Aller au contenu principal

Transcription

Réglages → Transcription liste les reconnaissances : les services qui transforment le son en texte, pour les conversations terminées et, pour le souffleur, pendant qu'une conversation a lieu.

Une conversation est transcrite quand vous le demandez dans la fenêtre des enregistrements, ou d'elle-même si Traiter les conversations automatiquement est activé dans Traitement. Une reconnaissance sur votre propre machine ne coûte rien à faire tourner ; une reconnaissance dans le cloud facture à la minute de son.

Reconnaissances​

Une reconnaissance est un service de reconnaissance vocale auquel le téléphone envoie le son. Ajouter en ajoute une ; le bouton Tester de sa fiche vérifie que le service répond vraiment. Chacune figure dans la liste avec son nom et, en dessous, le modèle et l'adresse de son service. Le tableau liste chaque type de service que le téléphone prend en charge, tel que Type sur la fiche les propose, avec l’adresse et les modèles qu’une nouvelle reconnaissance de ce type reçoit ; la dernière colonne montre les cinq configurées sur l’image :

TypeAdresse pour les transcriptionsAdresse pour le souffleurModèleSur l’image
Compatible OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, en direct gpt-live-transcribeOpenAI · gpt-4o-transcribe
Deepgramhttps://api.deepgram.com/v1wss://api.deepgram.comnova-3Deepgram · nova-2
ElevenLabs (Scribe)https://api.elevenlabs.io/v1wss://api.elevenlabs.ioscribe_v1, en direct scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, ou eu., us., au. à la place de global. pour une régionenhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(vide : le modèle par défaut du service), en direct grok-voice-transcribe-2.0X.ai · en direct grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(vide : le modèle par défaut du service), en direct stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(vide : le modèle par défaut du service)—
Vosk (sur votre propre machine)votre serveur, par exemple ws://localhost:2700(le même serveur)(réglé sur le serveur)Vosk · ws://localhost:2700
WhisperLive (sur votre propre machine)votre serveur, par exemple ws://localhost:9090(le même serveur)en direct small—
NVIDIA Riva (sur votre propre machine)votre serveur, par exemple localhost:50051(le même serveur)(réglé sur le serveur)—

L'Adresse pour le souffleur est le plus souvent une adresse WebSocket : wss:// pour un service dans le cloud, ws:// pour un serveur de votre propre réseau ; NVIDIA Riva s'indique sous la forme hôte:port.

Les deux marques à droite d'une ligne disent pour quoi la reconnaissance est celle par défaut. L'horloge est allumée sur celle par défaut pour les transcriptions — X.ai sur l'image —, utilisée quand vous n'en choisissez pas une autre. L'éclair est allumé sur celle par défaut pour le souffleur — Vosk sur l'image. Vous pouvez garder plusieurs reconnaissances ; la liste déroulante au-dessus d'une transcription dans la fenêtre des enregistrements liste les transcriptions faites par chacune.

La fiche d'une reconnaissance​

Un clic sur une reconnaissance ouvre sa fiche.

ChampCe que c'est
NomLe nom dans les listes.
TypeLe type de service, qui décide comment le téléphone lui parle : Compatible OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics, et trois qui tournent sur votre propre machine — Vosk, WhisperLive et NVIDIA Riva.
Adresse pour les transcriptionsOù sont envoyées les conversations terminées.
Adresse pour le souffleurOù part le son en direct pendant qu'une conversation a lieu. Le plus souvent une adresse WebSocket : wss:// pour un service dans le cloud, comme wss://api.x.ai sur l'image, ws:// pour un serveur de votre propre réseau. Vide : déduit de l'adresse voisine.
CléLa clé du service. Cela est gardé dans le trousseau de cet ordinateur, jamais dans un fichier de réglages.
TesterInterroge le service et dit ce qu'il a répondu, par exemple A répondu, et propose 3 modèles.
Modèle pour les transcriptions et Modèle pour le souffleurLe modèle, exactement comme le service le nomme. Vide : aucun nom de modèle n'est envoyé, et le service prend son propre modèle par défaut ; quand le fournisseur en publie un, la fiche le nomme. Le champ n'est pas affiché pour un type qui n'offre pas de choix. Sur l'image, xAI n'a pas de Modèle pour les transcriptions, et le Modèle pour le souffleur est grok-voice-transcribe-2.0.
Par défaut pour les transcriptionsEn fait la reconnaissance utilisée quand vous n'en choisissez pas une autre.
Par défaut pour le souffleurEn fait la reconnaissance avec laquelle écoute un nouvel assistant du souffleur.
ActivéDésactivée, la reconnaissance reste dans la liste et n'est pas utilisée.

Réglages avancés ouvre le reste de la fiche. Les valeurs qui comptent le plus :

ChampCe qu'il fait
RégionLa région du service, pour un service qui en a plusieurs.
Envoyer les deux côtés séparémentUn appel est enregistré avec les deux personnes sur deux canaux, et c'est ce qui dit à la reconnaissance qui a dit quoi. Désactivez-le pour un serveur qui prétend en être capable et ne l'est pas.
Demander qui parleDistingue les personnes à l'intérieur d'un canal, quand plusieurs y parlent.
Écrire les nombres en chiffresLes sommes, les dates et les numéros de téléphone reviennent tels qu'on les écrit plutôt qu'en toutes lettres.
Limite d'envoi, Limite de duréeLe plus gros fichier, en octets, et le plus long enregistrement, en secondes, que ce téléphone enverra.
Requêtes simultanéesCombien de requêtes peuvent être en cours en même temps.
Terminer une réponse après, Regrouper les réponses courtes sous, Silence entre toursPour le souffleur : combien de temps sans nouveaux mots termine une réponse, combien de temps une réponse courte attend la suivante pour lui être jointe, et combien de temps de silence termine un tour de parole là où la reconnaissance n'en marque pas. En millisecondes.
LangueUn code de langue à deux lettres selon la norme ISO 639-1 (en, de, es, fr, sr…). Laissez-le vide et la reconnaissance décide — c'est le bon choix, sauf si vos appels sont dans une langue qu'elle comprend souvent mal.
SupplémentsUn name = value par ligne, transmis tel quel au service. Laissez vide, sauf si le serveur documente quelque chose.
Attente, minutesCombien de temps attendre une transcription. Vide la calcule d'après la durée de l'enregistrement.
Prix à la minuteCe que coûte une minute de son en direct, d'après la grille tarifaire du service. Le souffleur montre ce qu'une séance a coûté et s'arrête à son plafond mensuel.

Reconnaissance en direct pour le souffleur​

Le souffleur a besoin d'une reconnaissance qui écoute pendant que quelqu'un parle, par un flux plutôt qu'avec un fichier terminé. Ces types en sont capables : Deepgram, ElevenLabs (Scribe), xAI (Grok), Compatible OpenAI (avec la transcription en temps réel d'OpenAI), AssemblyAI, Soniox et Speechmatics dans le cloud et Vosk, WhisperLive et NVIDIA Riva sur votre propre machine. Une reconnaissance sur votre propre machine garde la voix de l'interlocuteur dans vos murs et ne facture rien.

Pour en utiliser une : ouvrez sa fiche, vérifiez l'Adresse pour le souffleur — le plus souvent une adresse WebSocket, par exemple wss://api.x.ai pour X.ai, wss://api.deepgram.com pour Deepgram ou ws://localhost:2700 pour Vosk ; vide, elle est déduite de l'Adresse pour les transcriptions. Choisissez ensuite le Modèle pour le souffleur : les modèles en direct diffèrent souvent de ceux pour les fichiers — grok-voice-transcribe-2.0 pour X.ai, comme sur la fiche de l'image, scribe_v2_realtime pour ElevenLabs, gpt-live-transcribe pour OpenAI, stt-rt-v5 pour Soniox. Appuyez sur Tester. Cochez Par défaut pour le souffleur pour que les nouveaux assistants écoutent avec elle.

Quel modèle choisir​

Le tableau liste les modèles de reconnaissance vocale de chaque type de la liste Type. Les modèles en gras sont ceux configurés sur l'image ; pour la reconnaissance X.ai le modèle est vide, c'est donc le modèle par défaut du service, grok-voice-transcribe-2.0, qui est utilisé. C'est le Modèle pour les transcriptions qui y est vide ; le Modèle pour le souffleur est réglé sur ce même modèle. Pour dit à quoi sert un modèle : aux enregistrements terminés (transcriptions), à la parole en direct pour le souffleur (souffleur), ou aux deux.

Type et adresseModèlePourÀ quoi il sert
Compatible OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribetranscriptionsLe modèle qu'OpenAI recommande pour la parole enregistrée dans sa langue d'origine.
gpt-4o-transcribeles deuxTranscription généraliste. Une nouvelle reconnaissance de ce type le reçoit.
gpt-4o-mini-transcribeles deuxUne variante plus légère et moins chère du précédent.
gpt-4o-transcribe-diarizetranscriptionsIndique qui parle quand. Ne le prenez que si vous en avez besoin.
whisper-1transcriptionsL'ancien modèle Whisper, gardé pour des usages particuliers comme les horodatages par mot et les sous-titres.
gpt-live-transcribesouffleurLe modèle en direct d'OpenAI : les mots arrivent à mesure qu'ils sont prononcés. Le téléphone le propose pour le souffleur.
Deepgram
https://api.deepgram.com/v1
nova-3les deuxLe meilleur modèle généraliste de Deepgram, pour les réunions, le son bruyant et multilingue. Une nouvelle reconnaissance de ce type le reçoit.
nova-2les deuxLa génération précédente ; gardez-la pour les langues que nova-3 ne prend pas encore en charge.
nova-2-phonecallles deuxnova-2 réglé pour le son étroit d'une ligne téléphonique. Anglais.
flux-general-ensouffleurFait pour la conversation : il entend quand quelqu'un a fini de parler. Anglais.
flux-general-multisouffleurLa même chose en dix langues, et une conversation peut passer de l'une à l'autre.
enhanced, basetranscriptionsDes niveaux plus anciens ; base est fait pour les gros volumes.
whispertranscriptionsWhisper, exécuté par Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2transcriptionsTranscription généraliste dans plus de 90 langues, avec séparation des locuteurs.
scribe_v2_realtimesouffleurLa version en direct de scribe_v2. Le téléphone la propose pour le souffleur.
scribe_v2_medicaltranscriptionsscribe_v2 réglé pour le son clinique.
scribe_v1transcriptionsLa première génération ; obsolète, utilisez scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedles deuxLe plus précis, pour une conversation dans une seule langue. Une nouvelle reconnaissance de ce type le reçoit.
standardles deuxPlus rapide et moins cher, un peu moins précis.
melia-1transcriptionsUne conversation en plusieurs langues, qui en change au milieu d'une phrase, revient en une seule transcription. Enregistrements seulement, dans les régions UE et États-Unis ; pas encore de dictionnaire personnalisé ni d'étiquettes de locuteurs.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0les deuxLe seul modèle actuel, et celui par défaut : 38 langues, reconnues d'elles-mêmes. Fichiers jusqu'à 500 Mo ; la parole en direct part vers wss://api.x.ai.
grok-voice-transcribe-1.0transcriptionsObsolète : le service le renvoie vers 2.0.
Soniox
https://api.soniox.com
stt-async-v5transcriptionsPlus de 60 langues, avec séparation des locuteurs.
stt-rt-v5souffleurEn direct, dans les mêmes 60 langues et plus, et il entend où finit un tour de parole. Le téléphone le propose pour le souffleur.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proles deuxLe modèle le plus précis pour les enregistrements ; 18 langues, et une conversation peut passer de l'une à l'autre.
universal-2transcriptions99 langues, moins cher ; AssemblyAI se rabat sur lui pour une langue que universal-3-5-pro ne connaît pas.
universal-3-6-prosouffleurLe plus récent modèle en direct d'AssemblyAI, 32 langues ; le service le prend quand le modèle est vide.
universal-streaming-multilingualsouffleurReconnaissance en direct moins chère en anglais, espagnol, allemand, français, portugais et italien.
universal-streaming-englishsouffleurReconnaissance en direct moins chère, en anglais seulement.
Vosk (sur votre propre machine)
ws://localhost:2700
(réglé sur le serveur)les deuxGratuit et léger ; tourne sans carte graphique. Le modèle est celui avec lequel le serveur a été lancé, un par langue, par exemple vosk-model-fr-0.22 ou le petit vosk-model-small-fr-0.22.
WhisperLive (sur votre propre machine)
ws://localhost:9090
smallles deuxWhisper sur un flux en direct. La taille se choisit sur la fiche : tiny, base, small (ce que propose le téléphone), medium, large-v3 ; plus il est grand, plus il est précis, et plus il réclame une carte graphique.
NVIDIA Riva (sur votre propre machine)
localhost:50051
(réglé sur le serveur)les deuxLe serveur vocal de NVIDIA, pour un ordinateur doté d'une carte graphique NVIDIA. Il sert des modèles comme Parakeet et Canary.

Ce qu'il vaut mieux savoir avant de choisir :

  • Transcriptions ou souffleur. Un modèle fait pour la parole en direct ne prend pas de fichier terminé, et la plupart des modèles pour fichiers ne savent pas écouter en direct. C'est pourquoi une fiche a deux champs, Modèle pour les transcriptions et Modèle pour le souffleur.
  • Taille des fichiers. OpenAI accepte des fichiers jusqu'à 25 Mo ; X.ai jusqu'à 500 Mo. Une longue conversation peut dépasser ce qu'un service cloud accepte.
  • Prix. Les services cloud facturent à la minute de son, et les tarifs varient selon le modèle et changent ; consultez-les sur la page du service avant de changer. Une reconnaissance sur votre propre machine ne coûte rien à faire tourner.
  • Langues. Chaque service a sa propre liste ; vérifiez la vôtre, et indiquez le code Langue dans les réglages avancés de la reconnaissance si elle se trompe.

La liste des modèles d'un service change souvent. S'il vous manque un modèle ici, la documentation du service donne la liste à jour — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — le Modèle est le nom exactement tel que le service le donne.

Vos propres modèles​

Une reconnaissance n'a pas besoin d'être un service cloud. Le téléphone peut utiliser n'importe quel modèle servi via l'API compatible OpenAI — l'interface POST /v1/audio/transcriptions —, qu'il tourne localement sur votre ordinateur ou sur un serveur à vous. L'audio ne quitte jamais vos locaux, rien n'est facturé à la minute, et le volume n'a pas de limite.

Pour en ajouter une, appuyez sur Ajouter et indiquez :

  • l'adresse du serveur, jusqu'à /v1 inclus, par exemple http://localhost:8000/v1 pour l'ordinateur lui-même ou http://asr.local:8080/v1 pour un serveur de votre réseau ;
  • le nom du modèle exactement tel que le serveur le liste, par exemple openai/whisper-large-v3-turbo.

Ce qui peut être utilisé​

Le choix habituel est Whisper, le modèle ouvert de reconnaissance vocale d'OpenAI. Il est gratuit, comprend une centaine de langues et existe en plusieurs tailles : un petit modèle tourne sur un ordinateur ordinaire, les grands sont nettement plus précis et gagnent à disposer d'une carte graphique.

ModèleRemarques
whisper-large-v3Le Whisper le plus précis. Pour un serveur avec GPU.
openai/whisper-large-v3-turboUne version plus rapide de large-v3, avec une légère perte de précision.
Systran/faster-whisper-large-v3large-v3 converti pour le moteur faster-whisper ; plus rapide et plus économe en mémoire.
medium, small, baseDes modèles Whisper plus petits, pour un ordinateur sans carte graphique.

Whisper est le modèle autour duquel ces serveurs sont construits. Certains peuvent aussi servir d'autres modèles de reconnaissance vocale, comme NVIDIA Parakeet.

Serveurs qui proposent l'API compatible OpenAI​

Le modèle doit être exécuté par un serveur qui propose le point d'accès /v1/audio/transcriptions compatible OpenAI. Ceux-ci le font :

ServeurCe que c'est
vLLMUn serveur de modèles haute performance. Sert Whisper à http://localhost:8000/v1 une fois démarré.
SpeachesUn serveur de modèles vocaux, « l'Ollama de la parole », construit sur faster-whisper. Charge un modèle à la première demande.
whisper.cppExécute Whisper efficacement sur un processeur, y compris Apple silicon. Son whisper-server se lance avec --inference-path /v1/audio/transcriptions.
LocalAIUn remplaçant direct d'OpenAI qui exécute les modèles localement.

Tout autre serveur qui propose le même point d'accès fonctionne de la même façon. Si un serveur demande une clé, saisissez-la comme pour un service cloud.

Avant de compter sur un serveur, faites un enregistrement de test et regardez la transcription dans la fenêtre des enregistrements : une conversation dans une langue que le modèle connaît mal le montre aussitôt.