Vibe 3.2.2 testé pour de vrai : protocole, mesures et limites (2026-10-19)

En résumé

Le 2026-10-19, nous avons téléchargé l'installeur Windows officiel de Vibe 3.2.2, vérifié son empreinte, l'avons installé en mode silencieux, puis transcrit avec le modèle Whisper « small » un extrait de voix de synthèse en français de 27,6 s dont nous connaissons le texte. Ce test porte sur une machine, une version, un seul extrait propre et sans bruit : il décrit ce que nous avons observé, il ne mesure pas un taux d'erreur et ne se généralise pas à vos enregistrements. Il complète l'avis MagicMate sur Vibe, qui reste une lecture des sources publiques. Nous n'avons pas ouvert l'interface graphique : tout le test passe par le binaire en ligne de commande installé à côté.

Ce que nous avons observé, dans l'ordre :

L'installeur est signé (signature Authenticode valide, éditeur : une personne physique) et son SHA-256 est identique à l'empreinte publiée par l'API GitHub pour cette version.
L'installation silencieuse prend 8,4 s et ne place aucun modèle de transcription : le modèle se télécharge séparément (487 601 967 octets pour « small », 4,7 s sur notre connexion).
Sur notre extrait, la première transcription a duré 15,7 s, les suivantes 2,2 à 2,6 s. Le texte est resté identique à celui prononcé, aux chiffres près : 4 groupes de mots écrits en chiffres ou abrégés à la place des mots prononcés, aucun autre mot manquant ni remplacé.
Une option, --detect-language, a produit une sortie vide, sans message d'erreur et avec un code de sortie 0 : nous n'en connaissons pas la cause.

Protocole et commandes

Machine : Windows 11, PowerShell, processeur Intel Core i5-10400F, 31,9 Go de mémoire, carte graphique NVIDIA GeForce GTX 1650. Tout s'est fait dans des dossiers de travail neufs, hors du projet. Dans les commandes, V désigne vibe-server.exe, M le fichier ggml-small.bin et A l'extrait audio.

Version : l'API GitHub indique, le 2026-10-19, la dernière release v3.2.2, publiée le 2026-09-05. Licence MIT (champ SPDX de l'API et fichier LICENSE lu). Dépôt non archivé, dernier envoi de code le 2026-10-06.
Vérification : l'installeur vibe_3.2.2_x64-setup.exe (43 735 768 octets) a pour SHA-256 e2437fa44ac32b3bc4ed636c1a1141f8b8cca38bb841e7c4535e5ef6e3971081, identique au champ « digest » de l'asset dans l'API GitHub. Il n'existe pas de fichier de sommes de contrôle séparé dans cette release : la comparaison se fait avec l'API, hébergée par le même service que le fichier, ce qui ne protège pas contre une compromission du compte de publication.
Signature : Get-AuthenticodeSignature renvoie le statut Valid, avec pour sujet du certificat un nom de personne (« Yaakov Kolani », Kiryat Arba, IL) et non une société. Le même sujet signe vibe.exe. Comme l'installation s'est faite en ligne de commande, nous n'avons pas observé d'écran SmartScreen.
Installation : vibe_3.2.2_x64-setup.exe /S, sans droits administrateur. Durée : 8,4 s. Dossier créé : %LOCALAPPDATA%\vibe, avec vibe.exe (15 799 144 octets), vibe-server.exe (75 631 464 octets), ffmpeg.exe (102 864 232 octets) et uninstall.exe. Une entrée « vibe » apparaît dans les programmes installés de l'utilisateur.
Interface en ligne de commande : vibe.exe --help n'affiche rien (binaire graphique). V --help liste les sous-commandes transcribe, serve, pull et devices ; V --version affiche vibe-server v0.6.10 (numéro différent de celui de la release, ce que nous n'avons pas cherché à expliquer). V devices liste un périphérique Vulkan, la carte NVIDIA.
Extrait de test : texte de 62 mots que nous avons écrit (rendez-vous, dates, nombres, mots courants), lu par la voix française « Microsoft Hortense » de Windows (System.Speech) et enregistré en WAV mono 16 bits à 22 050 Hz : 1 215 440 octets, 27,6 s.
Modèle : V pull https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-small.bin -o M : 487 601 967 octets, 4,7 s. Nous n'avons pas calculé son empreinte.
Transcription : V transcribe M A -l fr, puis les variantes V transcribe M A (sans langue), -l en, --word-timestamps et --detect-language. Temps mesuré par un chronomètre autour du processus ; mémoire lue par interrogation du pic de mémoire physique du processus toutes les 100 ms.

Résultats mesurés

Mesure	Valeur observée
Installation silencieuse	8,4 s
Téléchargement du modèle « small »	487 601 967 octets en 4,7 s
Première transcription (`-l fr`)	15,7 s, pic de mémoire 259 Mo
Deuxième transcription (`-l fr`)	2,6 s, pic de mémoire 220 Mo
Code de sortie de la transcription sans option de langue	0
Durée de l'extrait	27,6 s

Autres observations :

Format de sortie par défaut : du texte brut sur une seule ligne, précédé d'une espace, sans horodatage. Avec --word-timestamps, une ligne par mot au format [00:00:00.120 --> 00:00:00.680] Bonjour,. Nous n'avons pas trouvé d'option pour écrire directement un fichier de sous-titres.
Avec -l fr, le texte obtenu diffère du texte prononcé en 4 endroits, tous de forme : « quinze » devient « 15 », « neuf heures trente » devient « 9h30 », « deuxième » devient « 2ème », « trois » devient « 3 ». Nous avons comparé les deux textes mot à mot après mise en minuscules et suppression de la ponctuation : 62 mots attendus, 60 obtenus, aucun autre écart.
Sans option de langue, le texte est identique à celui obtenu avec -l fr.
Avec -l en sur cet extrait français, le texte reste en français et ne diffère que de 2 endroits (« quinze » en « 15 », « neuf heures trente » en « 9h30 ») : « deuxième » et « trois » sont écrits en toutes lettres. Nous ne savons pas pourquoi l'option de langue n'a pas changé la langue de sortie.
Nous n'avons pas mesuré si la carte graphique a servi à la transcription ni la charge du processeur.

Un résultat vide, une absence

V transcribe M A --detect-language a rendu un fichier de sortie d'un seul octet (un saut de ligne) et aucun message d'erreur, en 2,2 s. Nous n'avons pas relancé avec --verbose ni cherché la cause. Son code de sortie était 0.
La première transcription a pris 15,7 s contre 2,2 à 2,6 s pour les suivantes : nous ne savons pas si cela vient du chargement du modèle, de la carte graphique ou du cache du système.
L'interface graphique n'a pas été lancée : aucun modèle n'est proposé par l'installeur, nous ne savons pas où l'application stocke ses modèles ni ce qu'elle télécharge à son premier lancement.

Limites du test

Une seule machine (Windows 11, i5-10400F, GTX 1650), une seule version (3.2.2, binaire en ligne de commande 0.6.10), un seul modèle (small).
Un seul extrait de 27,6 s, généré par synthèse vocale : voix régulière, sans bruit, sans accent, sans interlocuteurs multiples. Les temps et l'exactitude ne disent rien sur des réunions ou des appels réels.
Le nombre d'écarts (4 groupes de mots) porte sur un texte de 62 mots que nous avons écrit : ce n'est pas un taux d'erreur.
Les temps sont ceux de quelques exécutions seulement (une à trois par variante) et la mémoire est un pic lu à intervalle de 100 ms.
Le dépôt compte 234 tickets et demandes de fusion ouverts selon l'API GitHub (chiffre brut) : nous ne les avons pas examinés.

Ce que nous n'avons pas testé

L'interface graphique (vibe.exe) : lancement, choix du modèle, glisser-déposer, export, mise à jour automatique.
Le serveur HTTP (V serve) et l'API documentée par le projet, le résumé par un modèle de langage distant (qui envoie le texte à un service externe), les autres fonctions annoncées par le README.
Les vidéos, la diarisation, la traduction (--translate), l'amélioration audio (--enhance-audio), la détection de silence (--vad-model).
D'autres modèles que « small », d'autres langues que le français, de vraies voix, du bruit, de longs fichiers, la mémoire sur de longues durées.
Le trafic réseau de l'application pendant son usage (télémétrie éventuelle) : nous n'avons pas surveillé le réseau en dehors du téléchargement du modèle.
Linux et macOS, les versions postérieures à 3.2.2, une comparaison avec d'autres outils de transcription.

Sources

Notre test du 2026-10-19, décrit ci-dessus (version 3.2.2, empreinte SHA-256 de l'installeur comparée à celle de l'API GitHub, signature Authenticode lue).
https://github.com/thewh1teagle/vibe (page de la version v3.2.2, README et LICENSE lus)
Avis MagicMate sur Vibe pour la lecture des sources publiques.