (1 550 millions).
  • Coût : le téléchargement et l’exécution sont gratuits. Vous fournissez le matériel.

Les trois sens de « Whisper AI »

Ce nom est employé dans plusieurs sens que l’on peut facilement confondre.

Ce que « Whisper AI » désigne Ce que c’est Qui le développe Comment l’utiliser
OpenAI Whisper Un modèle open source de reconnaissance de la parole OpenAI Téléchargez le code et les poids, puis exécutez le modèle vous-même
whisper-1 Un modèle de transcription hébergé par OpenAI et accessible par API OpenAI Envoyez les fichiers à l’API d’OpenAI et payez à l’utilisation
Applications dont le nom contient « Whisper » Des produits de transcription comme whisperai.com et whispertranscribe.ai (ce site) Des entreprises distinctes Importez ou enregistrez l’audio dans leurs applications

Les produits de la troisième ligne ne sont ni le modèle lui-même ni des services interchangeables. Chaque entreprise définit ses fonctionnalités, limites, prix et conditions de confidentialité. Dans cet article, « Whisper » désigne le modèle d’OpenAI.

Comment fonctionne Whisper ?

Whisper est un Transformer encodeur-décodeur. L’encodeur transforme 30 secondes d’audio en une représentation numérique. Le décodeur produit ensuite le texte correspondant, unité par unité, à partir de jetons spéciaux qui lui indiquent la tâche à effectuer.

L’article sur Whisper décrit cette chaîne de traitement :

  1. Rééchantillonnage. L’audio est converti à 16 000 Hz.
  2. Découpage en fenêtres de 30 secondes. Le modèle examine toujours 30 secondes à la fois. Les extraits plus courts sont complétés pour atteindre cette durée.
  3. Création d’un spectrogramme. Chaque fenêtre devient un spectrogramme log-Mel à 80 canaux, une représentation de l’énergie sonore selon la fréquence et le temps. Le calcul porte sur des trames de 25 millisecondes, espacées de 10 millisecondes. Large-v3 passe à 128 canaux.
  4. Encodage. Deux couches de convolution et une pile de blocs Transformer traitent le spectrogramme.
  5. Décodage. Le décodeur prédit d’abord la langue, ou un jeton indiquant l’absence de parole. Il détermine ensuite la tâche (transcription ou traduction), la présence de repères temporels, puis le texte.

Les repères temporels sont eux aussi prédits sous forme de jetons, avec un arrondi aux 20 millisecondes les plus proches. Un seul modèle peut ainsi détecter la langue, transcrire, traduire et indiquer le minutage.

Sur quelles données Whisper a-t-il été entraîné ?

Les modèles d’origine ont appris à partir de 680 000 heures d’audio du web associées à des transcriptions. OpenAI parle de « supervision faible » : contrairement aux jeux de données d’évaluation, ces transcriptions n’ont pas été vérifiées manuellement.

Part de l’audio d’entraînement Heures Contenu
Environ 65 % 438 000 Audio en anglais avec transcriptions en anglais
Environ 18 % 126 000 Audio dans d’autres langues avec transcriptions en anglais (données de traduction)
Environ 17 % 117 000 Audio dans d’autres langues avec transcriptions dans la langue d’origine

Source : fiche du modèle Whisper d’OpenAI. L’article arrondit les données de traduction à 125 000 heures.

Deux détails expliquent une grande partie du comportement de Whisper. OpenAI a filtré les transcriptions qui semblaient automatisées, comme les textes entièrement en majuscules. Le modèle a ainsi appris à produire des phrases ponctuées. Les premiers modèles avaient aussi tendance à deviner les noms des intervenants, qui figuraient dans beaucoup de transcriptions du web. OpenAI a ajusté le modèle pour corriger cette tendance. Cela montre à quel point le modèle reproduit les caractéristiques de ses données d’entraînement.

Large-v3 a été entraîné autrement, sur environ 5 millions d’heures : 1 million avec des annotations peu supervisées issues du web et 4 millions annotées par large-v2, d’après la fiche du modèle sur Hugging Face.

Comparatif des tailles de modèles Whisper

Whisper se décline en six tailles. Les petits modèles fonctionnent plus vite sur du matériel modeste ; les grands se trompent moins, mais demandent davantage de mémoire vidéo (VRAM). Les chiffres ci-dessous viennent du README d’OpenAI.

Taille Paramètres Version anglaise uniquement Version multilingue VRAM nécessaire Vitesse par rapport à large
tiny 39 M tiny.en tiny ~1 Go ~10×
base 74 M base.en base ~1 Go ~7×
small 244 M small.en small ~2 Go ~4×
medium 769 M medium.en medium ~5 Go ~2×
large 1 550 M Aucune large ~10 Go 1×
turbo 809 M Aucune turbo ~6 Go ~8×

OpenAI a mesuré ces vitesses sur de la parole en anglais avec un GPU A100 de centre de données. Les performances réelles peuvent varier sensiblement. Un ordinateur portable sera plus lent.

Quel modèle Whisper choisir ?

Tenez compte de la mémoire disponible et de l’usage prévu :

  • Essai sur un ordinateur modeste : tiny ou base, autour de 1 Go de VRAM. Attendez-vous à davantage d’erreurs.
  • Anglais uniquement : utilisez un modèle .en. D’après OpenAI, ces modèles obtiennent de meilleurs résultats, notamment en tailles tiny et base.
  • Bonne qualité à une vitesse raisonnable : turbo, autour de 6 Go. C’est le modèle par défaut en ligne de commande.
  • Traduction de la parole en anglais : medium ou large. Turbo n’est pas entraîné pour traduire et renvoie la langue d’origine même si vous lui demandez une traduction.
  • Audio difficile, meilleur résultat possible : large, autour de 10 Go de VRAM.

Versions de Whisper : chronologie

Il y a eu trois versions de large. Turbo est une version allégée de large-v3. Les résultats dépendent de la version et du jeu de poids utilisé.

Version Parution Changements
Modèles d’origine (tiny à large) Septembre 2022 Première publication open source avec l’article
large-v2 Décembre 2022 Même taille, entraînement 2,5 fois plus long et régularisation supplémentaire
large-v3 Novembre 2023 128 canaux Mel, nouveau jeton pour le cantonais, 10 à 20 % d’erreurs en moins que v2 dans de nombreuses langues
turbo (large-v3-turbo) Septembre 2024 Couches du décodeur réduites de 32 à 4 pour accélérer l’inférence ; pas de traduction

Sources : fiche du modèle Whisper, note de bas de page de l’article sur large-v2 et fiches Hugging Face de large-v3 et large-v3-turbo.

Combien de langues Whisper prend-il en charge ?

Whisper reconnaît environ 99 langues. Le détecteur décrit dans l’article utilisait 99 jetons de langue. Le tokenizer actuel liste 100 codes depuis l’ajout du cantonais dans large-v3. La prise en charge ne garantit pas la qualité : la fiche du modèle indique de bons résultats dans environ 10 langues.

Les performances suivent la quantité de données d’entraînement. D’après l’article, le nombre d’heures vues par le modèle permet de bien prédire ses performances dans une langue, et la plupart des langues avaient moins de 1 000 heures. L’anglais, l’espagnol ou l’allemand donnent généralement un résultat plus net qu’une langue disposant de peu de données. Le README donne un graphique des erreurs par langue pour vérifier la vôtre.

Ne confondez pas avec les chiffres des produits. whispertranscribe.ai prend en charge plus de 130 langues. Ce chiffre décrit notre produit (la page des tarifs parle de « 130+ languages & accents »), pas le modèle open source Whisper.

Quelle est la précision de Whisper ?

Il n’existe pas de chiffre unique. La précision dépend de la taille du modèle, de la langue et de l’enregistrement. Sur de l’anglais lu et bien enregistré, large-v2 a obtenu un taux d’erreur sur les mots (WER) de 2,7 %. La moyenne a été de 12,8 % sur 14 jeux d’évaluation en anglais, pour la plupart plus difficiles.

Le WER compte les mots remplacés, omis ou ajoutés par rapport à une transcription humaine de référence. Plus il est bas, mieux c’est. Les chiffres ci-dessous viennent du tableau 2 de l’article, qui compare Whisper large-v2 à un modèle wav2vec 2.0 entraîné sur les livres audio de LibriSpeech :

Jeu de données WER de wav2vec 2.0 WER de Whisper large-v2
LibriSpeech clean (livres audio lus) 2,7 % 2,7 %
Common Voice (enregistrements participatifs) 29,9 % 9,0 %
CHiME-6 (conversations de dîner avec du bruit) 65,8 % 25,5 %
Moyenne des 14 jeux d’évaluation du tableau 29,3 % 12,8 %

C’est l’écart entre les résultats qui compte. Les deux modèles sont à égalité sur les livres audio, mais Whisper résiste beaucoup mieux sur les autres jeux, avec 55,2 % d’erreurs en moins en moyenne. L’annonce d’OpenAI arrondit à 50 %. Lors des essais sur le bruit, les modèles entraînés sur LibriSpeech dépassaient Whisper avec un audio presque sans bruit, mais passaient derrière quand le bruit ambiant, semblable à celui d’un pub, augmentait et que le rapport signal sur bruit descendait sous 10 dB.

Ces résultats de recherche ne garantissent pas la précision de vos propres fichiers. Les chiffres des produits sont distincts. Par exemple, whispertranscribe.ai peut atteindre 99 % sur un son clair, mais le bruit de fond, les voix qui se chevauchent et les accents marqués réduisent cette précision.

Quelles sont les limites de Whisper ?

Le principal point faible de Whisper est de pouvoir écrire un texte fluide que personne n’a prononcé. La fiche du modèle appelle cela une hallucination et la relie à l’entraînement faiblement supervisé. Elle cite aussi les répétitions, une précision inégale selon les langues et accents et l’absence d’identification intégrée des intervenants.

  1. Texte inventé. Dans une étude de 2024, Careless Whisper, les chercheurs ont trouvé des expressions ou phrases entières absentes de l’audio dans environ 1 % des transcriptions examinées. Ces hallucinations étaient plus fréquentes en présence de longues pauses.
  2. Répétitions en boucle. Le modèle peut rester bloqué sur une phrase. La recherche en faisceau et le repli sur d’autres températures réduisent le problème dans une certaine mesure, selon la fiche du modèle, sans l’éliminer.
  3. Premiers ou derniers mots manquants. L’article signale que le modèle peut sauter les premiers ou derniers mots d’un segment.
  4. Découpage des longs enregistrements. Whisper ne voit que 30 secondes à la fois. Pour les fichiers longs, l’outil fait avancer la fenêtre d’après le minutage prédit. Une erreur dans une fenêtre peut donc décaler la suivante.
  5. Pas de libellés d’intervenants. La diarisation, qui détermine qui a parlé et quand, n’a pas fait l’objet d’une évaluation approfondie selon la fiche. Il faut un outil distinct.
  6. Pas de temps réel par défaut. Le modèle est conçu pour des fichiers enregistrés. Le sous-titrage en direct exige un développement supplémentaire.
  7. Précision inégale selon la langue et l’accent. La fiche signale davantage d’erreurs pour certains accents, dialectes et groupes démographiques.

OpenAI déconseille aussi de transcrire des personnes sans leur consentement et d’utiliser le modèle pour des décisions à haut risque.

Où les sources officielles diffèrent-elles ?

Certains chiffres diffèrent dans les documents d’OpenAI, surtout à cause des arrondis ou des changements de version. Vérifiez ces écarts avant de citer un chiffre :

Sujet Une source officielle Autre source Que retenir ?
Réduction des erreurs face aux modèles LibriSpeech Article : 55,2 % d’erreurs en moins en moyenne Annonce d’OpenAI : 50 % d’erreurs en moins Citez l’article et précisez les modèles comparés
Langues d’entraînement hors anglais Article : 96 autres langues Fiche du modèle : 98 langues Environ 99 langues pour la reconnaissance
Heures d’entraînement à la traduction Fiche : 126 000 Article : 125 000 Les deux, comme estimations
Nombre de paramètres de turbo README et Hugging Face : 809 M Tableau de la fiche du modèle : 798 M 809 M, le chiffre le plus répandu
Taille des données d’entraînement Article d’origine : 680 000 heures Fiche large-v3 : 5 millions d’heures Précisez la version
Licence GitHub : MIT pour le code et les poids Métadonnées large-v3 sur Hugging Face : Apache-2.0 Consultez la licence de la copie téléchargée

Comment utiliser Whisper : en local, par API ou dans une application

Vous avez trois possibilités. Exécuter Whisper vous-même est gratuit et garde l’audio sur votre ordinateur. L’API d’OpenAI évite l’installation, mais limite la taille des fichiers. Une application hébergée ajoute généralement un éditeur, des libellés d’intervenants et des exports. C’est un service tiers avec ses conditions.

Whisper open source en local API de transcription OpenAI Application de transcription hébergée
Configuration Python, PyTorch et FFmpeg Code et clé API Un navigateur
Coût Gratuit ; vous fournissez le matériel Paiement à l’utilisation Offre gratuite ou abonnement, selon l’application
Limites des fichiers Celles de votre matériel 25 Mo par fichier Définies par l’application
Destination de l’audio Reste sur votre ordinateur Envoyé à OpenAI Envoyé aux serveurs de l’application
Identification des intervenants Non intégrée Absente de whisper-1 Selon l’application
Édition et exports TXT, SRT, VTT, TSV et JSON en ligne de commande Résultat renvoyé à votre code ; à vous d’ajouter le reste Généralement un éditeur et des exports de documents et de sous-titres

Exécuter Whisper sur votre ordinateur

Le README d’OpenAI donne la commande d’installation et un exemple de lancement :

pip install -U openai-whisper
whisper interview.mp3 --model turbo

FFmpeg doit aussi être installé. D’après le README, le code doit fonctionner avec Python 3.8 à 3.11. Ajoutez --language pour indiquer la langue parlée ou --task translate avec un modèle multilingue pour obtenir du texte anglais. Les poids du modèle se téléchargent à la première utilisation.

Utiliser l’API OpenAI

Le guide de conversion parole-texte d’OpenAI fixe une limite de 25 Mo par fichier importé. Compressez ou découpez les fichiers plus volumineux. Lors de la vérification de novembre 2026, le guide signalait que whisper-1 était déprécié et indiquait une date d’arrêt au 26 février 2027, avec des modèles de transcription plus récents à utiliser. Ces modèles appartiennent à l’offre de reconnaissance vocale d’OpenAI, pas à la famille open source de Whisper.

Utiliser une application de transcription hébergée

Si vous ne voulez rien installer, une application hébergée traite les fichiers sur ses serveurs. whispertranscribe.ai en est une. Son convertisseur audio en texte gratuit permet de l’essayer rapidement. Notre page d’accueil décrit whispertranscribe.ai comme un outil qui utilise Whisper et des modèles d’IA de nouvelle génération. D’après nos pages produit, vous pouvez :

Votre fichier est envoyé à un service en ligne au lieu de rester sur votre ordinateur. Nous n’offrons ni API, ni vocabulaire personnalisé, ni assistant de réunion. Les offres payantes commencent à 9,99 $ par mois avec facturation annuelle (tarifs). Vous pouvez commencer gratuitement sans compte. Pour les détails, voir l’outil de transcription Whisper par IA ou toutes les fonctionnalités.

Whisper est-il open source et que permet la licence ?

Oui. Le dépôt d’OpenAI précise que le code et les poids de Whisper sont publiés sous licence MIT. C’est une licence permissive. En général, elle permet d’utiliser, copier, modifier et vendre un logiciel construit à partir de ce code, à condition de conserver la mention de droit d’auteur et le texte de la licence.

Deux précautions : les copies sur d’autres sites peuvent porter d’autres métadonnées de licence. La page large-v3 de Hugging Face indique Apache-2.0. Lisez la licence de la copie que vous utilisez. Par ailleurs, la licence couvre le logiciel, pas les enregistrements que vous lui donnez. Les règles de consentement et de confidentialité s’appliquent toujours à l’audio. Ces informations sont générales et ne constituent pas un avis juridique. La source officielle est le texte de la licence MIT.

À qui s’adresse Whisper ?

Whisper convient aux développeurs et aux personnes à l’aise dans un terminal qui veulent transcrire gratuitement, en privé et sans limite imposée par un service. Pour obtenir un document prêt à modifier et à exporter, une application hébergée est généralement plus rapide.

Votre situation Solution adaptée Pourquoi
Vous développez un produit Whisper open source ou une API Maîtrise de la chaîne de traitement
Vous analysez des entretiens sensibles Whisper open source exécuté en local L’audio ne quitte jamais l’ordinateur
Vous avez besoin de sous-titres cette semaine Application hébergée avec export SRT ou VTT Pas d’installation ; fichiers horodatés prêts à importer
Vous utilisez un portable sans GPU Petit modèle en local ou application hébergée Les grands modèles demandent environ 10 Go de VRAM

Avant d’utiliser une transcription Whisper : vérifications

Cette liste vient des problèmes décrits par l’article et la fiche du modèle d’OpenAI :

  • Vérifiez quelques pauses et passages silencieux pour repérer des phrases que personne n’a prononcées.
  • Cherchez les expressions répétées plusieurs fois de suite.
  • Comparez les premières et dernières lignes du fichier à l’audio.
  • Vérifiez les noms, les chiffres et les termes techniques.
  • Confirmez que la langue a été bien détectée ou indiquez-la manuellement.
  • Pour une traduction, vérifiez que vous n’avez pas utilisé turbo.
  • Ajoutez les libellés d’intervenants avec un outil séparé, si nécessaire.
  • Obtenez l’accord des autres personnes avant de les enregistrer ou de transcrire leurs propos.

Questions fréquentes

Whisper AI est-il gratuit ?

Oui. OpenAI Whisper est gratuit à télécharger et à exécuter. OpenAI distribue le code et les poids sous licence MIT : vous pouvez les utiliser sans payer OpenAI. Vous fournissez l’ordinateur, et le grand modèle demande environ 10 Go de mémoire GPU. Les options hébergées sont payantes : l’API d’OpenAI facture l’usage et les applications fixent leurs propres forfaits. La gratuité ne rend pas l’installation plus simple : il faut Python, FFmpeg et savoir utiliser la ligne de commande.

Whisper peut-il distinguer les intervenants ?

Pas seul. Whisper écrit les paroles mais n’indique pas qui les prononce. La fiche du modèle d’OpenAI dit que la diarisation des locuteurs n’a pas été évaluée de façon approfondie. Pour obtenir des libellés, on associe généralement Whisper à un outil de diarisation ou on choisit une application qui gère la détection des intervenants. Vous pouvez, par exemple, l’activer dans whispertranscribe.ai avant de transcrire. Vérifiez les libellés quand les voix se ressemblent.

Whisper peut-il transcrire en temps réel ?

Pas par défaut. Whisper a été conçu pour des enregistrements qu’il traite par fenêtres de 30 secondes. La fiche du modèle d’OpenAI précise que le temps réel requiert un travail supplémentaire. Des développeurs ont construit des outils proches du temps réel en envoyant de courts fragments à mesure qu’ils arrivent. Pour des sous-titres en direct, choisissez un outil avec un mode dédié et prévoyez plus de corrections qu’avec la transcription d’un enregistrement complet.

Combien de langues Whisper prend-il en charge ?

Whisper reconnaît environ 99 langues. Le tokenizer actuel liste 100 codes depuis l’ajout du cantonais dans large-v3. La qualité varie beaucoup. La fiche d’OpenAI indique de bons résultats dans une dizaine de langues, et l’article note que la plupart avaient moins de 1 000 heures d’audio d’entraînement. Pour une langue moins courante, faites un essai court. Les chiffres de produits, comme les plus de 130 langues de whispertranscribe.ai, décrivent le produit et non le modèle open source.

whispertranscribe.ai est-il le même produit qu’OpenAI Whisper ?

Non. OpenAI Whisper est un modèle open source que vous pouvez télécharger et exécuter. whispertranscribe.ai est un service de transcription distinct, accessible dans le navigateur. Sa page d’accueil indique qu’il utilise Whisper et des modèles d’IA de nouvelle génération. Le service ajoute des fonctions absentes du modèle seul : importation jusqu’à 5 Go, import par lien YouTube ou Google Drive, détection des intervenants et exports DOCX, PDF, SRT et VTT. Les autres applications dont le nom contient « Whisper » sont d’autres produits d’autres entreprises.

Pourquoi Whisper écrit-il parfois des paroles inventées ?

Il prédit du texte d’une manière comparable à un modèle de langue. La fiche d’OpenAI indique que l’entraînement sur de grandes quantités de données du web contenant des erreurs amène parfois le modèle à produire des mots absents de l’audio. D’après OpenAI, il combine la prédiction du mot suivant et la transcription de ce qu’il entend. Une étude de 2024 a trouvé des expressions entières inventées dans environ 1 % des transcriptions examinées, plus souvent près de longues pauses. Vérifiez les pauses, les passages à faible volume et les parties importantes à l’écoute.


Vous voulez une transcription Whisper sans installation ? Importez un fichier ou collez un lien dans whispertranscribe.ai pour obtenir du texte dans plus de 130 langues et l’exporter en DOCX, PDF, SRT ou VTT.

Références

Vous souhaitez convertir vos enregistrements en texte ?

Transcrivez vos fichiers audio et vidéo avec whispertranscribe.ai.

Lancer la transcription ↗