Whisper

Whisper est une famille de modèles de reconnaissance vocale open source publiés par OpenAI. Il transcrit l'audio parlé en texte, et les modèles multilingues large-v3 peuvent traduire la parole depuis de nombreuses langues directement vers l'anglais. Les poids sont publiés sous la licence permissive MIT, ce qui permet de les télécharger et de les exécuter sur son propre matériel.

La version ouverte actuelle est large-v3-turbo, une version optimisée de large-v3 publiée en septembre 2024. Elle conserve presque toute la précision du modèle large-v3 complet tout en étant environ 8 fois plus rapide, ce qui la rend bien plus pratique pour les traitements par lots et les usages quasi temps réel. Le checkpoint large-v3 complet reste disponible pour obtenir la meilleure qualité possible. Turbo n'est pas entraîné pour les tâches de traduction ; il faut utiliser les autres checkpoints multilingues large-v3 pour la traduction de la parole vers l'anglais.

En plus des modèles ouverts, OpenAI propose une transcription hébergée via son API. Le point de terminaison d'origine, whisper-1, ainsi que gpt-4o-transcribe, gpt-4o-mini-transcribe et gpt-4o-transcribe-diarize, ont été dépréciés en août 2026 et doivent être retirés de l'API le 26 février 2027. OpenAI recommande désormais gpt-transcribe pour la transcription de fichiers et gpt-live-transcribe pour le streaming audio en direct. gpt-realtime-whisper et gpt-realtime-translate figurent également sur la page tarifaire d'OpenAI.

La tarification se divise en deux volets. Les modèles open source sont gratuits à utiliser — seul le coût de calcul reste à votre charge. L'API hébergée est facturée à la minute d'audio : gpt-transcribe coûte 0,0045 $/min, gpt-live-transcribe et gpt-realtime-whisper coûtent 0,017 $/min, et gpt-realtime-translate coûte 0,034 $/min. Les modèles dépréciés whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe et gpt-4o-transcribe-diarize restent facturables à leurs tarifs actuels par minute jusqu'à leur retrait le 26 février 2027.

La précision varie beaucoup selon la langue. Whisper a été entraîné sur environ 99 langues, mais la qualité est la plus forte pour les langues à ressources abondantes comme l'anglais et diminue nettement pour les langues moins courantes. L'exécution des modèles les plus volumineux en local nécessite également un GPU performant, et le modèle peut parfois générer des hallucinations de texte lors de longs silences.

Whisper est un bon choix si vous voulez un moteur de transcription gratuit et auto-hébergeable, si vous avez besoin d'une large couverture multilingue, ou si vous préférez une API gérée sans construire votre propre pipeline. Choisissez les modèles hébergés gpt-transcribe ou gpt-live-transcribe si vous avez besoin d'une transcription de fichiers ou en direct via l'API d'OpenAI, et prévoyez de migrer toute intégration utilisant encore les points de terminaison dépréciés.