Transcrire des enregistrements dans d'autres langues : forces et limites des modèles

Qui étudie, fait de la recherche ou travaille dans un contexte international finit avec des enregistrements dans plusieurs langues : une interview en turc, un enregistrement familial en arabe, une conférence en anglais, une réunion où se mêlent polonais et allemand. La reconnaissance vocale moderne s'en sort étonnamment bien, à condition de connaître ses points faibles.

Combien de langues les modèles reconnaissent-ils ?

Whisper, d'OpenAI, a été entraîné sur 99 langues ; Sprechverlauf utilise la version rapide Whisper Large v3 Turbo pour l'essai gratuit. Microsoft MAI-Transcribe-2, le modèle des offres payantes, prend en charge 60 langues selon sa fiche technique et sépare aussi les locuteurs. Microsoft annonce un taux d'erreur moyen de 5,2 % sur le benchmark FLEURS. C'est une moyenne : les grandes langues, riches en données, s'en sortent mieux que les plus rares.

Piège 1 : les langues proches

Croate, serbe et bosniaque ; hindi et ourdou ; malais et indonésien : ces langues se ressemblent tant que la détection automatique peut se tromper sur des extraits courts. Une interview en serbe peut sortir en orthographe croate, ou l'ourdou en devanagari au lieu de l'écriture arabe. La solution est simple : sélectionnez la langue avant de commencer.

Piège 2 : dialectes et langage familier

L'arabe en est l'exemple le plus net : égyptien, levantin et marocain diffèrent beaucoup, mais l'écrit utilise surtout l'arabe standard. Les modèles ont tendance à ramener le dialecte vers la langue standard ou à mal comprendre les mots régionaux. C'est vrai aussi, dans une moindre mesure, pour le français d'Afrique ou du Québec, le portugais du Brésil ou le cantonais.

Piège 3 : langues tonales et écritures sans espaces

En chinois, vietnamien ou thaï, la hauteur du ton change le sens d'une syllabe. L'écho, la musique et une forte compression brouillent justement cette information : un enregistrement propre compte double. Le chinois, le japonais et le thaï ne séparent pas non plus les mots par des espaces ; le modèle fixe lui-même les limites. Vérifiez bien noms et termes techniques.

Piège 4 : changer de langue en pleine conversation

Dans beaucoup de familles et d'équipes, on change de langue au milieu d'une phrase. Imposer une langue oblige le modèle à tout écrire dans celle-ci. Pour les enregistrements mixtes, mieux vaut laisser « automatique » ; selon Microsoft, MAI-Transcribe-2 est conçu pour ce code-switching.

En bref

• Une seule langue : sélectionnez-la avant de commencer, surtout pour les extraits courts et les langues proches.
• Plusieurs langues dans une conversation : laissez « automatique ».
• Dialecte : attendez-vous à des écarts et vérifiez les citations à l'horodatage.
• Langues tonales : enregistrez proprement, sans musique de fond.