Qu'est-ce que la transcription automatique ?

La transcription automatique désigne le processus par lequel un logiciel convertit la parole (issue d'un enregistrement ou d'un flux en direct) en texte écrit. Au lieu qu'un humain écoute et saisisse, un modèle d'IA – généralement un réseau de neurones comme Whisper, Wav2Vec ou une architecture Conformer – effectue le travail en quelques secondes à quelques minutes.

En coulisses, plusieurs étapes se déroulent en parallèle. L'audio est découpé en courtes fenêtres temporelles, transformé en spectrogramme, puis transmis à un modèle acoustique qui détecte les phonèmes et les unités sous-lexicales. Un modèle de langage assemble ensuite ces phonèmes en mots et phrases les plus probables, en s'appuyant sur le contexte, la grammaire et le vocabulaire. Les modèles modernes de bout en bout réunissent l'étape acoustique et l'étape linguistique dans un seul réseau de neurones et fournissent souvent directement des horodatages par mot ainsi que la séparation des locuteurs (diarisation).

Par rapport à la transcription humaine, la variante automatique est nettement plus rapide (un fichier d'une heure est généralement traité en 1 à 3 minutes) et moins coûteuse – les bons prestataires facturent environ 0,18 à 0,30 € par heure d'audio, alors que la transcription humaine coûte de 60 à 120 € l'heure. Sur des enregistrements propres avec une élocution claire, les meilleurs systèmes actuels atteignent des taux d'erreur sur les mots inférieurs à 5 %, soit une précision de 95 % ou plus.

Là où la transcription automatique rencontre encore des difficultés : les accents régionaux marqués (suisse allemand, écossais prononcé), les locuteurs qui se chevauchent, le jargon sans prise en charge d'un vocabulaire personnalisé, la mauvaise qualité audio et les voix très faibles. Pour les usages les plus sensibles – comptes rendus judiciaires, documentation clinique, sous-titres de diffusion – les équipes utilisent généralement la transcription automatique comme première passe, puis font relire le résultat par un humain.

DeepScript utilise un moteur compatible Whisper, mais l'exploite entièrement sur ses propres serveurs en Allemagne – sans déléguer à des API cloud américaines.