Transcription locale ou cloud : confidentialité, vitesse et précision comparées

La transcription locale traite votre audio entièrement sur votre appareil à l'aide de modèles comme OpenAI Whisper et NVIDIA Parakeet, exécutés via des moteurs optimisés tels que whisper.cpp. Aucun audio ne quitte jamais votre machine. La transcription cloud envoie votre audio vers des serveurs distants exploités par des fournisseurs comme Google, AWS, Microsoft, Deepgram ou AssemblyAI, où de grands clusters GPU le traitent et renvoient une transcription textuelle. Les principaux compromis entre les deux approches reposent sur cinq facteurs : la confidentialité, la latence, la précision, le coût et la capacité hors ligne. Cet article examine chacun d'eux avec des chiffres concrets et des politiques réelles, afin que vous puissiez prendre une décision éclairée.

Dernière mise à jour : 17 février 2026. Les affirmations chiffrées et les éléments de politique sont recoupés avec au moins deux sources primaires.

• Les modèles locaux ouverts sont prêts pour la production : Whisper et Parakeet disposent de fiches de modèle publiques et d'implémentations ouvertes adaptées à l'inférence sur l'appareil. OpenAI Whisper · NVIDIA Parakeet
• Le STT cloud est facturé à l'usage : les principaux fournisseurs facturent selon le volume audio et le niveau de modèle. Tarification Google · Tarification AWS
• Le traitement des données varie selon le fournisseur : les paramètres de journalisation/conservation et les options de désinscription sont propres à chaque service et doivent être configurés. Journalisation des données Google · Politique de désinscription IA d'AWS
• Le contexte réglementaire compte : les obligations relatives aux données biométriques et sensibles varient selon la juridiction et le cas d'usage. Texte officiel du RGPD · Texte officiel du règlement IA de l'UE
• Modèle de déploiement d'OpenWhispr : OpenWhispr privilégie par défaut le traitement local et prend également en charge le routage cloud en BYOK lorsque les utilisateurs en ont besoin. OpenWhispr · Moteur whisper.cpp

Lorsque vous utilisez un service de reconnaissance vocale dans le cloud, votre audio suit un parcours en plusieurs étapes. D'abord, votre appareil capture l'audio brut de votre microphone et le compresse dans un format adapté à la transmission — généralement Opus, FLAC ou PCM linéaire. Cet audio compressé est ensuite envoyé sur Internet vers le point de terminaison de l'API du fournisseur, le plus souvent via HTTPS ou une connexion WebSocket pour le streaming en temps réel.

Côté serveur, le fournisseur fait passer votre audio dans de grands modèles de réseaux de neurones hébergés sur des clusters GPU. Ces modèles sont généralement entraînés sur des centaines de milliers d'heures de données vocales annotées, bien plus que ce qu'un particulier pourrait réunir. La transcription obtenue est renvoyée à votre appareil.

Les principaux fournisseurs de transcription cloud comprennent :

• Google Cloud Speech-to-Text — Couverture linguistique étendue, avec des options de traitement par lots et de streaming en temps réel.
• AWS Transcribe — L'offre d'Amazon, avec identification automatique de la langue, prise en charge de vocabulaire personnalisé et masquage des données personnelles (PII).
• Microsoft Azure Speech — Intégration poussée à l'écosystème Microsoft, modèles vocaux personnalisés et transcription en temps réel.
• Deepgram — Réputé pour sa vitesse et son expérience développeur, avec son modèle Nova-3 offrant une grande précision à un tarif compétitif.
• AssemblyAI — Axé sur la précision et l'outillage pour développeurs, avec diarisation des locuteurs et modération de contenu intégrées.

La latence du cloud est variable, car elle inclut la capture, l'envoi, l'inférence côté serveur et la livraison de la réponse. Dans un environnement bien connecté, cela peut sembler rapide, tandis que des réseaux instables ou des régions à forte latence peuvent rendre l'expérience sensiblement plus lente. La transcription par lots peut prendre de quelques secondes à plusieurs minutes selon la longueur du fichier et la file d'attente.

La transcription locale exécute le modèle de reconnaissance vocale directement sur votre appareil. Aucun réseau n'intervient — l'audio passe de votre microphone directement à un modèle tournant sur votre processeur (CPU) ou votre carte graphique (GPU), et le texte ressort de l'autre côté. L'ensemble du processus se déroule en mémoire, sur votre machine.

L'avancée qui a rendu la transcription locale de haute qualité possible fut la publication par OpenAI de Whisper en septembre 2022 — un modèle open source entraîné sur 680 000 heures d'audio multilingue. Plus récemment, NVIDIA a publié sa famille de modèles ASR Parakeet, qui atteignent une précision de pointe sur les références anglophones et sont disponibles sous licences ouvertes. Peu après, Georgi Gerganov a créé whisper.cpp, une réimplémentation en C/C++ optimisée pour l'inférence sur CPU, qui a porté la précision de Whisper sur du matériel grand public sans nécessiter de GPU dédié.

Whisper se décline en plusieurs tailles de modèle, chacune arbitrant entre précision et vitesse :

Sur Apple Silicon (du M1 au M4), whisper.cpp réalise l'inférence entièrement sur le GPU via Metal, atteignant des vitesses égales ou supérieures au temps réel, même avec le modèle medium. Le modèle Turbo — une variante optimisée de large-v3 avec une perte de précision minime — fonctionne à haut débit sur les MacBooks récents, ce qui explique pourquoi il est couramment utilisé pour les workflows de dictée locale à faible latence.

Parmi les autres moteurs de transcription locale figurent Vosk (léger, précision moindre) et Sherpa-ONNX (Kaldi nouvelle génération avec prise en charge du moteur ONNX). Cependant, OpenAI Whisper via whisper.cpp et NVIDIA Parakeet restent la référence absolue en matière de qualité de transcription locale.

La confidentialité est le plus grand facteur de différenciation entre transcription locale et cloud. Avec le traitement local, la question « qu'advient-il de mes données audio ? » a une réponse simple : rien. Elles restent sur votre appareil, dans votre mémoire vive, et sont supprimées après la transcription. Aucun tiers à qui faire confiance, aucune politique à lire, aucune fuite de données à craindre.

La transcription cloud exige de faire confiance à votre fournisseur. Voici ce que les principaux fournisseurs déclarent réellement quant au traitement de votre audio :

Soyons honnêtes : les meilleurs fournisseurs cloud conservent un avantage en précision brute pour certains cas d'usage. Ils s'entraînent sur de vastes jeux de données propriétaires, proposent des mises à jour de modèles en temps réel et peuvent exploiter des vocabulaires personnalisés adaptés au contexte. Pour de l'audio difficile — accents marqués, environnements bruyants, jargon spécialisé — des services cloud comme Chirp 2 de Google ou Nova-3 de Deepgram ont tendance à bien s'en sortir.

Cela dit, l'écart s'est considérablement réduit. OpenAI Whisper large-v3, entraîné sur 680 000 heures d'audio multilingue, atteint des taux d'erreur sur les mots (WER) compétitifs dans la plupart des langues courantes. Les modèles Parakeet de NVIDIA ont repoussé la limite plus loin encore, atteignant certains des WER les plus bas sur les références anglophones standard. Les évaluations indépendantes montrent systématiquement que ces modèles ouverts se situent à quelques points de pourcentage des services cloud commerciaux pour l'anglais, et les surpassent parfois pour certaines langues de la longue traîne.

Le modèle Turbo — une variante distillée de large-v3 avec 809 M de paramètres au lieu de 1,55 milliard — conserve l'essentiel de la précision tout en s'exécutant environ 8 fois plus vite. Pour la dictée en temps réel, lorsque vous parlez clairement dans un microphone correct, la différence entre Turbo et une API cloud est négligeable pour la plupart des utilisateurs.

En résumé : si vous dictez dans un environnement calme avec un microphone correct, des modèles comme Whisper Turbo, Whisper large-v3 ou Parakeet exécutés en local vous donneront des résultats impossibles à distinguer de ceux des services cloud dans la plupart des cas pratiques. Le cloud prend l'avantage pour les scénarios bruyants à plusieurs locuteurs, les langues de niche et les vocabulaires spécialisés.

La latence compte avant tout pour la dictée en temps réel, où vous voulez voir vos mots apparaître immédiatement après les avoir prononcés. Sur ce point, les transcriptions locale et cloud présentent des profils de latence fondamentalement différents.

Pour le streaming en temps réel, les fournisseurs cloud peuvent renvoyer rapidement des hypothèses partielles lorsque la connexion est bonne. Mais cela suppose tout de même une connexion stable et à faible latence. Dans un avion, sur un Wi-Fi public saturé ou derrière des routes VPN restrictives, la latence perçue peut se dégrader rapidement.

La transcription locale avec whisper.cpp n'est pas du streaming en temps réel au sens classique. La plupart des implémentations locales utilisent un schéma « appuyer pour parler » (push-to-talk) : vous parlez, l'audio est mis en mémoire tampon, puis le modèle traite le segment complet. Avec le modèle Turbo sur une puce Apple série M, cette étape de traitement est suffisamment rapide pour que le délai semble négligeable en dictée — généralement moins d'une seconde pour de courts énoncés.

Pour la transcription longue de fichiers préenregistrés, les services cloud peuvent paralléliser le traitement sur des clusters GPU et terminent souvent rapidement les grands lots. Le débit local est limité par votre machine et le choix du modèle, de sorte que le temps de traitement peut être plus lent pour des enregistrements très longs.

La transcription locale ne coûte rien au-delà du matériel que vous possédez déjà. Pas de clé d'API, pas de tableau de bord de facturation, pas de coût à la minute. Vous téléchargez un fichier de modèle (de 75 Mo pour Tiny à 3 Go pour Large-v3), et c'est terminé. Pour toujours.

Les fournisseurs cloud facturent l'usage (à la minute ou à l'heure, selon le fournisseur et le modèle). Les forfaits et les remises évoluent fréquemment, alors vérifiez les tarifs en vigueur avant d'établir votre budget :

Remarque : la tarification cloud inclut souvent des frais supplémentaires pour des fonctionnalités comme la diarisation des locuteurs, le masquage des données personnelles (PII) ou les vocabulaires personnalisés. Les prix de base ci-dessus ne concernent que la transcription standard.

Ce point est binaire : la transcription cloud exige Internet, la transcription locale non. Pour beaucoup de gens, c'est le critère décisif.

Scénarios où la capacité hors ligne n'est pas optionnelle :

Aucune approche n'est universellement meilleure. Le bon choix dépend de vos priorités.

• OpenAI Whisper — Dépôt du modèle original, avec tailles de modèles, références et documentation.
• whisper.cpp — Portage en C/C++ de Whisper optimisé pour l'inférence sur CPU et GPU Apple Silicon.
• Fiche du modèle NVIDIA Parakeet RNNT — Métriques et conseils d'utilisation d'un modèle ASR ouvert.
• Tarification de Google Cloud Speech-to-Text — Paliers de tarification actuels de l'API vocale de Google.
• Tarification d'AWS Transcribe — Tarification à l'usage actuelle d'Amazon pour le traitement par lots et le streaming.
• Tarification d'Azure Speech Services — Tarification de Microsoft pour la reconnaissance vocale en temps réel et par lots.
• Tarification de Deepgram — Détails de la tarification par palier de modèle de Deepgram.
• Tarification d'AssemblyAI — Détails de la tarification à l'usage et par palier de modèle d'AssemblyAI.
• Journalisation des données de Google Speech-to-Text — Documentation de Google sur le traitement et le stockage des données audio.
• Politiques de désinscription des services d'IA d'AWS — Comment empêcher AWS d'utiliser votre contenu pour améliorer ses services d'IA.
• Confidentialité des données d'Azure Speech — Documentation de Microsoft sur la confidentialité et la sécurité des données pour Speech Services.
• Robust Speech Recognition via Large-Scale Weak Supervision — L'article original sur Whisper de Radford et al. (2022), détaillant la méthodologie d'entraînement et les références de WER.
• RGPD (texte officiel de l'UE) — Socle juridique pour le traitement des données personnelles/biométriques.
• Règlement IA de l'UE (texte officiel de l'UE) — Obligations par niveau de risque IA pertinentes pour les systèmes biométriques et à haut risque.
• OpenWhispr — Exemple d'un workflow local d'abord + cloud BYOK optionnel réuni dans une seule application.