À quoi sert cet outil
Cet outil de transcription transforme un fichier audio ou vidéo en texte écrit, ou en sous-titres SRT ou VTT, sans rien envoyer. Il exécute le modèle de reconnaissance vocale Whisper d’OpenAI directement dans votre navigateur : vous pouvez transcrire entretiens, réunions, cours, mémos vocaux et podcasts gratuitement et en toute confidentialité. Whisper peut aussi traduire en anglais une parole dans une autre langue.
Une fois le fichier choisi, la page décode sa piste audio avec la Web Audio API du navigateur, la rééchantillonne en 16 kHz mono (le format attendu par Whisper) et la transcrit dans un worker en arrière-plan, par fenêtres de 30 secondes qui se chevauchent légèrement, ce qui permet de traiter de longs enregistrements. Le résultat s’affiche dans la zone de sortie, prêt à copier ou à télécharger en .txt, .srt ou .vtt.
Mode d’emploi
- Choisissez un modèle : Tiny est le plus rapide, Small le plus précis et Base (par défaut) un bon compromis.
- Cliquez sur Télécharger le modèle et commencer. La première fois, le modèle se télécharge avec une barre de progression ; ensuite le navigateur le charge depuis son cache en un instant.
- Déposez un fichier audio ou vidéo sur la page ou cliquez sur Choisir un fichier. MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM et MP4 fonctionnent dans la plupart des navigateurs, jusqu’à 500 Mo. Le nom, la durée et la taille s’affichent.
- La transcription démarre automatiquement et indique le nombre de segments traités. Cliquez sur Transcrire à nouveau après avoir changé la langue ou la tâche.
- Passez à tout moment du format de sortie texte à SRT ou VTT, sans refaire la transcription. Puis copiez ou téléchargez le résultat.
La langue parlée est détectée automatiquement sur les 30 premières secondes. L’indiquer vous-même est plus rapide et évite les erreurs sur les extraits courts. Choisissez Traduire en anglais pour obtenir du texte anglais à partir d’une autre langue. Le modèle, la langue, la tâche et le format sont enregistrés dans l’adresse de la page : le bouton Partager renvoie donc aux mêmes réglages, mais votre fichier ne fait jamais partie du lien.
Exemple
Un extrait de deux phrases exporté en SRT ressemble à ceci :
1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.
2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.Le VTT reprend les mêmes blocs avec un en-tête WEBVTT et un point avant les millisecondes ; c’est le format lu par les lecteurs vidéo HTML5.
Confidentialité, précision et configuration requise
Après le téléchargement du modèle, tout se passe sur votre appareil, ce qui convient aux enregistrements confidentiels. Il faut un Chrome, Edge, Firefox ou Safari récent avec WebAssembly. Quand WebGPU est disponible (Chrome et Edge sur la plupart des ordinateurs), il est utilisé automatiquement et c’est bien plus rapide ; sinon l’outil passe par WebAssembly. Les longs fichiers demandent de la mémoire : une heure d’audio occupe quelques centaines de mégaoctets une fois décodée, et Small en consomme plus que Tiny ou Base ; sur mobile, fermez les autres onglets lourds. Laissez l’onglet ouvert jusqu’à la fin.
Whisper est performant sur une parole claire et supporte assez bien les accents et le bruit de fond, mais il peut mal comprendre des noms ou des termes techniques et, sur du silence ou de la musique, répète ou invente parfois une phrase. Relisez la transcription avant de la publier. L’outil n’identifie pas les intervenants, et une vidéo n’est transcrite que si votre navigateur sait décoder son codec audio.
FAQ
› Mon audio est-il envoyé à un serveur ?
Non. Le fichier est décodé et transcrit dans votre navigateur. La seule requête réseau est le téléchargement unique des fichiers du modèle Whisper depuis Hugging Face ; votre audio, votre vidéo et la transcription ne quittent jamais votre appareil.
› Quel modèle est utilisé, sous quelle licence ?
OpenAI Whisper (tiny, base ou small), dans les versions ONNX publiées par onnx-community sur Hugging Face, exécuté avec la bibliothèque transformers.js (Apache-2.0). OpenAI publie le code et les poids de Whisper sous licence MIT.
› Quelle est la taille du téléchargement et combien de temps cela prend-il ?
Environ 40 Mo pour Tiny, 80 Mo pour Base et 250 Mo pour Small (un peu plus avec WebGPU, qui utilise un encodeur en pleine précision). Le téléchargement n’a lieu qu’une fois, puis le navigateur le garde en cache. La vitesse dépend de l’appareil : avec WebGPU, Base va généralement plusieurs fois plus vite que le temps réel ; en WebAssembly, on peut être proche du temps réel.
› Quelles langues sont prises en charge ?
Whisper reconnaît environ 99 langues et la liste propose les plus courantes, dont le français, l’anglais, l’espagnol, le chinois, le japonais, le coréen et l’allemand. La précision est meilleure en anglais et dans les langues très parlées, et baisse pour les plus rares, surtout avec Tiny et Base. La détection automatique écoute les 30 premières secondes ; choisissez la langue vous-même si l’enregistrement commence par de la musique ou une autre langue.
› Peut-il créer des sous-titres ou distinguer les intervenants ?
Il crée des sous-titres SRT et WebVTT horodatés par segment, à charger dans YouTube, VLC ou un logiciel de montage. Il ne distingue pas les intervenants, et les horodatages sont par phrase, pas par mot.