Transcrivez l'audio directement dans votre navigateur.

Un outil de reconnaissance vocale gratuit qui retranscrit l'audio et la vidéo localement dans votre navigateur, grâce à un modèle Whisper tournant sur votre propre appareil. Il s'adresse aux réunions, entretiens, cours, podcasts et mémos vocaux — y compris aux enregistrements sensibles qui ne devraient jamais être téléversés vers un service de transcription cloud.

Pas de compte, pas de file d'attente de tâches, pas de facturation à la minute. Vous choisissez l'un des trois niveaux Whisper, déposez un fichier ou enregistrez directement, et obtenez une transcription interactive avec horodatages, étiquettes de tours de parole et cinq formats d'export — le tout dans l'onglet que vous avez ouvert.

Fonctionnement

Les fichiers sont décodés dans le navigateur via la Web Audio API et rééchantillonnés en mono 16 kHz, le format attendu par Whisper. Le modèle tourne ensuite via Transformers.js dans des fenêtres de 30 secondes se chevauchant sur 10 secondes : les enregistrements d'une heure affichent une progression continue et les horodatages restent précis aux jonctions des fenêtres. Sur Chrome ou Edge compatibles WebGPU, le modèle s'exécute sur le GPU et un fichier d'une heure peut se terminer largement en dessous du temps réel ; Safari, Firefox et les machines plus anciennes utilisent un parcours WebAssembly avec exactement les mêmes fonctionnalités. Les poids du modèle se téléchargent une fois et sont mis en cache par le navigateur ; la transcription fonctionne ensuite hors ligne.

Trois modèles Whisper, 99 langues

Vous choisissez vous-même le compromis : tiny est un modèle de 39 millions de paramètres d'environ 150 Mo, rapide sur tout appareil ; base (74 millions, environ 220 Mo) offre l'équilibre recommandé entre précision et vitesse ; small (244 millions, environ 600 Mo) est le niveau le plus précis et fait la différence sur les accents et les enregistrements bruités, au prix du poids de téléchargement et du temps d'inférence. Les versions horodatées des trois modèles fournissent des minutages mot à mot, qui alimentent la lecture par clic et les exports au niveau du mot.

La détection automatique de la langue est à un clic, ou vous pouvez fixer l'une des quelque 99 langues prises en charge — de l'anglais, du mandarin et du japonais aux langues moins dotées en ressources — ce qui améliore aussi la précision sur les clips courts, où la détection dispose de peu d'indices.

Étiquettes de tours de parole

Lorsqu'une transcription contient des pauses entre les interlocuteurs, l'outil fait tourner Intervenant A, Intervenant B, et ainsi de suite d'un tour à l'autre, en se fondant sur la durée des pauses — par défaut les trous d'environ 0,8 seconde — et non sur les caractéristiques vocales. Les étiquettes apparaissent dans la transcription et dans les fichiers exportés ; vous pouvez les renommer (vrais noms, rôles, ce que vous voulez) et fusionner les tours adjacents qui vont ensemble.

C'est une formulation volontairement honnête : il s'agit d'un étiquetage des tours par rotation sur les pauses, et non d'une reconnaissance vocale ou d'une reconnaissance d'empreintes vocales. Le modèle n'analyse jamais l'identité d'une personne : un même intervenant qui revient après une longue pause peut donc recevoir une nouvelle étiquette, exactement comme le ferait un intervenant réellement nouveau.

Enregistrement, édition et exports

Au-delà du dépôt de fichiers, vous pouvez enregistrer directement un microphone : une jauge de niveau en direct affiche l'entrée, vous pouvez mettre en pause et reprendre, et la fin de l'enregistrement le met automatiquement en file de transcription. La transcription terminée associe un lecteur audio dédié — cliquez sur une ligne pour vous y positionner, voyez la ligne en cours se surligner — à l'édition de texte en ligne, la recherche plein texte et des statistiques de durée, de nombre de mots et de temps de traitement écoulé.

Exportez le résultat en SRT ou WebVTT avec horodatages et étiquettes d'intervenants, en TXT brut, Markdown ou JSON structuré, ou copiez-le simplement dans le presse-papiers. Rien n'est watermarké.

Limites des plans gratuit et Pro

L'offre gratuite retranscrit des fichiers de 30 minutes maximum chacun et met jusqu'à 5 fichiers en file par lot, téléchargeables individuellement ou ensemble en ZIP. Pro porte la durée d'un fichier à 180 minutes et les lots à 50 fichiers. Aucune des deux offres n'a de compteur d'exécutions, de quota mensuel de minutes ou de filigrane, et toutes deux incluent l'usage commercial : les seules différences sont la durée par fichier et la taille des lots. Les fichiers dépassant votre limite sont refusés avec un message clair et une possibilité de montée en gamme ; ils ne sont jamais rognés en silence.

Questions fréquentes

L'étiquetage des intervenants remplace-t-il une diarisation professionnelle ? Non — il fait tourner les étiquettes sur les pauses et l'assume honnêtement ; pour une attribution de niveau production, vous devez encore relire et renommer les tours.

Puis-je travailler hors ligne ? Oui, une fois que le niveau de modèle choisi a été téléchargé ; le navigateur le conserve et son réemploi ne nécessite aucune connexion.

Que se passe-t-il avec de très longs enregistrements sur un appareil à faible mémoire vive ? Le traitement dépend de la mémoire de l'appareil : découper les enregistrements de plusieurs heures est donc la solution pratique ; le mode WASM conserve toutes les fonctionnalités lorsque WebGPU fait défaut.

L'usage commercial est-il vraiment inclus dans l'offre gratuite ? Oui — les productions vous appartiennent, sans filigrane ni frais par utilisation.