Enregistrer une réunion est devenu trivial ; en tirer un texte exploitable l’est beaucoup moins. Les services de transcription en ligne font le travail en quelques minutes, mais ils supposent d’envoyer l’intégralité de l’audio — voix, noms, échanges commerciaux — sur un serveur distant. Whisper, le modèle de reconnaissance vocale publié par OpenAI, permet de faire ce travail sur sa propre machine, sans connexion et sans facture à la minute.
Il faut distinguer deux usages souvent confondus. La dictée vocale intégrée à Windows ou à macOS saisit au fil de l’eau ce que vous prononcez, comme un clavier. Whisper, lui, traite un fichier audio déjà enregistré : il produit un texte horodaté, relisible et corrigeable, ce qui correspond au besoin réel d’un entretien, d’une réunion ou d’un cours. C’est cette différence qui structure tout ce qui suit.
⚡ TL;DR — L’ESSENTIEL EN 30 SECONDES
- ✅ Whisper transcrit l’audio en local, sans envoyer les fichiers à un service cloud ni payer à la minute.
- ✅ Le modèle large-v3-turbo offre une précision proche du large-v3 avec des besoins matériels nettement plus modestes.
- ⚠️ Whisper ne sait pas reconnaître qui parle : la diarisation demande un outil supplémentaire comme WhisperX et un modèle pyannote.
- ⚠️ La qualité du texte dépend surtout de la prise de son ; un micro à 30 cm dans une pièce vide dégrade plus le résultat qu’un petit modèle.
- ❌ Le traitement local ne dispense pas d’informer les participants et de limiter la conservation des enregistrements.
Ce que la transcription locale change vraiment
Le premier argument est la maîtrise des données. Une fois le modèle téléchargé, la transcription ne dépend d’aucun service tiers : le fichier audio reste sur le disque, le texte aussi. Pour un entretien RH, une réunion avec un client ou une consultation, cela évite d’avoir à arbitrer entre qualité de transcription et confidentialité.
Le deuxième est économique et pratique. Il n’y a pas d’abonnement, pas de quota d’heures, pas de limite de taille de fichier imposée par un tiers : le coût se résume à l’électricité et à l’usure de la machine. Une réunion d’une heure transcrite chaque semaine ne justifie pas forcément un abonnement, alors qu’un modèle local installé une fois reste disponible indéfiniment, y compris hors connexion.
La contrepartie est réelle : vous gérez vous-même les modèles, les mises à jour et les réglages. Les services commerciaux restent souvent plus simples, parfois plus précis sur des accents difficiles ou des réunions très bruitées, et ils proposent des fonctions annexes (résumé, recherche, partage) que Whisper ne fait pas. L’arbitrage se joue donc entre confort et contrôle, pas entre bon et mauvais outil.
Ce que Whisper fait bien, et ce qu’il ne fait pas
Whisper est un modèle encodeur-décodeur entraîné sur de grandes quantités d’audio multilingue. Il travaille par fenêtres de 30 secondes et gère une centaine de langues, avec une robustesse correcte au bruit de fond et aux accents. Il produit de la ponctuation et des horodatages par segment, ce qui suffit à naviguer dans un entretien d’une heure.
Contrairement à une idée répandue, Whisper n’est pas un « assistant de réunion ». Il ne résume pas, ne dégage pas d’actions, ne distingue pas les locuteurs et ne gère pas de calendrier. Tout ce qui relève de l’analyse doit être ajouté au-dessus, par exemple avec un modèle de langage local comme ceux qu’utilise Ollama sur Mac.
Trois limites qui surprennent au début
- Les hallucinations sur le silence. Sur un passage sans parole, un bruit de clavier ou une musique de fond, le modèle peut inventer une phrase plausible. C’est le défaut le plus déroutant, et il se corrige en grande partie avec la détection d’activité vocale (VAD).
- Pas de diarisation native. Le texte est un bloc continu : savoir qui parle demande un second outil, avec ses propres contraintes matérielles.
- Les noms propres et le jargon. Un nom de famille rare, un acronyme maison ou un terme technique sont fréquemment mal orthographiés, et toujours de la même façon.
Choisir un modèle : du tiny au large-v3-turbo
La famille Whisper compte plusieurs tailles, du tiny (38 millions de paramètres) au large (1,55 milliard). Les besoins indicatifs, tels que documentés par whisper.cpp, donnent un bon ordre de grandeur : tiny 75 Mio sur disque pour environ 273 Mo de mémoire, base 142 Mio et 388 Mo, small 466 Mio et 852 Mo, medium 1,5 Gio et 2,1 Go, large 2,9 Gio et 3,9 Go.
Depuis fin 2024, une variante change la donne : large-v3-turbo. Elle conserve l’encodeur du large-v3 mais réduit le décodeur de 32 à 4 couches, pour 809 millions de paramètres au total. En quantification Q8, le fichier pèse environ 886 Mo et tourne avec une qualité proche du large-v3 (2,01 % de taux d’erreur sur LibriSpeech test-clean contre 1,82 %). En pratique, c’est le meilleur compromis pour du français sur du matériel grand public.
Deux réserves. D’abord, cette variante ne gère pas la traduction vers l’anglais, seulement la transcription dans la langue d’origine — ce qui suffit dans la plupart des cas. Ensuite, les chiffres de précision cités sont mesurés sur de l’anglais propre : une réunion en français, avec chevauchements et bruit de pièce, donnera toujours un résultat moins flatteur, quel que soit le modèle.
Le choix concret est simple. Sur un PC sans carte graphique récente, small permet de tester la chaîne complète sans attendre des heures, et medium reste envisageable pour un fichier court. Dès qu’un GPU est disponible — carte NVIDIA, GPU intégré récent, puce Apple Silicon — large-v3-turbo devient le choix par défaut. Entre les deux, base et tiny servent surtout à vérifier qu’un pipeline fonctionne, pas à produire un texte diffusable.
Trois façons de lancer Whisper chez soi
whisper.cpp en ligne de commande
whisper.cpp est le portage en C/C++ du modèle, sans Python ni dépendances lourdes. Il fonctionne sur processeur et sait exploiter Metal sur Mac, CUDA sur NVIDIA et Vulkan ailleurs. C’est l’option la plus légère, et celle qui donne le plus de contrôle sur les réglages.
# compilation
cmake -B build
cmake --build build -j --config Release
# téléchargement du modèle turbo
sh ./models/download-ggml-model.sh large-v3-turbo
# conversion de l'audio en WAV 16 bits mono
ffmpeg -i reunion.m4a -ar 16000 -ac 1 -c:a pcm_s16le reunion.wav
# transcription en français
./build/bin/whisper-cli -m models/ggml-large-v3-turbo.bin -l fr -f reunion.wav
Le point à retenir est que whisper-cli n’accepte que du WAV 16 bits : la conversion par ffmpeg n’est pas optionnelle. L’option --vad, qui nécessite un modèle de détection de voix supplémentaire, réduit fortement les hallucinations sur les silences et accélère le traitement des fichiers contenant de longues pauses.
Les applications graphiques
Trois projets open source couvrent le besoin sans Terminal. Buzz (licence MIT, version 1.4.5 en août 2026) transcrit fichiers, vidéos et micro en direct sur Windows, macOS et Linux, avec export TXT, SRT et VTT ; son installeur Windows n’est pas signé, SmartScreen affiche donc un avertissement. Vibe (MIT, version 3.3.5 publiée le 13 novembre 2026) s’appuie sur whisper.cpp et ajoute l’accélération GPU via Vulkan ou CoreML, la transcription par lot et des exports SRT, VTT, TXT, DOCX, PDF ou JSON.
Sur Mac, MacWhisper est l’option la plus finie : version gratuite limitée aux petits modèles et aux fichiers courts, licence Pro à 64-65 € en achat unique sur le site de l’éditeur, avec transcription par lot, reconnaissance des locuteurs et exports bureautiques. Attention, l’application du Mac App Store (« Whisper Transcription ») est un produit distinct, vendu par abonnement ou avec un déblocage à vie autour de 90 $.
WhisperX et la diarisation
Pour savoir qui parle, il faut ajouter une étape. WhisperX combine faster-whisper, un alignement mot à mot et la diarisation de pyannote-audio. Le projet annonce environ 70 fois le temps réel en traitement par lots avec large-v2 sur GPU, et fournit des horodatages au mot près, utiles pour les sous-titres. En contrepartie, il faut Python, un GPU confortable et un compte Hugging Face : le modèle de diarisation exige un jeton et l’acceptation explicite de ses conditions d’utilisation.
Pour un entretien à deux, une solution plus simple et plus fiable consiste à enregistrer chaque intervenant sur une piste séparée, puis à transcrire les deux fichiers. Le résultat est exact à 100 % sur l’attribution des propos, là où la diarisation automatique se trompe dès que les voix se ressemblent ou que les interlocuteurs se coupent.
La prise de son pèse plus lourd que le modèle
C’est le point le plus sous-estimé. Un large-v3-turbo sur un enregistrement réverbérant, avec un micro à un mètre et un ventilateur en fond, produira un texte médiocre ; un small sur une prise de son propre s’en sortira honorablement. Trois règles suffisent : placer le micro à 15-20 cm de la bouche, préférer une directivité cardioïde, et choisir la pièce la plus « molle » possible — rideaux, bibliothèque, tapis plutôt que carrelage et murs nus.
Évitez aussi les micro-casques Bluetooth : en mode conversation, ils basculent sur un profil à bande étroite qui dégrade fortement la voix. Un casque filaire ou un micro USB branché en direct donne un signal bien plus exploitable. Enfin, enregistrez en mono et laissez une marge de niveau confortable : un fichier saturé ne se rattrape pas, alors qu’un fichier un peu faible se normalise sans dommage.
Trois micros USB disponibles sur Amazon.fr
Les trois modèles ci-dessous sont proposés sur Amazon.fr au moment de la rédaction, à des prix relevés le 15 novembre 2026 ; ceux-ci peuvent évoluer. Les caractéristiques proviennent des fiches produit et des données constructeur : nous n’avons pas testé ces micros, et les profils indiqués sont des recommandations d’usage, pas des mesures.
En tant que Partenaire Amazon, SysKB réalise un bénéfice sur les achats remplissant les conditions requises, sans surcoût pour le lecteur.
FIFINE K669B, 32,99 € — le choix minimal. Micro à condensateur cardioïde en USB-A, câble de 1,8 m, corps métallique et petit pied trépied inclus, avec un bouton de volume. Il n’a pas de sortie casque, donc pas de retour direct pendant l’enregistrement. C’est le bon compromis pour quelqu’un qui veut tester la transcription sans investir, dans une pièce calme et à faible distance.
Elgato Wave:3 MK.2, 119,17 € — le choix polyvalent. Connexion USB-C, capsule à condensateur, protection Clipguard 2.0 contre la saturation, gain automatique, molette multifonction, prise casque pour le monitoring et bouton muet tactile. L’application Wave Link permet de régler finement le niveau et d’appliquer des effets. C’est le modèle le plus confortable pour un usage régulier : réunions, podcasts, interviews à distance.
Shure MV6 (Gen 2), 185,00 € — le choix pour pièce difficile. USB-C, pied de bureau et câble fournis, traitement embarqué : isolation de la voix, réducteur de bruit réglable, filtre anti-plosives numérique, mode de niveau automatique et égaliseur cinq bandes. C’est le modèle à regarder si vous ne pouvez pas traiter la pièce et que les bruits ambiants sont inévitables.
Les réglages qui changent réellement le résultat
Forcez la langue. La détection automatique se trompe sur les enregistrements courts ou bruités et bascule parfois sur une autre langue, avec un texte incohérent à la clé. Indiquer fr supprime ce risque.
Utilisez le prompt initial. Whisper accepte un texte d’amorce qui influence le style et l’orthographe. Y placer les noms des participants, les noms de produits et les acronymes de l’entreprise réduit nettement les erreurs récurrentes sur le vocabulaire maison.
Activez la détection d’activité vocale. En plus de couper les silences, elle limite les hallucinations : le modèle n’a plus l’occasion de « compléter » un passage vide.
Découpez les fichiers longs. Au-delà d’une heure, les outils graphiques deviennent plus confortables que la ligne de commande, et un plantage en fin de traitement coûte moins cher sur des segments de vingt minutes. C’est aussi le moyen de repérer rapidement un segment problématique sans tout relancer.
Quantifiez si la mémoire manque. Les modèles quantifiés Q5 ou Q8 réduisent l’empreinte disque et mémoire avec une perte de qualité limitée ; c’est souvent le réglage qui permet de faire tenir un medium sur une machine modeste.
Combien de temps pour une heure d’audio
Les ordres de grandeur publics donnent une idée du matériel nécessaire, à condition de les lire avec prudence. Sur un Apple M4 Max en Metal, les mesures publiées pour large-v3-turbo en Q8_0 atteignent environ 36 fois le temps réel sur un extrait de 11 secondes. Sur un Ryzen 7 PRO 4750U en processeur seul, le même modèle tourne autour de 1,1 à 1,7 fois le temps réel sur des extraits courts : une heure d’audio demande alors plusieurs dizaines de minutes.
Avec faster-whisper sur GPU, un relevé courant donne 13 minutes d’audio transcrites en 19 secondes en fp16 avec large-v3-turbo, contre 52 secondes avec large-v3. Ces chiffres sont mesurés sur des extraits propres et courts : sur une vraie réunion en français, comptez une marge, surtout si la diarisation est activée, car elle ajoute une passe complète d’analyse.
Enregistrer et transcrire dans un cadre acceptable
Une transcription de réunion contient des données personnelles : des voix identifiables, parfois des opinions, des éléments de santé ou de situation professionnelle. Le fait que le traitement soit local ne supprime ni l’obligation d’informer les participants, ni celle de limiter la durée de conservation, ni les règles internes de l’organisation. Dans un cadre professionnel, la question se règle généralement avec la direction et le service juridique avant le premier enregistrement, pas après.
Le local simplifie un point précis : aucun tiers n’héberge l’audio. Il ne rend pas la transcription anonyme pour autant — un texte contenant des noms reste un fichier sensible, à stocker et à supprimer comme tel. Un dossier chiffré ou un disque chiffré reste la bonne pratique, y compris sur un NAS.
Questions fréquentes
Faut-il une carte graphique pour transcrire avec Whisper ?
Non, mais elle change le confort. Un processeur récent transcrit en temps réel ou un peu mieux avec un modèle small ou medium. Un GPU récent, une puce Apple Silicon ou une carte NVIDIA permettent de passer à large-v3-turbo et de traiter une heure d’audio en quelques minutes.
Whisper est-il gratuit ?
Le modèle et les outils open source qui l’exécutent (whisper.cpp, Buzz, Vibe, WhisperX) sont gratuits et sous licence permissive. Certaines applications commerciales, comme MacWhisper, sont payantes pour leurs fonctions avancées, mais le moteur reste identique.
Peut-on transcrire une réunion Zoom ou Teams ?
Oui, à condition de récupérer le fichier audio. La plupart des plateformes permettent d’enregistrer localement la réunion, puis de transcrire le fichier obtenu. Capturer directement le son du système est possible mais plus fragile : cela dépend du pilote audio et demande parfois un périphérique virtuel.
Sources
Sources principales consultées le 15 novembre 2026 : dépôt OpenAI Whisper, whisper.cpp (modèles, mémoire, VAD, format WAV), relevés de performance large-v3-turbo, WhisperX, Buzz, Vibe, MacWhisper, ainsi que les fiches Amazon.fr des trois micros cités.