---
title: "Compte rendu de réunion en arabe depuis l’audio, par API"
description: "Transformer des enregistrements de réunions en arabe en comptes rendus : transcrire, nettoyer, résumer en JSON avec un LLM, puis vérifier noms et dates."
url: https://broadrouter.com/fr/blog/arabic-meeting-minutes-from-recordings/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/blog/arabic-meeting-minutes-from-recordings/) (mis à jour le 2026-11-15).

# Comptes rendus de réunion en arabe depuis l’audio : un pipeline API

Par l’équipe BroadNet Inference · 6 min de lecture · Publié 2026-11-15

Pour produire un compte rendu de réunion en arabe par API, transcrivez l’enregistrement avec un modèle de transcription arabe, découpez les longues transcriptions en sections, demandez à un LLM les décisions, actions et questions ouvertes en JSON, puis fusionnez les sections. Faites citer la transcription par le modèle pour chaque action, et rédigez le compte rendu en arabe standard moderne ou en anglais.

## À retenir

-   Un compte rendu, ce sont deux tâches : la transcription, puis le résumé. Choisissez et testez chaque modèle séparément.
-   Les longues réunions demandent deux découpages : l’audio, pour tenir dans la limite d’envoi, et la transcription, pour garder un résumé précis.
-   Demandez du JSON avec une citation de la transcription pour chaque décision et chaque action, afin qu’un relecteur puisse vérifier chacune.
-   Une transcription en texte brut n’a pas d’étiquettes de locuteur. Ne laissez pas le modèle deviner qui est responsable d’une tâche si aucun nom n’est prononcé.
-   Chez BroadNet, transcrire une heure d’audio en arabe coûte $0.25 ; Qwen3.8 27B, testé en arabe par BroadNet, rédige le compte rendu.

**Sur cette page**

1.  À quoi ressemble le pipeline ?
2.  Étape 1 : comment transcrire une longue réunion en arabe ?
3.  Peut-on obtenir le nom des locuteurs ?
4.  Étape 2 : pourquoi découper la transcription avant de résumer ?
5.  Étape 3 : quel modèle doit rédiger le compte rendu ?
6.  Étape 4 : quel prompt donne des comptes rendus fiables ?
7.  Étape 5 : comment fusionner les sections en un seul compte rendu ?
8.  Combien coûte une réunion ?
9.  Quelles erreurs éviter ?
10.  Quand un pipeline API est-il le mauvais choix ?
11.  Où se situe BroadNet Inference

Un compte rendu de réunion ressemble à une seule tâche, mais il y en a deux : transformer la parole en texte, puis le texte en décisions et en actions. Chaque étape échoue à sa manière. Un mot dialectal mal transcrit devient une action erronée ; un modèle qui résume bien peut quand même inventer un responsable. Cet article construit le pipeline pour des réunions en arabe et montre où placer les vérifications.

## À quoi ressemble le pipeline ?

```text
recording (.m4a, .mp4, .webm)
  → ffmpeg: 16 kHz mono, split at silences
  → speech to text, language=ar, one request per chunk
  → join the transcript, clean obvious noise
  → split the transcript into sections
  → LLM: summary, decisions, action items, open questions (JSON) per section
  → LLM: merge the sections into one set of minutes
  → human review → send
```

La suite de l’article reprend chaque étape.

## Étape 1 : comment transcrire une longue réunion en arabe ?

Une réunion d’une heure enregistrée sur un ordinateur portable dépasse généralement de loin une limite d’envoi. BroadNet Inference accepte du WAV ou du MP3 jusqu’à 26 214 400 octets par fichier : convertissez donc d’abord en 16 kHz mono et découpez aux silences. [Transcrire de longs fichiers audio de plus de 25 Mo](https://broadrouter.com/fr/blog/transcribe-long-audio-files-api/) donne le script complet, requêtes parallèles et assemblage du texte dans l’ordre compris.

Trois réglages comptent pour les réunions en arabe :

-   **Envoyez `language="ar"` pour chaque segment.** La documentation de BroadNet avertit que l’arabe peut sinon revenir translittéré en lettres latines.
-   **Utilisez le modèle arabe** pour les réunions principalement en arabe : `broadnet/cohere-transcribe-arabic`. Pour les réunions surtout dans l’une de ses autres langues, `broadnet/cohere-transcribe` coûte $0.002 la minute.
-   **Gardez la transcription brute.** Vous en aurez besoin pour la relecture et pour les citations de l’étape 4.

Le mélange d’arabe et d’anglais est normal dans les réunions d’affaires du Golfe. Testez un enregistrement avec votre mélange habituel : les noms de produits anglais et les chiffres sont là où les erreurs apparaissent. [La reconnaissance vocale des dialectes arabes](https://broadrouter.com/fr/blog/arabic-dialect-speech-recognition/) indique à quoi prêter l’oreille.

## Peut-on obtenir le nom des locuteurs ?

Pas à partir d’une transcription en texte brut. La réponse de transcription de BroadNet est un JSON avec un seul champ `text` : ni locuteurs, ni horodatages. (Pour minuter des sous-titres à partir des décalages de segments, voir [sous-titres arabes à partir d’une API texte seul](https://broadrouter.com/fr/blog/arabic-subtitles-srt-api/).) Vous avez trois options :

| Situation | Que faire |
| --- | --- |
| Chaque personne enregistrée sur une piste ou un canal séparé | Transcrire chaque piste séparément ; la piste indique le locuteur |
| Enregistrement d’appel sur deux canaux | Séparer les canaux avec ffmpeg, comme dans le [pipeline pour centre d’appels](https://broadrouter.com/fr/blog/transcribe-call-center-recordings/) |
| Une seule piste mixée, et vous avez besoin des locuteurs | Utiliser un fournisseur qui renvoie la [diarisation](https://broadrouter.com/fr/glossary/diarization/) ; le [guide d’achat](https://broadrouter.com/fr/blog/arabic-speech-to-text-api-buyers-guide/) les compare |

Avec une seule piste mixée, le LLM peut quand même trouver les responsables quand quelqu’un prononce un nom : « Khalid enverra le devis d’ici jeudi. » Ce qu’il ne doit pas faire, c’est deviner un responsable d’après le contexte. Le prompt ci-dessous l’interdit.

## Étape 2 : pourquoi découper la transcription avant de résumer ?

Pour deux raisons. D’abord le contexte : une heure de discussion peut être trop longue pour un petit modèle. [BroadNet Gemma 4 VL 26B](https://broadrouter.com/fr/models/gemma-4-vl-26b/) a un contexte de 32 768 tokens, qu’une longue réunion en arabe peut dépasser. Comptez les vôtres avec le [compteur de tokens arabe](https://broadrouter.com/tools/arabic-token-counter/) ; l’arabe demande généralement plus de tokens par mot que l’anglais, comme le montre [tokens par mot en arabe et en anglais](https://broadrouter.com/fr/blog/tokens-per-word-arabic-english/).

Ensuite la précision. Des travaux sur les longues entrées ont montré que les performances des modèles « significantly degrades when models must access relevant information in the middle of long contexts » (traduction : « se dégradent nettement quand les modèles doivent accéder à une information pertinente au milieu de longs contextes ») ([Liu et al.](https://arxiv.org/abs/2307.03172)). Une décision prise à la 35e minute sur 70, c’est exactement ce cas. Résumer des sections de 10 à 15 minutes chacune, puis les fusionner, garde chaque partie près du début d’un prompt.

Découpez aux mêmes silences que ceux utilisés pour l’audio, pour qu’une section ne commence jamais au milieu d’une phrase.

## Étape 3 : quel modèle doit rédiger le compte rendu ?

| Modèle | Contexte | Remarques pour les comptes rendus | Entrée / sortie par million de tokens |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/) | 262 144 | Testé en arabe par BroadNet : rédaction fluide, dialectes du Golfe et égyptien compris ; sortie structurée indiquée | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/fr/models/glm-5.3/) | 1 048 576 | Sortie structurée indiquée ; texte seul | $0.78 / $3.46 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/fr/models/deepseek-v4.1-flash/) | 1 048 576 | Aussi en forfait à $60 par mois et par session, une requête à la fois | $0.175 / $0.52 |

Commencez par Qwen3.8 27B, car c’est le modèle que BroadNet a testé en arabe. Comparez-le à un autre modèle sur trois vraies réunions, et faites noter les résultats par un locuteur natif. [Choisir un LLM pour l’arabe](https://broadrouter.com/fr/blog/choosing-an-llm-for-arabic/) propose une grille de notation.

Les trois modèles raisonnent avant de répondre, et le raisonnement compte dans `max_tokens`. Les comptes rendus sont longs : prévoyez plusieurs milliers de tokens, sinon la réponse visible peut revenir vide. [Pourquoi cela arrive](https://broadrouter.com/fr/guides/reasoning-tokens-empty-response/).

## Étape 4 : quel prompt donne des comptes rendus fiables ?

Demandez du JSON, et faites citer la transcription par le modèle pour chaque élément. C’est la citation qui permet à un relecteur de vérifier une action en quelques secondes au lieu de relire toute la transcription.

```python
import json, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

SYSTEM = """You write meeting minutes from an Arabic meeting transcript section.
Return JSON only, with these keys:
  "summary": 2-4 sentences in Modern Standard Arabic,
  "decisions": [{"text": ..., "quote": ...}],
  "actions": [{"task": ..., "owner": ..., "due": ..., "quote": ...}],
  "open_questions": [{"text": ..., "quote": ...}]
Rules:
- "quote" is the exact words from the transcript that support the item.
- "owner" is a name only if the transcript says who will do it. Otherwise null.
- "due" only if a date or day is said. Keep it as said, e.g. "الخميس". Otherwise null.
- Keep names, numbers and amounts exactly as in the transcript. Never guess."""

def minutes_for(section):
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        max_tokens=4000,
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": section}])
    return json.loads(r.choices[0].message.content)
```

Validez ensuite dans le code. Analysez le JSON, vérifiez les clés et vérifiez que chaque `quote` figure réellement dans la section. Un élément dont la citation n’est pas dans la transcription est une invention du modèle : supprimez-le ou signalez-le. Si le JSON ne s’analyse pas, relancez une fois avec le message d’erreur. [Mode JSON ou json\_schema](https://broadrouter.com/fr/blog/structured-output-json-schema/) montre une boucle de validation ; la documentation de BroadNet indique la sortie structurée pour GLM 5.3 et Qwen3.8 27B sans nommer le paramètre de requête : testez-la avant de vous y fier.

Pour un compte rendu en anglais, passez la ligne du résumé en anglais et ajoutez : « Keep each quote in the original Arabic. » (traduction : « Garde chaque citation dans l’arabe d’origine. ») L’article sur [l’ingénierie de prompts en arabe](https://broadrouter.com/fr/blog/arabic-prompt-engineering/) approfondit le registre, les chiffres et les textes mêlant plusieurs écritures.

## Étape 5 : comment fusionner les sections en un seul compte rendu ?

Envoyez tous les résultats de sections dans une dernière requête et demandez au modèle de :

1.  Rédiger un résumé de toute la réunion.
2.  Fusionner les décisions et actions en double. La même tâche est souvent mentionnée deux fois.
3.  Garder la citation de chaque élément.
4.  Marquer une action comme modifiée si une section ultérieure change son responsable ou sa date.

L’entrée de la fusion est petite : le JSON de chaque section, pas la transcription. Une fusion sur n’importe lequel des trois modèles ci-dessus reste très en deçà de son contexte.

## Combien coûte une réunion ?

| Étape | Ce que vous payez | Prix |
| --- | --- | --- |
| Transcription | Minutes d’audio | $0.0042 la minute, $0.25 l’heure |
| Résumés de sections | Tokens de transcription en entrée, JSON en sortie | Qwen3.8 27B : $0.175 en entrée, $2.17 en sortie par million |
| Fusion | Peu de JSON en entrée et en sortie | Mêmes tarifs |

La transcription est généralement la partie fixe. La partie LLM dépend de la longueur de la transcription et de la quantité de raisonnement du modèle. Relevez `prompt_tokens` et `completion_tokens` sur les premières vraies réunions, puis multipliez dans le [calculateur de coût d’API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). Le [calculateur de coût de transcription](https://broadrouter.com/tools/speech-to-text-cost-calculator/) gère la partie audio. Le crédit de départ de $5 couvre les modèles de transcription, soit environ 1,190 minutes d’arabe ; Qwen3.8 27B exige une recharge.

## Quelles erreurs éviter ?

-   **Résumer toute la réunion en un seul prompt.** Les éléments du milieu disparaissent.
-   **Laisser le modèle combler les vides.** Des responsables et des dates jamais prononcés sont l’erreur la plus fréquente des comptes rendus par IA. Faites de null la valeur par défaut.
-   **Traduire trop tôt.** Transcrivez et extrayez en arabe, puis traduisez le compte rendu. Traduire d’abord la transcription fait perdre les citations exactes.
-   **Sauter la relecture.** Un compte rendu fait foi. Une personne présente à la réunion doit le lire avant qu’il parte.
-   **Garder les enregistrements indéfiniment.** Supprimez l’audio une fois le compte rendu approuvé, sauf obligation de le conserver.

## Quand un pipeline API est-il le mauvais choix ?

Si vous avez besoin de sous-titres en direct pendant la réunion, d’étiquettes de locuteur à partir d’une seule piste mixée ou d’une application prête à l’emploi que votre équipe peut utiliser dès aujourd’hui, un produit dédié aux réunions est la voie la plus rapide. Plusieurs vendent des notes de réunion en arabe ; comparez-les sur vos propres enregistrements, car les chiffres de précision affichés sur leurs pages n’engagent qu’eux. La voie API a du sens quand vous voulez des comptes rendus dans votre propre système, dans votre format, avec vos propres règles de conservation.

## Où se situe BroadNet Inference

BroadNet réunit les deux moitiés sur une seule clé compatible OpenAI : BroadNet Transcribe Arabic à $0.0042 la minute, et Qwen3.8 27B, testé en arabe, pour le compte rendu. Sa déclaration de confidentialité indique qu’il ne conserve aucun prompt, audio, réponse ni transcription après une requête, ce qui compte pour des réunions internes. Il ne renvoie ni étiquettes de locuteur ni horodatages, et n’a pas de transcription en direct : utilisez un autre fournisseur si vous en avez besoin. Commencez par le [guide de transcription vocale arabe](https://broadrouter.com/fr/guides/arabic-speech-to-text-api/), puis ajoutez l’étape de résumé ci-dessus.

Outils gratuits sur ce sujet (en anglais)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Outils gratuits (en anglais)](https://broadrouter.com/tools/)

## Termes de cet article

[Token](https://broadrouter.com/fr/glossary/token/)

Un token est l’unité de texte qu’un modèle de langage lit et écrit : un mot, une partie de mot, un signe de ponctuation ou une suite d’octets produite par le tokenizer du modèle. Les API LLM comptent, limitent et facturent généralement l’usage en tokens.

[Appel d’outils (tool calling, function calling)](https://broadrouter.com/fr/glossary/tool-calling/)

L’appel d’outils, aussi appelé function calling, est une fonctionnalité des API LLM dans laquelle le modèle renvoie une demande structurée d’exécution d’une fonction définie par le développeur, avec des arguments JSON. L’application exécute la fonction et renvoie le résultat ; le modèle n’exécute jamais de code lui-même.

[Sortie structurée (structured output)](https://broadrouter.com/fr/glossary/structured-output/)

La sortie structurée est une fonction des API LLM qui contraint la réponse d’un modèle à un format défini par le développeur, en général un JSON Schema, pour que le code puisse l’analyser de façon fiable. Elle est plus stricte que le mode JSON, qui garantit un JSON valide mais pas une structure précise.

[Sous-titres SRT](https://broadrouter.com/fr/glossary/srt-subtitles/)

SRT (SubRip) est un format de sous-titres en texte brut. Chaque sous-titre comprend un numéro d’ordre, une heure de début et de fin écrite hh:mm:ss,mmm --> hh:mm:ss,mmm, une ou plusieurs lignes de texte et une ligne vide. WebVTT est le format web similaire utilisé par la vidéo HTML.

[Horodatages (speech-to-text)](https://broadrouter.com/fr/glossary/timestamps-asr/)

En speech-to-text, les horodatages (timestamps) sont des heures de début et de fin, en secondes, attachées à des parties d’une transcription. Les horodatages de segment couvrent une phrase ou une expression ; les horodatages de mot couvrent chaque mot. Ils servent aux sous-titres, à la recherche dans les enregistrements et à l’alignement du texte avec les locuteurs.

[Speech-to-text (reconnaissance vocale)](https://broadrouter.com/fr/glossary/speech-to-text/)

Le speech-to-text, ou reconnaissance automatique de la parole (ASR), est une technologie qui convertit l’audio parlé en texte écrit. Une API speech-to-text accepte un fichier ou un flux audio et renvoie une transcription, généralement facturée à la minute d’audio. La précision se mesure avec le taux d’erreur de mots et varie selon l’accent, le dialecte et la qualité d’enregistrement.

[API compatible OpenAI](https://broadrouter.com/fr/glossary/openai-compatible-api/)

Une API compatible OpenAI est une API HTTP qui accepte les mêmes formats de requête et de réponse que l’API OpenAI, comme POST /v1/chat/completions. Les SDK et outils OpenAI peuvent donc l’utiliser en changeant seulement l’URL de base, la clé d’API et le nom du modèle.

[Arabe dialectal (dialectal Arabic)](https://broadrouter.com/fr/glossary/dialectal-arabic/)

L’arabe dialectal est l’arabe parlé au quotidien dans une région ou une ville, comme l’égyptien, l’arabe du Golfe, le levantin ou le maghrébin. Les dialectes diffèrent de l’arabe standard moderne par les sons, les mots et la grammaire, n’ont pas d’orthographe standard et s’écrivent de plus en plus en ligne, ce qui complique la tâche des modèles de langage.

## Questions fréquentes

### Comment obtenir un compte rendu à partir d’un enregistrement de réunion en arabe ?

Transcrivez l’audio avec une API de transcription arabe en envoyant language=ar. Envoyez ensuite la transcription à un LLM avec un prompt qui demande un court résumé, les décisions, les actions avec responsables et échéances, et les questions ouvertes, en JSON. Relisez le résultat avant de l’envoyer.

### Le compte rendu peut-il être en anglais si la réunion était en arabe ?

Oui. Transcrivez en arabe, puis demandez au LLM de rédiger le compte rendu en anglais en gardant les noms, les chiffres et les citations exactement tels qu’ils ont été prononcés. Conservez les citations en arabe pour qu’un relecteur bilingue puisse vérifier la traduction.

### Comment gérer le dialecte dans un compte rendu de réunion ?

Laissez le dialecte dans la transcription, puisque c’est ce qui a été dit. Demandez au LLM de rédiger le compte rendu en arabe standard moderne et de garder les mots dialectaux entre guillemets quand le sens compte, comme pour un engagement ou un refus.

### Une API peut-elle dire qui a dit quoi ?

Seulement si elle renvoie des étiquettes de locuteur. La transcription de BroadNet renvoie du texte brut. Si chaque participant est enregistré sur une piste ou un canal séparé, transcrivez chaque piste séparément et vous connaîtrez le locuteur ; sinon, utilisez un fournisseur qui propose la diarisation.

### Quel modèle utiliser pour résumer une longue réunion ?

Choisissez un modèle avec assez de contexte pour votre plus longue transcription et un bon niveau en arabe. Chez BroadNet, Qwen3.8 27B est le modèle testé en arabe, avec un contexte de 262 144 tokens ; GLM 5.3 et DeepSeek V4.1 Flash acceptent 1 048 576 tokens. Testez-en deux sur trois vraies réunions.

### Est-il sûr d’envoyer des réunions internes à une API ?

Vérifiez d’abord les conditions de conservation du fournisseur. BroadNet déclare ne conserver aucun prompt, audio, réponse ni transcription après une requête. Retirez tout de même ce dont le compte rendu n’a pas besoin, comme des numéros de téléphone personnels lus à voix haute.

## À lire ensuite

-   [Transcrire un audio de plus de 25 Mo : découper, envoyer, recoller](https://broadrouter.com/fr/blog/transcribe-long-audio-files-api/)
-   [API speech-to-text pour l’arabe : comment la choisir en 2026](https://broadrouter.com/fr/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Transcrire les enregistrements d’un centre d’appels, arabe compris](https://broadrouter.com/fr/blog/transcribe-call-center-recordings/)
-   [Mode JSON ou json\_schema : une sortie structurée qui tient](https://broadrouter.com/fr/blog/structured-output-json-schema/)
-   [Choisir une API LLM pour l’arabe : ce qu’il faut tester](https://broadrouter.com/fr/blog/choosing-an-llm-for-arabic/)
-   [Prompt engineering en arabe : registre, RTL, chiffres et texte mixte](https://broadrouter.com/fr/blog/arabic-prompt-engineering/)
-   [Résumé de texte arabe par LLM : prompts, longueur et évaluation](https://broadrouter.com/fr/blog/arabic-text-summarization-llm/)
-   [Sous-titres arabes (SRT) depuis une API de transcription : l’essentiel](https://broadrouter.com/fr/blog/arabic-subtitles-srt-api/)
-   [Vocaliser un texte arabe avec un LLM : prompt, contrôles, DER](https://broadrouter.com/fr/blog/arabic-diacritization-llm/)
-   [Correction grammaticale et orthographique de l’arabe par LLM : guide](https://broadrouter.com/fr/blog/arabic-grammar-spelling-correction-llm/)
-   [Guide : API speech-to-text pour l’arabe, étape par étape](https://broadrouter.com/fr/guides/arabic-speech-to-text-api/)
-   [Guide : Pourquoi un modèle de raisonnement renvoie une réponse vide](https://broadrouter.com/fr/guides/reasoning-tokens-empty-response/)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-arabic-meeting-minutes-from-recordings&utm_content=page-cta) ·

**Sources**

-   [Référence de l’API BroadNet Inference : champs de transcription et réponse en texte seul, modèles avec sortie structurée, raisonnement et max\_tokens (vérifié le 15/11/2026) (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [Page des tarifs de BroadNet Inference : prix à la minute et mention « Tested in Arabic » pour Qwen3.8 27B (vérifié le 15/11/2026) (en anglais)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-arabic-meeting-minutes-from-recordings&utm_content=sources)
-   [Déclaration de confidentialité de BroadNet pour l’inférence : aucun prompt, audio ni transcription conservé (vérifié le 15/11/2026) (en anglais)](https://www.broadnet.ai/inference-privacy)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172 ; vérifié le 15/11/2026)](https://arxiv.org/abs/2307.03172)
-   [Guide de transcription vocale d’OpenAI : éviter de couper l’audio au milieu d’une phrase (vérifié le 15/11/2026)](https://developers.openai.com/api/docs/guides/speech-to-text)
