Whisper vaut-il la peine d'être installé ? La réponse dépend du volume à transcrire et du matériel dont vous disposez. C'est un modèle de reconnaissance vocale open source publié par OpenAI en 2022 : l'audio est transcrit sur votre propre ordinateur, sans facturation à la minute. Les personnes qui n'ont qu'un enregistrement de temps en temps feront mieux d'utiliser un service de transcription prêt à l'emploi ; celles qui traitent chaque semaine des réunions, des interviews ou des podcasts économisent de l'argent et du temps d'attente en l'installant une fois.
Informations sur le dépôt officiel
Le dépôt officiel se trouve sur GitHub, le nom de l'organisation est openai, le nom du projet est whisper, et le code ainsi que les poids du modèle sont publiés sous licence MIT. Les modèles existent en six tailles — tiny, base, small, medium, large et turbo — et les valeurs de référence pour la VRAM sont d'environ 1 Go pour tiny et base, environ 2 Go pour small, environ 5 Go pour medium, environ 6 Go pour turbo et environ 10 Go pour large, la vitesse étant mesurée par rapport à large, tiny étant le plus rapide. L'usage réel varie selon l'environnement d'exécution ; vérifiez donc d'abord votre carte graphique par rapport à ce tableau. Sans GPU du tout, vous pouvez tout de même commencer par tiny ou base.
Le déploiement en lui-même n'est pas compliqué — le temps part dans le choix de l'environnement d'exécution. La version d'origine fonctionne avec Python et FFmpeg, faster-whisper est le choix de la vitesse, et whisper.cpp celui du CPU ou d'Apple Silicon. Les modèles se téléchargent au premier lancement, puis peuvent fonctionner entièrement hors ligne. Ne pas avoir d'interface fait partie de sa nature : il ne fait que transformer l'audio en texte, donc la dictée, les sous-titres en direct et la segmentation automatique ont besoin d'autres outils à brancher dessus — n'espérez pas ouvrir une réunion avec lui juste après l'installation.
Trois vrais pièges, à connaître avant d'installer
- Les passages silencieux invitent aux hallucinations. De longs silences ou du bruit de fond peuvent amener le modèle à écrire des mots que personne n'a prononcés ; ajouter une détection d'activité vocale en amont et découper les longs audios en segments avant la transcription réduit nettement ce risque.
- Les noms propres et les noms de personnes seront quand même faux. Les noms, les lieux et les produits exigent une vérification humaine, et dans les situations importantes, n'envoyez jamais la transcription sans contrôle — les chiffres et les horaires doivent tout particulièrement être vérifiés par rapport à l'audio d'origine.
- Les horodatages dérivent sur les longs audios. Sur des enregistrements de deux ou trois heures, l'alignement glisse le plus aux frontières des segments et aux changements de locuteur ; cela convient comme brouillon de transcription, pas comme compte rendu final.
Il convient aux personnes qui transcrivent selon un rythme hebdomadaire fixe et tiennent à ce que l'audio ne quitte pas leur machine ; il ne convient pas à celles qui veulent cliquer et partir, ni à celles dont l'ordinateur est trop vieux pour faire tourner ne serait-ce que small. Pour ces dernières, essayez d'abord small sur un court enregistrement — s'il tourne, décidez ensuite s'il faut passer à large.
