Transcription IA : j'ai fait écouter 6 h de français à 6 API

En mars, j'ai livré à un cabinet de recrutement un pipeline qui transcrit ses entretiens candidats. Trois semaines plus tard, la DRH m'appelle : le compte rendu attribuait à un candidat une phrase qu'il n'avait jamais prononcée — insérée par Whisper pendant un blanc de douze secondes. Cet incident m'a poussé à faire ce que j'aurais dû faire avant de signer : confronter les six API de transcription du marché à de l'audio français réel, avec un chronomètre, une calculatrice et un correcteur. Verdict en deux thèses : le classement anglais ne survit pas au passage au français, et la hiérarchie des prix — de 0,07 à 0,75 $ l'heure — ne recoupe pas celle de la qualité. Si vous transcrivez des réunions, des appels clients ou des vidéos, ce qui suit va directement peser sur votre facture et sur ce que vos comptes rendus racontent.

Pourquoi les classements anglais mentent sur le français

Sur le papier, le match est plié. Le leaderboard speech-to-text d'Artificial Analysis classe ElevenLabs Scribe v2 en tête avec 2,2 % de taux d'erreur mot (WER), devant AssemblyAI Universal-3 Pro (3,1 %), Gladia Solaria-3 (3,2 %), le gpt-transcribe d'OpenAI (3,3 %) et, loin derrière, Deepgram Nova-3 (5,2 %). Sauf que ces chiffres mesurent essentiellement de l'anglais propre, bien enregistré, sans chevauchement de parole.

Votre quotidien, c'est autre chose : une visio avec quatre personnes qui se coupent, un appel client compressé en 8 kHz par la téléphonie, un CODIR qui enchaîne « EBITDA retraité » et « BFR normatif », un commercial marseillais et une consultante qui bascule en anglais au milieu d'une phrase. Sur ce terrain, la hiérarchie bouge — parfois violemment. Le benchmark publié par Gladia au lancement de Solaria-3 le 10 juin place son modèle à 6,4 % d'erreurs sur l'audio business (Earnings22), devant AssemblyAI (6,9 %), ElevenLabs (7,7 %), Speechmatics (7,8 %) et Deepgram… à 12 %. Benchmark d'éditeur, donc à prendre avec des pincettes — j'y reviens. Mais l'ordre de grandeur colle à ce que j'ai observé : entre l'anglais de démo et le français de terrain, certaines API perdent deux fois plus de mots que d'autres. Choisir sur le seul WER anglais, c'est acheter une voiture sur sa vitesse de pointe pour faire du centre-ville.

Six API, un protocole : comment j'ai testé

J'ai constitué 6 heures d'audio français représentatif de ce qu'une PME produit : 2 h de visio multi-intervenants (Meet, quatre voix), 1 h d'appels téléphoniques mono en 8 kHz, 1 h d'interview enregistrée dans un café, 1 h de comité de direction chargé en jargon financier, et 1 h d'accents (sud, Québec, code-switching franco-anglais). Chaque API a reçu les mêmes fichiers ; j'ai compté les erreurs à la main sur des extraits de contrôle, puis croisé mes observations avec les benchmarks publics — Artificial Analysis pour l'anglais, FLEURS et Common Voice pour le multilingue, Earnings22 et Switchboard pour l'audio difficile.

Les 14 critères : WER anglais, WER français, tenue sur audio téléphonique, tenue sur bruit, diarisation (qui parle quand), vocabulaire métier, timestamps, latence en streaming, prix batch, prix streaming, hébergement UE, option self-hosted, nombre de langues, et expérience développeur. Détail qui n'a rien d'anecdotique : la moitié de la qualité se joue avant l'API. Depuis que mes visios passent par un Rode NT-USB Mini ^{· Amazon} plutôt que par le micro du laptop, le taux d'erreur de tous les modèles baisse. Aucun modèle ne rattrape un enregistrement pourri.

Pourquoi ces six-là ? OpenAI parce que tout le monde a déjà sa clé API, Deepgram et AssemblyAI parce qu'ils équipent la majorité des agents vocaux, ElevenLabs parce que Scribe truste les benchmarks, Gladia parce que c'est le champion français, Speechmatics pour l'option on-premise. J'ai laissé de côté les hyperscalers (Azure, Google) — tarification enchevêtrée dans des consoles cloud — et je ne rejoue pas ici le match de la synthèse vocale, déjà couvert dans notre comparatif Voxtral vs ElevenLabs côté voix.

Combien coûte la transcription IA d'une heure d'audio ?

Premier constat : la guerre des prix fait rage. Le 7 mai, ElevenLabs a baissé ses tarifs speech-to-text de 45 % et introduit le paiement à l'usage : Scribe v2 est passé de 0,40 à 0,22 $ l'heure d'audio. OpenAI a répliqué avec gpt-transcribe à 0,0045 $/min, 25 % sous son propre whisper-1. Résultat, le tableau des prix ressemble à ceci :

L'écart va de 1 à 10 entre Whisper hébergé chez fal.ai (1,15 $ les 1 000 minutes) et le haut du panier. Deux subtilités de facturation qui comptent : Deepgram facture à la seconde là où d'autres arrondissent, et les options changent l'addition — chez AssemblyAI, diarisation et vocabulaire métier sont des suppléments, chez Gladia tout est dans le prix de base. Comparer les tarifs affichés sans lister vos options, c'est le piège classique.

Précision en français : Solaria-3 rebat les cartes

Sur ma visio propre, tout le monde s'en sort : les six API livrent un texte exploitable, les écarts se jouent sur les liaisons, les noms propres et la ponctuation. C'est sur l'audio dégradé que le panel explose. Mes appels téléphoniques en 8 kHz ont fait des dégâts partout — et les benchmarks publics confirment l'ampleur : sur Switchboard (conversations téléphoniques), le meilleur score publié reste 33,9 % d'erreurs (Solaria-3), contre 55,2 % pour ElevenLabs. Un mot sur trois perdu dans le meilleur des cas : si votre cas d'usage est l'enregistrement d'appels, testez avant de signer, aucune promesse commerciale ne tient sur ce terrain.

Gladia a construit son lancement Solaria-3 sur le français : −18 % d'erreurs par rapport à Solaria-1 sur de l'audio client réel, −19 % sur Common Voice, et un exemple frappant sur la parole hachée — 0 % d'erreurs sur un locuteur qui bégaie, là où son propre Solaria-1 et le Voxtral de Mistral plafonnent à 15,8 %. Chiffres d'éditeur, publiés par l'intéressé, donc invérifiables indépendamment à ce jour — c'est ma réserve principale, détaillée plus bas. Mais sur mon heure d'accents et mon CODIR jargonneux, Solaria-3 a effectivement produit le texte le plus propre du panel, devant Scribe v2. ElevenLabs revendique de son côté moins de 5 % d'erreurs dans plus de 25 langues dont le français, sur FLEURS et Common Voice — cohérent avec ce que j'ai vu : Scribe est excellent sur du français standard, il décroche sur le téléphone et les accents marqués. Deepgram, lui, assume son ADN : Nova-3 est pensé anglais d'abord, et ça se voit dès que la conversation quitte Wall Street.

Whisper hallucine, et c'est documenté

Revenons à mon incident de mars. Ce n'était pas un bug isolé : c'est un comportement documenté académiquement. L'étude « Careless Whisper » d'Allison Koenecke (Cornell), publiée à la conférence FAccT, a analysé plus de 13 000 extraits audio parfaitement clairs :

187 hallucinations détectées — des phrases entières inventées pendant les silences — dont près de 40 % préjudiciables au locuteur : propos violents, commentaires raciaux, traitements médicaux imaginaires.

L'enquête de l'Associated Press, relayée par le Seattle Times, a montré que des hôpitaux utilisaient Whisper pour transcrire des consultations malgré ces inventions. OpenAI présente ses modèles gpt-4o-transcribe et gpt-transcribe comme moins sujets aux hallucinations que whisper-1 — mes tests vont dans ce sens, je n'ai pas reproduit l'invention de phrase avec gpt-transcribe. Règle pratique quel que soit le fournisseur : coupez les silences en amont (VAD), et relisez tout verbatim destiné à un dossier RH, juridique ou médical. Une transcription n'est pas une preuve.

Diarisation, vocabulaire métier, timestamps : le tri se fait ici

Le WER fait les gros titres, les fonctionnalités font l'usage. Premier couperet : OpenAI ne propose pas de diarisation. Pas de « qui a dit quoi » — éliminatoire pour des réunions ou des entretiens, sauf à bricoler avec pyannote par-dessus. En face, Scribe étiquette jusqu'à 32 locuteurs et marque les événements non verbaux (rires, applaudissements), Deepgram et Speechmatics incluent la diarisation, AssemblyAI la facture 0,02 $/h de plus.

Deuxième couperet : le vocabulaire métier. Mon CODIR transformait « EBITDA retraité » en bouillie phonétique sur la moitié du panel. Deux correctifs efficaces : le keyterms prompting d'AssemblyAI (+0,05 $/h) et le vocabulaire personnalisé de Gladia, inclus dans le prix de base avec la détection d'entités, l'analyse de sentiment, le résumé et la traduction. Après injection d'un lexique de 40 termes, mes erreurs de jargon ont quasiment disparu chez les deux. Si vos audios parlent comptabilité, pharma ou BTP, ce critère pèse plus lourd que 0,5 point de WER générique — même logique que pour l'extraction documentaire, où le contexte métier fait le résultat.

Quelle API pour un agent vocal temps réel ?

Le streaming est un autre sport : on ne juge plus seulement les erreurs, mais la latence — le délai entre la parole et le texte, qui conditionne le naturel d'un standard téléphonique IA. Trois offres sortent du lot. Scribe v2 Realtime, lancé en novembre dernier, revendique moins de 150 ms, pour 0,39 $/h. Gladia tient sous les 300 ms — l'argument central de sa levée de 16 M$ racontée par TechCrunch — à 0,75 $/h. Et AssemblyAI casse le marché avec Universal-Streaming à 0,15 $/h, latence de l'ordre de 300 ms : trois fois moins cher que Deepgram en streaming (0,46 $/h), qui garde en revanche le record de débit en batch — 551 fois le temps réel mesuré par Artificial Analysis, une heure d'audio avalée en sept secondes.

Gardez la proportion en tête : dans un agent vocal complet, le speech-to-text est l'étage le moins cher — le gros de la facture part dans le LLM et la synthèse vocale, comme le montrait notre décorticage des prix réels de Vapi, Retell et consorts. Optimiser le STT à 0,15 $/h n'a de sens que si le reste du pipeline suit.

Transcription automatique et RGPD : qui traite vos audios où ?

Vos enregistrements de réunions contiennent des données personnelles, souvent sensibles. La question « où partent mes audios » n'est donc pas cosmétique — la CNIL l'a rappelé pour les systèmes IA à mémoire persistante. État des lieux, du plus simple au plus flou. Gladia traite en Europe nativement : société parisienne, fondée en 2022 par Jean-Louis Quéguiner et Jonathan Soto, 20,3 M$ levés au total. AssemblyAI a ouvert un endpoint européen (api.eu.assemblyai.com, hébergé à Dublin) qui garantit que ni l'audio ni les transcriptions ne quittent l'UE, streaming compris. Deepgram a suivi : son endpoint UE est en disponibilité générale depuis le 10 janvier, et l'option self-hosted couvre les besoins de localité totale. Speechmatics (Cambridge, Royaume-Uni) propose du déploiement en conteneurs sur votre infra. Restent les flous : chez ElevenLabs et OpenAI, la résidence européenne dépend d'offres entreprise à négocier — et pensez à vérifier les cases d'entraînement sur vos données, on a déjà détaillé les opt-out à décocher fournisseur par fournisseur. Pour la santé, aucune de ces API ne remplace un hébergement HDS : anonymisez avant, ou passez votre chemin.

Faire tourner Whisper en local : ce que ça coûte

L'échappatoire souveraine existe : Whisper large-v3 est open source (4,1 % de WER anglais mesuré par Artificial Analysis, honorable en français), et faster-whisper tourne sur un Mac M-series à plusieurs fois le temps réel. Gratuit, aucune donnée ne sort — sur le papier, imparable, dans l'esprit de notre comparatif des API souveraines. Mon retour de terrain est moins glorieux : la transcription brute passe, mais la diarisation locale via pyannote m'a coûté un week-end de dépendances Python cassées et des attributions de locuteurs fantaisistes sur les chevauchements. J'ai rendu les armes pour les projets clients. Le compromis que j'utilise : Whisper large-v3 hébergé chez fal.ai à 0,07 $/h — dix fois moins cher qu'OpenAI — pour les gros volumes non sensibles, et une API managée dès qu'il faut de la diarisation fiable.

Trois scénarios PME, trois factures

Les pourcentages, c'est bien ; vos cas d'usage, c'est mieux. Trois profils types, calculés aux tarifs publics de septembre :

La leçon saute aux yeux : à l'échelle d'une PME qui transcrit ses réunions, le prix est un non-sujet — tout le panel tient sous 15 $ par mois, choisissez sur la qualité et la conformité. C'est en streaming à volume que les écarts deviennent structurants. Côté intégration, pas besoin de code pour commencer : les six API se branchent sur vos outils via Make ou Zapier — fichier audio déposé dans un Drive, transcription qui atterrit dans Notion ou Slack, le tout en vingt minutes de configuration, sur le modèle de notre comparatif des assistants de réunion mais avec vos règles à vous.

Le tableau final : 14 critères, un gagnant par ligne

Notre verdict détaillé

Je tranche. ElevenLabs Scribe v2 est le meilleur rapport précision/prix généraliste du marché : 2,2 % de WER pour 0,22 $/h depuis la baisse de mai, diarisation incluse — c'est mon choix par défaut pour des réunions et des contenus en français standard. Gladia est le choix du français exigeant : téléphone, accents, jargon, élocution hachée, avec l'hébergement UE en série. À 0,61 $/h, c'est presque trois fois Scribe ; ce premium se justifie si votre audio est difficile ou si votre DPO ne transige pas — sinon, c'est cher. AssemblyAI est le choix de l'ingénieur : streaming à 0,15 $/h imbattable, endpoint UE sérieux, documentation impeccable. Deepgram reste pertinent pour du volume anglophone où son débit record écrase la concurrence, mais je ne le recommande pas pour du français en 2026. OpenAI dépanne — une clé que vous avez déjà, un prix correct — mais l'absence de diarisation en fait un outil d'appoint, pas une solution réunions. Speechmatics ne se justifie que pour l'on-premise. Et si vous transcrivez moins de deux heures par mois, oubliez les API : un assistant clé en main type Granola vous coûtera moins cher en temps d'intégration.

Les questions qu'on continue de se poser

Trois angles morts, par honnêteté. Un : il n'existe aucun leaderboard indépendant sérieux du speech-to-text en français — Artificial Analysis mesure l'anglais, et les chiffres français les plus précis viennent de Gladia, qui est juge et partie. Tant qu'un tiers n'aura pas rejoué Earnings22 ou Common Voice français sur les six API, une part du classement repose sur des benchmarks d'éditeurs et sur mes six heures d'audio — utile, pas définitif. Deux : la guerre des prix (−45 % chez ElevenLabs en mai, gpt-transcribe 25 % sous whisper-1) ressemble à une course à la part de marché ; l'histoire récente, de DeepSeek et la fin de sa stratégie low-cost, montre que ces tarifs remontent une fois les clients captifs. Verrouillez vos prix au contrat si vous partez sur du volume. Trois : Solaria-3 ne couvre que cinq langues européennes — si votre entreprise transcrit aussi de l'arabe ou du mandarin, le match se rejoue avec d'autres cartes.

Quelle API speech-to-text choisir : la marche à suivre

Si vous ne retenez que trois actions, les voici. D'abord, testez sur vos audios, pas sur les démos : les crédits gratuits suffisent largement — 8 h par mois chez Speechmatics, 50 € chez Gladia (avec un code TRY-SOLARIA-3 encore actif au moment où j'écris), des crédits d'essai chez Deepgram et AssemblyAI. Une heure de vos pires enregistrements — téléphone, accents, jargon — vous en dira plus que tous les benchmarks, le mien compris. Ensuite, exigez l'endpoint européen dès le POC, pas au moment de l'audit : basculer d'api.assemblyai.com vers api.eu.assemblyai.com coûte une ligne de configuration au départ, et une migration douloureuse dix-huit mois plus tard. Enfin, instrumentez : prélevez chaque mois un échantillon de transcriptions, comptez les erreurs sur des passages critiques (montants, noms, engagements), et surveillez les silences — c'est là que les modèles inventent. La transcription automatique est devenue assez bonne et assez peu chère pour équiper n'importe quelle PME ; elle n'est pas devenue assez fiable pour être crue sur parole. Traitez-la comme un stagiaire brillant : un gain de temps considérable, à condition de relire ce qui engage.