Parakeet vs Whisper vs Nemotron : la meilleure transcription vocale locale en 2026

Pour l'anglais et les principales langues européennes, NVIDIA Parakeet TDT 0.6B v3 est le meilleur modèle local de transcription vocale en 2026 : il devance Whisper large-v3 en précision mesurée, occupe quatre fois moins d'espace et s'exécute nettement plus vite sur un CPU ordinaire. Si vous voulez voir le texte apparaître en direct pendant que vous parlez, les nouveaux modèles de streaming Nemotron de NVIDIA sont les premiers modèles locaux conçus précisément pour cela. Et si vous parlez l'une des nombreuses langues que les modèles NVIDIA ne couvrent pas, Whisper d'OpenAI — avec ses 99 langues — reste le bon choix.

La surprise de 2026, c'est que Whisper ne détient plus la première place en précision parmi les modèles ouverts, après l'avoir occupée pendant trois ans. Mais la question du « meilleur modèle » se joue désormais réellement à trois, car chacun excelle dans un domaine différent : Parakeet optimise la précision par watt, Nemotron la latence et Whisper l'étendue linguistique. Cet article les compare à partir des chiffres de leurs propres fiches et du classement public, sans jugements vagues ni écarts artificiellement grossis.

Dernière mise à jour le 18 juillet 2026. Nous développons OpenWhispr, une application de dictée open source qui intègre les trois familles de modèles ; nous évaluons et maintenons donc chacune d'elles en production. C'est aussi notre parti pris : nous ne vendons aucun de ces modèles, et les compromis exposés ci-dessous sont exactement ceux que nous expliquons à nos utilisateurs.

• Parakeet TDT 0.6B v3 affiche un taux d'erreur de mots moyen de 6.34% sur les huit benchmarks de l'Open ASR Leaderboard, avec un débit de 3,332× le temps réel. 600M paramètres, 25 langues, licence CC-BY-4.0. Fiche du modèle Parakeet TDT v3 · Open ASR Leaderboard
• Whisper large-v3 obtient environ 7.4% sur le même classement et prend en charge 99 langues avec 1.55B paramètres sous licence MIT. Dépôt OpenAI Whisper · Fiche du modèle Whisper large-v3
• Nemotron Speech Streaming EN 0.6B affiche un WER moyen de 6.93% en streaming (segments de 1.12 seconde), atteint 2.32% sur LibriSpeech test-clean et a été entraîné sur 530,000 heures d'audio. Fiche de Nemotron Streaming EN
• Nemotron 3.5 ASR couvre 40 paramètres régionaux dans un unique modèle de streaming de 600M avec détection automatique de la langue, publié le 4 juin 2026 sous licence OpenMDW. Fiche du modèle Nemotron 3.5 ASR
• Toutes les tailles sur disque et tous les comportements dans l'application mentionnés ci-dessous sont vérifiables dans le registre open source des modèles d'OpenWhispr. OpenWhispr sur GitHub · Page des modèles OpenWhispr

Tous trois sont des modèles gratuits à poids ouverts, téléchargeables et utilisables hors ligne. Leur architecture diffère, et elle explique presque toutes les différences concrètes que vous constaterez.

Les modèles de reconnaissance vocale sont évalués selon le taux d'erreur de mots (WER), soit le pourcentage de mots mal reconnus. Plus il est bas, mieux c'est. La référence habituelle est l'Open ASR Leaderboard de Hugging Face, qui calcule la moyenne du WER sur huit jeux de données anglais variés (réunions, présentations de résultats, conférences TED, livres audio, etc.) afin qu'un seul jeu facile ne puisse avantager artificiellement un modèle.

Lisez ce graphique avec recul : tous les modèles présentés sont aptes à la production et l'écart total n'est que d'environ 1.5 point. En dictée quotidienne, des modèles à 6.3% et 7.4% semblent proches sur un son clair ; les différences apparaissent sur les enregistrements difficiles (accents, bruit, jargon). Ce qui rend les chiffres de NVIDIA remarquables, c'est le coût nécessaire pour les atteindre : Parakeet obtient cette précision avec 600M paramètres contre 1.55B pour Whisper, tandis que Nemotron atteint 6.93% en streaming, sans jamais connaître la suite du signal audio.

Sur le matériel du classement, Parakeet TDT v3 transcrit à 3,332× le temps réel, soit environ une seconde pour une heure d'audio. Whisper large-v3 reste très en dessous d'un dixième de ce débit. L'explication tient à l'architecture : Whisper écrit sa transcription token par token, chaque étape attendant la précédente, alors qu'un transducteur lit l'audio une seule fois et émet le texte au fil de l'eau. Ni boucle ni aller-retour pour chaque mot.

Sur votre ordinateur portable, les chiffres absolus sont plus faibles, mais le rapport reste le même : un paragraphe dicté que Whisper large met plusieurs secondes à traiter apparaît presque instantanément avec Parakeet, sur CPU et sans GPU. Des benchmarks indépendants indiquent aussi que les transducteurs NVIDIA consomment environ 8–10× moins d'énergie par heure d'audio que Whisper à qualité comparable, ce qui compte si vous dictez toute la journée sur batterie.

La réponse de Whisper est turbo (1.6GB), une version distillée de large-v3 qui sacrifie un peu de précision pour offrir environ 8× la vitesse de Whisper-large. C'est le Whisper adapté à la dictée, mais il réduit l'écart sans le combler. Pour une comparaison détaillée de chaque taille, consultez notre guide des tailles de modèles Whisper.

La règle générale est simple. Pour l'anglais ou une grande langue européenne, les trois conviennent : choisissez selon la vitesse. Nemotron 3.5 couvre désormais le japonais, le coréen, le vietnamien, l'arabe et l'hindi en streaming, une véritable première pour les modèles locaux. Pour le mandarin, le thaï, l'indonésien, le swahili ou les enregistrements alternant fortement les langues, Whisper reste la seule option sérieuse, et cela ne devrait pas changer de sitôt.

En streaming, Nemotron ne se contente pas d'une amélioration marginale : il fait ce que l'architecture des deux autres ne permet pas. Whisper traite l'audio par fenêtres de 30 secondes et réencode tout ce qu'il reçoit. Whisper « en direct » consiste donc à relancer sans cesse le même modèle par lots sur des segments audio qui se chevauchent : c'est coûteux, lent et irrégulier aux raccords. L'architecture avec cache de Nemotron a été entraînée pour le streaming : elle ne traite que le dernier segment audio, conserve son état interne et produit du texte partiel avec une latence configurable de 80 millisecondes à 1.12 seconde.

À grande échelle, l'écart d'efficacité est spectaculaire : NVIDIA annonce 17× plus de flux simultanés que son modèle de streaming de génération précédente sur le même GPU. Sur un portable, l'avantage se résume plus simplement : le texte apparaît pendant que vous parlez, grâce à un modèle exécuté sur votre propre CPU. Nous détaillons tout le travail d'ingénierie nécessaire pour l'intégrer à une application de bureau dans notre analyse approfondie du streaming ASR.

Si le texte en direct ne vous intéresse pas — vous dictez, vous vous arrêtez, puis vous voulez la transcription finale — le streaming ne vous apporte rien, et les modèles par lots de Parakeet sont préférables. Le streaming sert aux sous-titres en direct, aux agents vocaux et à l'aperçu de dictée qui s'affiche à mesure que vous parlez.

Aucun de ces modèles n'exige de GPU. Les modèles NVIDIA sont distribués sous forme de fichiers ONNX quantifiés en INT8 (631–680MB), qui s'exécutent sans difficulté sur tout CPU récent — Apple Silicon ou x86 — via sherpa-onnx, un binaire natif sans Python ni PyTorch. Whisper fonctionne partout grâce à whisper.cpp ; ses tailles small et turbo conviennent au CPU, tandis que large-v3 (3GB, ~10GB RAM) profite réellement de l'accélération.

Si vous avez un GPU, utilisez-le pour Whisper : Metal est intégré sur Apple Silicon, et OpenWhispr propose en un clic les runtimes CUDA (NVIDIA) et Vulkan (AMD et Intel), avec repli automatique sur le CPU en cas d'échec du runtime GPU. Les transducteurs NVIDIA sont déjà assez rapides sur CPU pour que l'accélération GPU ait peu d'intérêt en dictée.

Et si vous optez pour une solution locale pour protéger votre vie privée, les trois se valent : l'audio est traité sur votre machine et n'est jamais envoyé ailleurs. Nous approfondissons ce compromis dans notre comparatif transcription locale ou cloud.