BroadRouter

Speech-to-text (reconnaissance vocale)

Mis à jour

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.

Aussi appelé : reconnaissance vocale, reconnaissance automatique de la parole, transcription audio, API de transcription, parole vers texte, STT, ASR, speech to text, automatic speech recognition, transcription API, audio transcription, voice to text

Notes vocales, appels et réunions contiennent des informations qu’un logiciel ne peut pas rechercher tant qu’elles ne sont pas du texte. Le speech-to-text comble cet écart.

Comment ça marche

Hugging Face définit la reconnaissance automatique de la parole comme « the task of transcribing a given audio to text » (traduction : « la tâche consistant à transcrire un audio donné en texte »). Un modèle ASR moderne convertit l’audio en caractéristiques, puis génère la suite de mots la plus probable.

Avec une API compatible OpenAI, vous envoyez le fichier en formulaire multipart à /v1/audio/transcriptions :

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

La réponse est un JSON avec la transcription dans text. Les fournisseurs limitent la taille et les formats des fichiers ; l’endpoint d’OpenAI lui-même accepte des fichiers jusqu’à 25 Mo (d’après son guide speech-to-text, vérifié le 2026-11-15).

Pourquoi c’est important

  • La précision fait la valeur. Une transcription avec des noms ou des nombres erronés peut être pire que pas de transcription du tout. La précision se mesure avec le taux d’erreur de mots, et elle chute avec les accents, les dialectes, les voix qui se chevauchent et l’audio téléphonique.
  • Prix par heure d’audio. Le STT est facturé à la minute d’audio : le volume est donc facile à prévoir, en multipliant les heures d’audio par le tarif horaire.
  • Confidentialité. La voix transporte des noms, des numéros de téléphone et des informations médicales ou bancaires. Demandez si l’audio et les transcriptions sont conservés ; voir conservation zéro des données.
  • Pipelines. Une transcription alimente souvent ensuite un LLM, pour des résumés, du routage ou de l’extraction.

Sur BroadNet Inference

Modèle Langues Prix par minute Par heure
BroadNet Transcribe Arabic Arabe, dialectes compris $0.0042 $0.25
BroadNet Transcribe 14 langues $0.002 $0.12

Les deux acceptent du WAV ou du MP3 jusqu’à 26 214 400 octets (25 Mio) par fichier ; un fichier plus gros renvoie un 413. Envoyez language=ar pour l’arabe, sinon le texte peut revenir translittéré en lettres latines. BroadNet classe le modèle arabe #2 sur 37 (chiffre de septembre 2026 ; le classement en direct le plaçait #4 sur 39 le 15 novembre 2026) sur l’Open Universal Arabic ASR Leaderboard. L’audio et les transcriptions ne sont pas conservés.

D’autres fournisseurs peuvent coûter moins cher. Le 2026-11-14, la page des tarifs de Soniox affichait environ 0,10 USD de l’heure pour la transcription de fichiers (asynchrone) et 0,12 USD de l’heure en temps réel, et sa liste de langues inclut l’arabe. C’est moins que les $0.25 de l’heure de BroadNet Transcribe Arabic : testez donc les deux sur votre propre audio. Notre index ouvert des prix des API speech-to-text liste plus de 20 produits, avec une source et une date pour chaque prix.

Les deux modèles fonctionnent avec le crédit de départ gratuit de $5, qui couvre environ 1,190 minutes d’audio arabe. Commencez par le guide speech-to-text pour l’arabe, convertissez les fichiers .ogg de WhatsApp avec le guide des notes vocales, et comparez les fournisseurs avec le guide d’achat.

Questions fréquentes

Comment mesure-t-on la précision du speech-to-text ?

Avec le taux d’erreur de mots (WER), la part de mots qu’une transcription se trompe par rapport à une référence correcte. Plus c’est bas, mieux c’est. Mesurez-le sur vos propres enregistrements, car la précision varie beaucoup selon l’accent, le dialecte et la qualité audio.

Comment transcrire des fichiers qui dépassent la taille limite ?

Découpez l’audio en morceaux plus courts, idéalement aux pauses, et transcrivez chacun. La compression en MP3 réduit aussi la taille.

Pourquoi l’arabe revient-il parfois en lettres latines ?

Sans indication de langue, certains modèles translittèrent. Sur BroadNet Inference, envoyez language=ar pour l’arabe.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity