MARKETIA
ConnexionInscription

Transcrire de l'audio en local : Whisper, WhisperX, Vosk et applications, ce que disent les sources

Sources vérifiées le 18 octobre 2026 (comparatif rédigé le 18 octobre 2026).

Lecture des sources publiques, sauf mention d'un test d'usage séparé lié dans le texte : ce comparatif ne donne ni classement ni note. Notre méthode.

En résumé

Transcrire un entretien ou une réunion sans l'envoyer à un service en ligne est possible avec des outils open source, mais il faut distinguer trois choses : le moteur de reconnaissance (Whisper et ses variantes, Vosk), les briques qui s'ajoutent (WhisperX pour savoir qui parle), et les applications qui les emballent (Meetily, Subtitle Edit, Vibe). Ce comparatif ne classe rien : hormis whisper.cpp (test d'usage du 2026-10-18 : un extrait synthétique de 25,95 s, modèle tiny), Vosk (test d'usage du 2026-10-18) et Vibe (test d'usage du 2026-10-19 : un extrait synthétique de 27,6 s, modèle small), chacun sur une seule machine, nous n'avons transcrit aucun fichier audio. La licence du code ne suffit pas, il faut aussi lire celle du modèle.

OutilLicence du codeLicence des modèles relevéeFiche
Whisper (OpenAI)MITMIT pour le code et les poids (README) ; carte whisper-large-v3 : Apache-2.0Fiche Whisper
faster-whisperMITModèles Systran faster-whisper-large-v3 et faster-whisper-small : MIT ; filtre de voix Silero non vérifiéFiche faster-whisper
whisper.cppMITModèles ggml de ggerganov/whisper.cpp : MIT ; filtre de voix whisper-vad non vérifiéFiche whisper.cpp
WhisperXBSD-2-ClauseDiarisation pyannote : CC-BY-4.0 (modèle cité par le README), accès sur acceptation de conditionsFiche WhisperX
VoskApache-2.0Majorité Apache-2.0, avec exceptions AGPL, LGPL, GPL et CC-BY-NC-SAFiche Vosk
MeetilyMITParakeet de NVIDIA : CC-BY-4.0 ; Whisper : MITFiche Meetily
Subtitle EditMITModèles éventuels non confirmés au READMEFiche Subtitle Edit
VibeMIT (champ de licence de l'API GitHub et fichier LICENSE, lus pour le test)Aucun modèle fourni par l'installeur ; licence du modèle Whisper « small » téléchargé pour le test non relevée dans ce testFiche Vibe

La famille Whisper : Whisper, faster-whisper, whisper.cpp

  • Whisper : le README indique que le code et les poids des modèles sont publiés sous licence MIT. Les modèles, de « tiny » à « turbo », sont téléchargés à la demande.
  • faster-whisper : MIT (licence lue via l'API GitHub). Il télécharge automatiquement des modèles CTranslate2 de Systran depuis Hugging Face, dont les cartes lues indiquent MIT. La fiche du catalogue annonce « jusqu'à 4x plus rapide, à précision équivalente » : nous n'avons pas vérifié cette affirmation et ne la reprenons pas à notre compte.
  • whisper.cpp : MIT ; le README présente un script de téléchargement des modèles ggml. La fiche le décrit comme un portage C/C++ pensé pour tourner avec peu de ressources : nous n'avons pas mesuré cette frugalité.
  • Pour Whisper et faster-whisper, nous n'avons pas de test de qualité en français ni de comparaison de vitesse. Pour whisper.cpp, le test réel ci-dessus relève, sur un extrait synthétique de 62 mots, un taux d'erreur de mots de 41,9 % en brut et de 25,8 % après mise en forme avec le modèle tiny : il ne se généralise pas, et nous n'avons aucune comparaison de vitesse ou de qualité avec les autres outils.

WhisperX : savoir qui parle

  • Ajoute un horodatage par mot et une diarisation (identification des locuteurs). Le README annonce « 70x realtime » avec large-v2 : revendication du README, conditions non vérifiées par nous.
  • Le README reconnaît que les horodatages de Whisper « can be inaccurate by several seconds » et que la diarisation est imparfaite, la parole superposée étant mal gérée.
  • La diarisation demande un jeton Hugging Face et l'acceptation des conditions d'utilisation du modèle pyannote ; le modèle cité est sous CC-BY-4.0 (attribution à pyannoteAI).
  • Le français fait partie des langues dotées d'un modèle d'alignement par défaut (README). Nous n'avons pas relu la licence de chaque modèle d'alignement : à vérifier avant usage commercial.
  • Licence BSD-2-Clause (fichier LICENSE lu).

Détail : avis MagicMate sur WhisperX.

Vosk : un autre moteur, une vigilance sur les modèles

  • Code sous Apache-2.0 (fichier COPYING lu). Liaisons Python, Java, Node.JS, C#, C++, Rust et Go citées par le README. Le README ne donne aucun taux d'erreur.
  • La page officielle des modèles (lue le 2026-10-17) indique une majorité de modèles Apache-2.0, avec des exceptions : AGPL (par exemple vosk-model-fr-0.6-linto-2.2.0) et CC-BY-NC-SA, donc non commercial (par exemple le modèle français vosk-model-small-fr-pguyot-0.3). Pour un usage commercial, une liste blanche de modèles est nécessaire.
  • Dernière release publiée lue : v0.3.50 le 2024-04-22 ; 551 issues ouvertes, dont une demandant si le projet est toujours développé (#2054). Nous n'en déduisons pas son état de maintenance.

Applications : Meetily, Subtitle Edit et Vibe

  • Meetily : application de bureau de transcription et de résumé de réunions (Windows x64 avec AVX2, Mac). Statut annoncé « Pre-Release ». Le README classe la diarisation dans l'édition PRO payante et annonce l'identification des locuteurs comme « Coming Soon » (README non mis à jour : il annonçait la mi-juin, date dépassée) ; elle n'est donc pas disponible dans l'édition gratuite d'après ce README. La qualité en français n'est pas documentée.
  • Subtitle Edit : éditeur de sous-titres, installeur prêt à l'emploi pour Windows, macOS et Linux ; notre avis indique que sa documentation (https://subtitleedit.github.io/subtitleedit/, lue par résumé automatique le 2026-10-17, non relue directement depuis) liste la reconnaissance vocale ; le README GitHub n'en parle pas. Cette documentation ne dit pas clairement quelles fonctions envoient des données en ligne : à vérifier moteur par moteur si vos vidéos sont confidentielles. Version 5.3.0 publiée le 2026-10-14.
  • Vibe : application de transcription annoncée hors ligne, qui a fait l'objet d'un test d'usage le 2026-10-19 (Vibe 3.2.2, Windows 11, via le binaire en ligne de commande livré avec l'installeur ; l'interface graphique n'a pas été lancée). Signature Authenticode valide (éditeur : une personne physique) et SHA-256 de l'installeur identique à celui de l'API GitHub. Aucun modèle n'est installé par l'installeur : il se télécharge séparément (487 601 967 octets pour « small »). Sur un extrait synthétique en français de 27,6 s, la première transcription (-l fr) a pris 15,7 s et la deuxième 2,6 s ; le texte ne diffère du texte prononcé qu'en 4 endroits, tous des nombres ou heures écrits en chiffres. L'option --detect-language a produit une sortie vide en 2,2 s, sans message d'erreur (cause inconnue). Nous n'avons pas mesuré si la carte graphique a servi.

Comment choisir sans promesse

  • Vous avez besoin de savoir qui parle : WhisperX répond à ce besoin selon son README, avec un montage Python, un jeton Hugging Face et une relecture manuelle.
  • Vous voulez un outil sans ligne de commande : Meetily et Subtitle Edit proposent un installeur selon leurs README ; pour Vibe, notre test n'a utilisé que l'installation silencieuse en ligne de commande, sans lancer l'interface graphique.
  • Vous visez un usage commercial : lisez d'abord la licence du modèle (voir le tableau), pas seulement celle du code.
  • Dans tous les cas : relisez la transcription. Aucune des sources lues ne donne de mesure de précision en français que nous ayons pu vérifier.

Ce que nous n'avons pas testé

Trois tests réels ont été exécutés, chacun sur un seul extrait synthétique et une seule machine : whisper.cpp 1.9.5 (modèle tiny), Vosk 0.3.45 (petit modèle français ; 6 erreurs sur 63 mots, 3,5 s, pic de mémoire 318,8 Mo) et Vibe 3.2.2 (modèle small ; extrait de 27,6 s, 4 écarts de forme sur 62 mots, 15,7 s puis 2,6 s en -l fr, --detect-language ayant rendu une sortie vide, pic de mémoire 220 à 259 Mo). Leurs mesures ne sont pas comparables entre elles (extraits, modèles et normalisations du texte différents) et ne disent rien de la précision, de la vitesse ou de la mémoire sur des voix humaines ou d'autres modèles. Hors de ces trois tests, aucune installation ni transcription d'un fichier audio en français, aucun test de whisper.cpp avec un autre modèle ou une voix humaine, aucun test de l'interface graphique de Vibe, de sa diarisation ni de ses autres fonctions, aucune vérification du « 70x » de WhisperX ni du « 4x » de faster-whisper, aucun test de diarisation, aucune vérification du trafic réseau des applications, aucune lecture des licences de filtres de voix (Silero, whisper-vad) ni de chaque modèle Vosk. Ces informations peuvent changer : date de vérification des sources, 2026-10-18 (le test d'usage de Vibe date du 2026-10-19).

Sources

Lues du 17 au 19 octobre 2026 (README, LICENSE, cartes de modèles Hugging Face, flux Atom et pages d'issues GitHub).

Les avis et tests détaillés

Recevoir la newsletter Marketia