Les tailles de modèles Whisper expliquées : Tiny vs Base vs Small vs Medium vs Large

Whisper d'OpenAI se décline en 9 variantes de modèles réparties en 5 catégories de taille : tiny (39 millions de paramètres), base (74M), small (244M), medium (769M) et large (1,55 Md). Chaque taille existe en version multilingue et en version anglais uniquement (à l'exception de large et turbo, qui sont uniquement multilingues). Il existe également un modèle turbo (809M) — une version distillée de large-v3 presque aussi précise mais nettement plus rapide. Les modèles plus volumineux sont plus précis mais plus lents et nécessitent davantage de mémoire.

Pour le format quantifié whisper.cpp (GGML) utilisé par la plupart des applications de transcription locale, les fichiers de modèles vont de 75 Mo (tiny) à 2,9 Go (large). L'utilisation mémoire à l'exécution varie d'environ 273 Mo pour tiny à 3,9 Go pour large. Le bon modèle dépend de votre matériel, de votre langue et du niveau de précision dont vous avez besoin.

Dernière mise à jour : 17 février 2026. Les chiffres relatifs aux paramètres, à la mémoire et aux benchmarks sont recoupés avec au moins deux sources primaires.

• Familles de modèles officielles et nombre de paramètres : tiny/base/small/medium/large ainsi que turbo sont documentés par OpenAI. README Whisper d'OpenAI · Fiche du modèle Whisper
• Contexte de l'espace disque GGML/GGUF et de la mémoire à l'exécution : les empreintes de déploiement local proviennent de la documentation de conversion/exécution de whisper.cpp. whisper.cpp · Notes sur la mémoire de whisper.cpp
• Mise en garde sur les benchmarks : le WER varie fortement selon le jeu de données et la langue ; les chiffres LibriSpeech ne constituent pas un score de qualité universel. Article Whisper · Fiche du modèle large-v2
• Positionnement du modèle turbo : turbo est une variante axée sur la vitesse, avec des compromis sur la précision documentés dans les notes de version et les fiches de modèles. Fiche du modèle turbo · Discussion sur la sortie de turbo
• Contexte d'utilisation d'OpenWhispr : OpenWhispr donne accès à plusieurs tailles de Whisper afin que les utilisateurs puissent ajuster le rapport vitesse/précision en local. OpenWhispr · Backend whisper.cpp

Le modèle tiny est la plus petite et la plus rapide des variantes de Whisper. Avec seulement 39 millions de paramètres et une taille de fichier GGML de 75 Mo, il tourne confortablement sur presque n'importe quel matériel — y compris le Raspberry Pi, les ordinateurs portables anciens et les appareils mobiles d'entrée de gamme. Il transcrit à environ 10x la vitesse réelle par rapport au modèle large, ce qui en fait le meilleur choix lorsque la latence compte plus qu'une précision parfaite.

Sur la variante tiny.en (anglais uniquement), le WER sur LibriSpeech test-clean est d'environ 5,6 %, montant à ~14,9 % sur test-other (audio bruité ou avec accent). Le modèle tiny multilingue est légèrement moins performant en anglais mais prend en charge les 99 langues de Whisper.

Tiny est idéal pour les notes rapides, la dictée à faible enjeu, les prototypes de sous-titrage en direct, ainsi que les appareils embarqués ou en périphérie où la puissance de calcul est limitée. C'est le modèle de départ par défaut de nombreux outils basés sur whisper.cpp, car il se télécharge en quelques secondes et s'exécute instantanément.

Le modèle base double le nombre de paramètres de tiny (74M contre 39M) tout en restant très léger. Avec 142 Mio (GGML) et ~388 Mo de RAM à l'exécution, il tient encore confortablement sur pratiquement n'importe quel appareil moderne. Le gain de précision par rapport à tiny est notable — en particulier sur l'audio bruité et la parole accentuée.

La variante base.en atteint environ 4,3 % de WER sur LibriSpeech test-clean et ~12,8 % sur test-other. Il s'agit d'une amélioration significative par rapport à tiny.en (respectivement 5,6 % et 14,9 %), en particulier sur les audios difficiles.

Base est un bon choix pour les appareils peu puissants où tiny n'est pas tout à fait assez précis. Il est aussi prisé pour les pipelines de transcription en temps réel où l'on recherche un équilibre entre vitesse et qualité sans dépasser 500 Mo de RAM.

Small est le moment où Whisper commence à se montrer véritablement précis. Avec 244M de paramètres, il représente un bond de 3,3x par rapport à base et offre une amélioration notable de la précision — en particulier pour les langues autres que l'anglais et les enregistrements bruités. Le fichier GGML pèse 466 Mio, et l'utilisation de la RAM à l'exécution est d'environ 852 Mo. Il s'exécute à environ 4x la vitesse de large.

La variante small.en atteint environ 3,0 % de WER sur LibriSpeech test-clean — un résultat remarquable pour un modèle tenant dans moins de 500 Mo. Pour de nombreux usages en anglais uniquement, small.en offre une précision proche de medium pour une fraction du coût en ressources.

Small est souvent recommandé comme modèle par défaut pour la plupart des utilisateurs. Il fonctionne bien sur n'importe quel ordinateur portable moderne (y compris le MacBook Air M1 avec 8 Go de RAM), offre une bonne précision dans toutes les langues et transcrit assez vite pour les flux de dictée en temps réel.

Medium est le moment où les rendements décroissants commencent à se faire sentir — mais les gains de précision par rapport à small restent significatifs, en particulier pour la transcription multilingue, le vocabulaire technique et les conditions audio difficiles. Avec 769M de paramètres, il nécessite 1,5 Gio d'espace disque (GGML) et environ 2,1 Go de RAM à l'exécution.

Le modèle medium.en atteint environ 3,0 % de WER sur LibriSpeech test-clean et environ 7,5 % sur test-other. Cependant, sur des benchmarks plus larges — notamment ceux comportant des accents variés, du bruit de fond et un vocabulaire propre à un domaine — medium surpasse systématiquement small.

Medium est un excellent choix pour les flux de transcription professionnels où la précision est importante mais où vous n'avez pas le matériel (ou la patience) pour large. Il fonctionne bien sur les machines disposant de 8 Go de RAM ou plus et profite fortement de l'accélération GPU.

Le modèle large est la variante la plus précise de Whisper, avec 1,55 milliard de paramètres. Il existe trois versions : large-v1 (la version d'origine), large-v2 (entraîné sur 2,5x plus d'époques avec une régularisation supplémentaire) et large-v3 (entraîné sur davantage de données avec 128 bandes de fréquence Mel au lieu de 80). Large-v3 est la version actuellement recommandée pour une précision maximale.

large-v2 vs large-v3

Quel modèle large utiliser : Pour les nouveaux projets, utilisez large-v3. Il est strictement meilleur que large-v2 en moyenne, toutes langues confondues. Cependant, certains utilisateurs ont signalé que large-v2 produit moins d'hallucinations (génération de texte absent de l'audio) dans certains cas particuliers, avec des segments audio très silencieux ou muets. Si vous rencontrez des problèmes d'hallucination avec large-v3, essayez large-v2 comme solution de repli.

Le modèle turbo est une version distillée de large-v3 qui réduit drastiquement le temps d'inférence tout en conservant l'essentiel de la précision. OpenAI y est parvenu en élaguant le décodeur, passant de 32 à seulement 4 couches — réduisant le nombre de paramètres de 1 550M à 809M. L'encodeur (qui fait le gros du travail) reste identique à celui de large-v3.

Turbo est le meilleur choix lorsque vous recherchez une précision proche de large-v3 mais que vous ne pouvez pas vous permettre la latence du modèle large complet. Sur GPU avec des optimisations comme torch.compile, turbo peut atteindre une amélioration de vitesse allant jusqu'à 4,5x par rapport à l'inférence standard, ce qui le rend extrêmement rapide.

Pour les tailles tiny, base, small et medium, Whisper propose deux variantes : un modèle multilingue et un modèle anglais uniquement ( .en ). Les modèles large et turbo sont uniquement multilingues — il n'existe pas de versions anglais uniquement.

L'écart de performance entre les modèles .en et multilingues est le plus marqué sur les petites tailles. Pour tiny et base, les variantes .en sont nettement meilleures en anglais. Une fois arrivé à small et medium, la différence se réduit considérablement. Au niveau large, il n'existe qu'un modèle multilingue — et il se comporte excellemment en anglais malgré tout.

Le matériel dont vous avez besoin dépend fortement de la taille du modèle et du fait que vous utilisiez whisper.cpp (CPU/Metal/CUDA) ou l'implémentation PyTorch (axée GPU). Voici à quoi s'attendre sur les classes de matériel courantes.

Backends d'accélération de whisper.cpp

whisper.cpp — le portage C/C++ qu'utilisent la plupart des applications de bureau — prend en charge plusieurs backends d'accélération matérielle qui peuvent considérablement améliorer les performances :

Vitesse de transcription approximative

Facteur temps réel (RTF) pour un extrait audio de 60 secondes. Un RTF < 1,0 signifie plus rapide que le temps réel. Ce sont des estimations approximatives — les performances réelles dépendent du contenu audio, de la quantification du modèle et de la charge système.

Voici des recommandations concrètes basées sur des scénarios courants. En cas de doute, commencez par small puis montez ou descendez selon votre expérience.

OpenWhispr est une application de dictée de bureau open source qui utilise whisper.cpp en interne. Elle vous permet de télécharger et de basculer entre n'importe quel modèle Whisper directement depuis les paramètres — sans ligne de commande. Les modèles sont téléchargés une seule fois et stockés localement. Vous pouvez changer de modèle à tout moment pour équilibrer vitesse et précision selon votre matériel.

• Radford et al. « Robust Speech Recognition via Large-Scale Weak Supervision » (2022) — L'article original sur Whisper, avec l'ensemble des résultats de benchmarks.
• Dépôt GitHub Whisper d'OpenAI — Tableau officiel des modèles, nombre de paramètres, besoins en VRAM et chiffres de vitesse relative.
• Fiche du modèle Whisper d'OpenAI — Composition officielle des données d'entraînement et mises en garde sur l'évaluation.
• Dépôt GitHub whisper.cpp — Tailles des modèles GGML, utilisation de la RAM et détails sur l'accélération matérielle.
• Fiche du modèle Whisper large-v2 (HuggingFace) — Contexte du benchmark LibriSpeech utilisé dans de nombreuses comparaisons de WER.
• Fiche du modèle Whisper large-v3 (HuggingFace) — Détails d'entraînement, changements d'architecture par rapport à large-v2 et améliorations multilingues.
• Fiche du modèle Whisper large-v3-turbo (HuggingFace) — Détails de l'architecture turbo, spécificités de l'élagage du décodeur et compromis de performance.
• Annonce de Whisper Turbo par OpenAI (discussion GitHub #2363) — Notes de version officielles de turbo et comparaisons de performance entre langues.
• OpenWhispr — Contexte pratique de déploiement local pour choisir la taille des modèles.