Comparatif des modèles de transcription et comment choisir
Nous avons mesuré les 10 modèles de transcription disponibles dans cet outil sur le même audio en 5 langues. Le taux d’erreur est la part de la transcription mal reconnue, et le temps de traitement est une estimation de la durée nécessaire pour 1 heure d’audio. Si vous ne savez pas quel modèle choisir, commencez par « Recommandations par langue et par appareil ».
Date de la mesure : 29 octobre 2026
Recommandations par langue et par appareil
Japonais
Sur un ordinateur avec WebGPU, Haas-ja v1.0 (710 Mo) est le plus précis (taux d’erreur de 5,2 %). Il prend aussi environ un tiers du temps de SenseVoice Small. C’est le modèle par défaut dans Chrome et Edge sur ces ordinateurs (sauf les Mac à puce Apple). Sur les téléphones et les ordinateurs sans WebGPU, choisissez le modèle par défaut, SenseVoice Small (240 Mo). Il est à peu près aussi précis que Whisper Large v3 Turbo (1,5 Go) et prend moins de la moitié du temps.
Chinois et coréen
Pour le chinois, le modèle par défaut SenseVoice Small est plus précis que tous les modèles Whisper. Pour le coréen, sur un ordinateur avec WebGPU, Whisper Large v3 Turbo (taux d’erreur de 5,0 %) et Large v3 (4,6 %) sont plus précis que SenseVoice Small (7,9 %). Pour ces deux langues, Qwen3-ASR 1.7B sur un ordinateur avec WebGPU est au moins aussi précis que SenseVoice Small.
Anglais
Sur un ordinateur avec WebGPU, Whisper Large v3 Turbo (taux d’erreur de 5,8 %) ou Medium (5,7 %) est suffisamment précis. Le plus précis est Qwen3-ASR 1.7B (4,3 %), mais il télécharge environ 5,2 Go la première fois et utilise environ 5 Go de mémoire GPU. Sur les téléphones, choisissez SenseVoice Small (9,0 %).
Espagnol, allemand et autres langues
Sur un ordinateur avec WebGPU, choisissez Whisper Large v3 Turbo. Pour l’espagnol, Turbo (taux d’erreur de 4,4 %) est plus précis que Large v3 (6,2 %) et aussi plus rapide. Le plus précis pour l’espagnol est Qwen3-ASR 1.7B (4,1 %). Sur les téléphones et les ordinateurs sans WebGPU, choisissez Whisper Small ou plus grand.
Téléphones
Pour le japonais, le chinois, le coréen et l’anglais, choisissez le modèle par défaut, SenseVoice Small. Les téléphones exécutent une version allégée (8 bits) de Whisper : le taux d’erreur de Tiny en japonais dépasse donc 70 %. Pour les autres langues, Whisper Small est le plus précis, mais le traitement prend autant de temps que l’audio, voire plus. Pour un long audio, Whisper Base est aussi une option.
WebGPU est un moyen pour le navigateur d’utiliser le GPU pour le calcul. Il est disponible dans Chrome et Edge pour ordinateur, ainsi que dans d’autres navigateurs.
Ouvrir l’outil de transcriptionTaux d’erreur par langue
Le taux d’erreur est la part de la transcription qui diffère du texte correct. Plus il est bas, plus la transcription est précise. Le japonais, le chinois et le coréen sont comptés par caractère, l’anglais et l’espagnol par mot. Le modèle qui fait le moins d’erreurs dans chaque langue est mis en évidence. Le tableau montre les résultats sur un ordinateur avec WebGPU.
| Modèle | Japonais | Anglais | Espagnol | Coréen | Chinois |
|---|---|---|---|---|---|
| Haas-ja v1.0 | 5,2 % | — | — | — | — |
| SenseVoice Small | 8,6 % | 9,0 % | — | 7,9 % | 7,9 % |
| Whisper Tiny | 44,4 % | 16,0 % | 21,1 % | 20,4 % | 30,1 % |
| Whisper Base | 26,3 % | 11,5 % | 13,2 % | 13,7 % | 24,0 % |
| Whisper Small | 14,1 % | 7,3 % | 7,6 % | 7,2 % | 14,5 % |
| Whisper Medium | 8,7 % | 5,7 % | 5,3 % | 5,7 % | 9,8 % |
| Whisper Large v3 Turbo | 8,9 % | 5,8 % | 4,4 % | 5,0 % | 9,9 % |
| Whisper Large v3 | 6,9 % | 5,6 % | 6,2 % | 4,6 % | 11,5 % |
| Qwen3-ASR 1.7B | 8,0 % | 4,3 % | 4,1 % | 5,1 % | 7,7 % |
| Voxtral Mini 4B | 6,1 % | — | — | — | — |
« — » signifie que le modèle ne peut pas être sélectionné pour cette langue dans cet outil. Ces résultats portent sur de la parole lue à voix haute : tous les modèles font donc plus d’erreurs sur des enregistrements bruyants ou des conversations à plusieurs.
Temps de traitement et taille de téléchargement
Le temps de traitement est une estimation de la durée nécessaire pour transcrire 1 heure d’audio sur notre ordinateur de test (AMD Ryzen 7 8745H, GPU intégré Radeon 780M). La taille indiquée n’est téléchargée que la première fois ; ensuite, le modèle enregistré dans le navigateur est utilisé.
| Modèle | Temps pour 1 heure d’audio | Premier téléchargement | Configuration requise |
|---|---|---|---|
| Haas-ja v1.0 | environ 2 min | 〜710 MB | Ordinateur avec WebGPU (utilise environ 1 Go de mémoire GPU) |
| SenseVoice Small | environ 7 min | 〜240 MB | Ordinateurs et téléphones (fonctionne sur le CPU) |
| Whisper Tiny | environ 5 min | 〜145 MB | Ordinateurs et téléphones |
| Whisper Base | environ 6 min | 〜280 MB | Ordinateurs et téléphones |
| Whisper Small | environ 10 min | 〜925 MB | Ordinateurs et téléphones |
| Whisper Medium | environ 19 min | 〜650 MB | Ordinateur avec WebGPU recommandé (sur le CPU, 1 heure d’audio prend plusieurs heures) |
| Whisper Large v3 Turbo | environ 16 min | 〜1.5 GB | Ordinateur avec WebGPU et GPU prenant en charge les flottants 16 bits (fp16) recommandé (sinon, il fonctionne sur le CPU et prend plusieurs heures) |
| Whisper Large v3 | environ 23 min | 〜2.0 GB | Ordinateur avec WebGPU et GPU prenant en charge les flottants 16 bits (fp16) |
| Qwen3-ASR 1.7B | environ 19 min | 〜5.2 GB | Ordinateur avec WebGPU (utilise environ 5 Go de mémoire GPU) |
| Voxtral Mini 4B | environ 50 min | 〜2.9 GB | Ordinateur avec WebGPU et GPU prenant en charge les flottants 16 bits (fp16) ; utilise environ 5 Go de mémoire GPU ; un GPU intégré nécessite au moins 16 Go de RAM |
Le traitement est plus rapide sur les ordinateurs avec un GPU dédié comme GeForce, et plus lent sur les ordinateurs anciens. SenseVoice Small n’utilise pas le GPU ; il fonctionne sur le CPU.
Sur les téléphones et les ordinateurs sans WebGPU
Sur les téléphones et les ordinateurs sans WebGPU, une version allégée (8 bits) de Whisper fonctionne sur le CPU. Les taux d’erreur sont plus élevés que sur le GPU d’un ordinateur, et Tiny en particulier se dégrade fortement.
| Modèle | Japonais | Anglais | Espagnol | Coréen | Chinois | Temps pour 1 heure d’audio | Premier téléchargement |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6 % | 9,0 % | — | 7,9 % | 7,9 % | environ 7 min | 〜240 MB |
| Whisper Tiny | 70,5 % | 28,3 % | 31,5 % | 30,2 % | 51,0 % | environ 10 min | 〜40 MB |
| Whisper Base | 31,2 % | 12,1 % | 14,0 % | 15,2 % | 25,1 % | environ 15 min | 〜75 MB |
| Whisper Small | 14,8 % | 7,6 % | 7,7 % | 7,4 % | 14,3 % | environ 45 min | 〜240 MB |
Les temps de traitement concernent le CPU de notre ordinateur de test (1 thread). Les téléphones prennent plus de temps. Whisper Medium et plus grand prennent plusieurs heures pour 1 heure d’audio sur le CPU.
Ce que montrent les mesures
- Les grands modèles ne sont pas toujours plus précis. Whisper Large v3 est plus précis que Large v3 Turbo pour le japonais et le coréen, mais fait plus d’erreurs que Turbo pour l’espagnol et le chinois, et prend environ 1,4 fois plus de temps.
- Pour le japonais et le chinois, SenseVoice Small (240 Mo) est au moins aussi précis que Whisper Large v3 Turbo (1,5 Go) : japonais 8,6 % contre 8,9 %, chinois 7,9 % contre 9,9 %.
- Whisper Medium est presque aussi précis que Large v3 Turbo pour moins de la moitié de la taille de téléchargement (650 Mo contre 1,5 Go). Il prend environ 1,2 fois plus de temps que Turbo.
- Qwen3-ASR 1.7B fait le moins d’erreurs en anglais, en espagnol et en chinois.
- Le moins d’erreurs en japonais revient à Haas-ja v1.0 (5,2 %), environ 40 % de moins que SenseVoice Small (8,6 %). Il prend aussi environ un tiers du temps de SenseVoice Small.
- Sur le CPU, comme sur les téléphones, le taux d’erreur de Whisper Tiny augmente fortement (de 44,4 % à 70,5 % pour le japonais). Small ne change presque pas.
Notre méthode de mesure
- L’audio se compose de 100 énoncés par langue, choisis à intervalles réguliers dans la partie test de FLEURS (parole lue à voix haute), un banc d’essai multilingue de reconnaissance vocale publié par Google.
- Nous avons transcrit dans le navigateur avec le même logiciel que cet outil (transformers.js 4.2.0), les mêmes formats de modèles et le même traitement (le texte initial donné à Whisper et la reprise des sections revenues vides).
- Nous avons retiré la ponctuation, les espaces et les différences pleine chasse / demi-chasse avant de comparer avec le texte correct. Le chinois a été converti en chinois simplifié, et l’anglais est passé par la normalisation de texte utilisée pour l’évaluation de Whisper.
- L’ordinateur de test dispose d’un AMD Ryzen 7 8745H (GPU intégré Radeon 780M) et de 32 Go de mémoire, et le navigateur était Chromium 153. Les temps de traitement n’incluent pas le chargement du modèle.
- Haas-ja v1.0 et Voxtral Mini 4B ont été mesurés uniquement en japonais, et SenseVoice Small sur les 4 langues autres que l’espagnol (uniquement les langues pour lesquelles chaque modèle peut être sélectionné dans cet outil). Voxtral Mini 4B a été mesuré la veille des autres modèles et Haas-ja v1.0 le 3 novembre 2026, sur le même ordinateur et le même audio.
- Comme Qwen3-ASR 1.7B utilise un modèle séparé pour ajouter les horodatages, son temps de traitement a été mesuré en transcrivant de l’audio japonais (108 secondes) dans cet outil, cette étape comprise.
Questions fréquentes
Les grands modèles sont-ils plus précis ?
Pas toujours. Pour Whisper, la précision augmente avec la taille de Tiny à Medium, mais Large v3 a fait plus d’erreurs que Large v3 Turbo en espagnol et en chinois. Pour le japonais et le chinois, le petit SenseVoice Small est à peu près aussi précis que Turbo.
Quel modèle choisir sur un téléphone ?
Pour le japonais, le chinois, le coréen et l’anglais, choisissez SenseVoice Small. C’est aussi le modèle par défaut. Pour les autres langues, Whisper Small est le plus précis, mais il est lent : Whisper Base est donc aussi une option pour un long audio. Tiny fait beaucoup d’erreurs et n’est pas recommandé.
Comment le modèle par défaut est-il choisi ?
Il est choisi automatiquement selon la langue sélectionnée et les capacités de l’appareil. Pour le japonais, c’est Haas-ja v1.0 sur un ordinateur avec au moins 4 Go de mémoire où WebGPU est disponible dans Chrome, Edge ou un navigateur similaire (sauf les Mac à puce Apple). Pour le japonais ailleurs, par exemple sur les téléphones ou dans Safari et Firefox, ainsi que pour le chinois et le coréen, c’est SenseVoice Small. Pour l’anglais et les autres langues, l’un des modèles Whisper est choisi selon le GPU et la mémoire. Pour l’anglais, les appareils qui recevraient Whisper Base ou plus petit (comme les téléphones et les ordinateurs à GPU intégré) reçoivent SenseVoice Small à la place.
Le taux d’erreur sera-t-il le même pour des enregistrements de réunion ?
Non. Ces mesures utilisent de la parole lue à voix haute par une seule personne : tous les modèles font donc plus d’erreurs sur des enregistrements bruyants ou des conversations à plusieurs. Servez-vous-en pour comparer les modèles.
Choisissez un modèle et transcrivez
Cet outil est gratuit et ne nécessite aucune inscription. Les fichiers audio sont traités dans votre navigateur et ne quittent jamais votre appareil.
Ouvrir l’outil de transcription