Transcription audio en local : les outils qui ne renvoient pas votre voix

Un fichier audio n’est pas un document comme un autre. Un compte rendu d’entretien, une consultation, une réunion de conseil d’administration ou un enregistrement de terrain contient des voix identifiables et des propos que personne n’a accepté de voir quitter la pièce. C’est ce qui rend la question du traitement local plus concrète ici que pour à peu près n’importe quel autre usage de l’IA.

La bonne nouvelle est que le paysage s’est considérablement ouvert. Whisper est sous licence MIT depuis sa sortie, plusieurs applications le rendent utilisable sans ligne de commande, et Mistral a publié en février 2026 une génération de modèles de transcription dont une partie est en poids ouverts. La moins bonne : le choix ne se résume pas à « local ou cloud », et le raisonnement économique que beaucoup d’articles sous-entendent — le local est gratuit, donc moins cher — est faux dans la plupart des situations réelles.

Cette page part donc des trois variables qui décident vraiment, puis chiffre ce que chaque voie coûte, en argent et en temps.

Résumé rapide

• Le local se choisit pour la confidentialité, pas pour le prix. À 0,13 à 0,61 € l’heure d’audio côté API, une licence locale payante ne devient rentable qu’après au moins une centaine d’heures, et souvent bien plus.
• Whisper reste le socle, sous licence MIT, en six tailles de modèles allant de 39 à 1 550 millions de paramètres selon ce que votre machine peut encaisser.
• Pour ne pas toucher au terminal, Vibe est gratuit et fonctionne hors ligne sur macOS, Windows et Linux ; MacWhisper offre une version gratuite et une licence Pro à 65 € sur Mac.
• Voxtral, le modèle de Mistral, mérite une lecture attentive : sur la génération Transcribe 2, seul le modèle temps réel est en poids ouverts. Le modèle batch, le moins cher à l’usage, n’existe que derrière l’API.
• Personne ici ne classera les modèles sur leur précision en français. Les benchmarks publics portent majoritairement sur l’anglais, et aucune source primaire ne permet d’établir un ordre honnête. La seule méthode fiable est de tester vos propres fichiers.
• Le vrai facteur limitant en local est le temps de traitement, pas la qualité. Il dépend de votre machine, et il se mesure en quelques minutes avant de s’engager.

Quelle voie choisir selon votre besoin

Votre besoin principal	Voie conseillée	Pourquoi
L’audio ne doit sous aucun prétexte sortir de la machine	Vibe ou MacWhisper, modèle local	Traitement entièrement hors ligne, aucune requête réseau
Quelques fichiers par mois, sans contrainte de secret	API de transcription	Quelques dizaines de centimes par mois, aucune installation
Beaucoup d’heures, exigence de souveraineté	Voxtral Realtime auto-hébergé	Poids ouverts sous Apache 2.0, déployable sur votre infrastructure
Beaucoup d’heures, préférence pour une facturation en euros et une documentation de conformité publiée	Gladia	Tarifs en euros ; politique de confidentialité et certifications publiées
Confort sur Mac, usage régulier	MacWhisper Pro	Modèles larges, traitement par lots, séparation des locuteurs
Machine ancienne, sans GPU	API, ou modèle Whisper tiny ou base	Un gros modèle en local y sera inexploitablement lent

Les trois variables qui décident vraiment

La confidentialité de la voix

C’est la seule variable qui justifie à elle seule de renoncer au confort du cloud. Une voix est une donnée biométrique dès qu’elle sert à identifier son locuteur, et un enregistrement d’entretien mêle presque toujours des propos sur des tiers qui n’ont rien consenti. Si vous transcrivez des consultations, des entretiens de recrutement, des réunions syndicales ou des témoignages, la question n’est pas « le fournisseur est-il sérieux » mais « ai-je le droit de transférer ceci ».

Le traitement local supprime la question au lieu d’y répondre. C’est son intérêt principal, et il est réel.

La qualité en français

C’est le point sur lequel il faut être franc : cette page ne publiera pas de classement de précision. Les benchmarks publics de reconnaissance vocale sont dominés par des jeux de données anglophones, les rares chiffres multilingues sont des moyennes sur des dizaines de langues, et aucun de ces chiffres ne dit ce que votre modèle fera d’un enregistrement de réunion à quatre personnes dans une salle qui résonne.

Mistral annonce pour Voxtral Mini Transcribe V2 « environ 4 % de taux d’erreur sur FLEURS », un jeu de données multilingue — c’est un ordre de grandeur, pas une performance en français. Nous le citons comme tel.

En pratique, ce qui dégrade une transcription française n’est presque jamais le modèle : c’est le bruit de fond, les locuteurs qui se coupent, les noms propres, le vocabulaire métier et les sigles. Un test sur cinq minutes de votre pire enregistrement vous en apprendra davantage que n’importe quel tableau comparatif.

Le temps de traitement

C’est le facteur qui fait abandonner le local, et celui dont on parle le moins. Le dépôt officiel de Whisper publie des vitesses relatives entre modèles : tiny traite environ dix fois plus vite que large, turbo environ huit fois plus vite, avec des besoins en mémoire vidéo allant de 1 Go pour tiny à 10 Go pour large.

Ces rapports sont utiles, mais ils ne donnent aucun temps absolu — celui-ci dépend entièrement de votre processeur, de votre mémoire et de l’accélération disponible. Un Mac récent traite un modèle large à une vitesse confortable ; un portable de bureau sans GPU dédié peut mettre plus longtemps à transcrire un fichier qu’à l’écouter en entier.

D’où la seule recommandation qui vaille : avant de bâtir un flux de travail sur le local, chronométrez un fichier de cinq minutes avec le modèle que vous visez. Multipliez par douze pour estimer une heure d’audio. Si le résultat vous paraît insupportable, descendez d’une taille de modèle ou passez à une API.

Transcrire en local : ce que ça demande vraiment

Whisper, le socle

Whisper est le modèle de reconnaissance vocale publié par OpenAI, dont le code et les poids sont diffusés sous licence MIT. C’est ce qui explique qu’on le retrouve derrière la quasi-totalité des applications de transcription locale : n’importe qui peut l’embarquer, y compris commercialement.

Il existe en six tailles — tiny, base, small, medium, large et turbo — de 39 à 1 550 millions de paramètres. Le choix de la taille est le seul vrai réglage : il arbitre entre précision, mémoire et temps de traitement. turbo, à 809 millions de paramètres pour environ 6 Go de mémoire vidéo, est le compromis que la plupart des utilisateurs devraient essayer en premier.

Utilisé tel quel, Whisper suppose Python et un terminal. Ce n’est pas un obstacle pour tout le monde, mais ce n’en est pas la seule voie.

whisper.cpp, pour que ça tourne vite sur une machine ordinaire

whisper.cpp est un portage en C/C++ du modèle, également sous licence MIT, sans dépendances externes. Son intérêt n’est pas fonctionnel mais matériel : il exploite les accélérations réellement disponibles sur les machines des gens — Metal et Core ML sur Apple Silicon, CUDA chez NVIDIA, ROCm chez AMD, Vulkan, OpenVINO — et tourne de macOS et Windows jusqu’au Raspberry Pi et au navigateur via WebAssembly.

C’est la brique que la plupart des applications locales embarquent. Vous n’aurez généralement pas à l’installer vous-même, mais savoir qu’elle est là explique pourquoi une application gratuite peut être nettement plus rapide qu’un script Python monté à la main.

Vibe, l’application gratuite et hors ligne

Vibe est une application de bureau sous licence MIT, disponible sur macOS, Windows et Linux, dont l’argument central est explicite : la transcription est entièrement hors ligne et aucune donnée ne quitte l’appareil. Elle ne se limite pas à Whisper et prend aussi en charge d’autres modèles, dont Parakeet et Nemotron, ainsi que des modèles personnalisés.

Des intégrations cloud existent en option — c’est un point à connaître si votre exigence est l’absence totale de sortie réseau : la capacité est là, désactivée par défaut, mais elle est là.

Pour un usage ponctuel avec une contrainte de confidentialité forte et aucun budget, c’est le point de départ le plus raisonnable, sur les trois systèmes.

MacWhisper, la version confort sur Mac

MacWhisper est une application macOS native construite autour de Whisper, distribuée sur Gumroad. Elle existe en deux versions, dont les prix relevés le 7 août 2026 sur la page officielle sont les suivants : MacWhisper Free à 0 €, et MacWhisper Pro à 65 € en licence personnelle, en achat unique. Les licences en volume sont dégressives, à partir de 54 € par poste par lot de cinq.

Attention aux tarifs qui circulent : plusieurs sites tiers annoncent encore 59 €, un montant qui ne correspond plus à ce qu’affiche la page de vente. Vérifiez avant d’acheter.

La version gratuite suffit pour tester la démarche. La licence Pro se justifie si vous transcrivez régulièrement et avez besoin des modèles les plus grands, du traitement par lots ou de la distinction entre locuteurs — cette dernière étant souvent ce qui fait la différence entre une transcription exploitable et un mur de texte, sur un enregistrement à plusieurs voix.

Voxtral : le modèle français, et le piège des poids ouverts

C’est la nouveauté qui change le raisonnement, et celle sur laquelle il faut lire les petites lignes.

Voxtral, la première génération publiée par Mistral AI, propose un modèle de 24 milliards de paramètres et un Voxtral Mini de 3 milliards destiné aux déploiements locaux et embarqués, l’ensemble sous licence Apache 2.0, avec le français parmi les langues officiellement prises en charge.

La génération suivante, Voxtral Transcribe 2, annoncée le 4 février 2026, se compose de deux modèles couvrant treize langues dont le français. Et c’est là que la distinction compte :

• Voxtral Realtime est publié en poids ouverts sous licence Apache 2.0 et disponible sur Hugging Face. C’est celui que vous pouvez déployer chez vous, avec une latence configurable jusqu’à moins de 200 millisecondes.
• Voxtral Mini Transcribe V2, le modèle de traitement par lots, n’est accessible que via l’API. Mistral le classe parmi ses modèles « Premier », pas « Open ».

Le piège est net : sur la grille tarifaire officielle, le modèle batch réservé à l’API coûte 0,003 $ la minute, soit deux fois moins que le modèle ouvert temps réel, à 0,006 $ la minute. Autrement dit, le modèle le plus économique à l’usage est précisément celui que vous ne pouvez pas auto-héberger, et celui que vous pouvez auto-héberger est le plus cher si vous passez par l’API.

Cela ne disqualifie rien, mais cela change la lecture. Si votre objectif est la souveraineté, Voxtral Realtime sous Apache 2.0 est une option sérieuse, et le fait qu’un modèle publié par un éditeur européen soit déployable sans contrat est un argument réel. Si votre objectif est le coût par heure, l’ouverture ne vous apporte rien et d’autres offres sont moins chères.

Ce que les API facturent réellement à l’heure d’audio

Les tarifs sont annoncés à la minute chez certains fournisseurs, à l’heure chez d’autres, ce qui rend la comparaison pénible. Voici la même information ramenée à une heure d’audio, dans la devise réellement facturée.

Service	Modèle	Tarif officiel	≈ € par heure d’audio
Mistral	Voxtral Mini Transcribe 2	0,003 $/min, soit 0,18 $/h	≈ 0,16 €
Mistral	Voxtral Realtime	0,006 $/min, soit 0,36 $/h	≈ 0,31 €
OpenAI	gpt-4o-mini-transcribe	0,003 $/min, soit 0,18 $/h	≈ 0,16 €
OpenAI	gpt-4o-transcribe	0,006 $/min, soit 0,36 $/h	≈ 0,31 €
AssemblyAI	Universal-2	0,15 $/h	≈ 0,13 €
AssemblyAI	Universal-3.5 Pro	0,21 $/h	≈ 0,18 €
Gladia	transcription asynchrone, offre Starter	0,61 €/h	facturé en euros
Gladia	transcription asynchrone, offre Growth	dès 0,20 €/h	facturé en euros

Les équivalents en euros sont calculés au taux de référence de la Banque centrale européenne du 7 août 2026, soit 1 USD = 0,86693 EUR. Mistral, OpenAI et AssemblyAI facturent en dollars : votre relevé appliquera le taux du jour et votre banque peut ajouter des frais de change. Ces conversions sont indicatives et n’engagent aucun prix. Gladia, en revanche, affiche ses tarifs en euros, ce qui supprime le problème.

Deux points à retenir de ce tableau. D’abord, l’écart entre le moins cher et le plus cher est d’un facteur cinq, ce qui reste dérisoire en valeur absolue : dix heures d’audio par mois coûtent entre 1,30 et 6,10 €. Ensuite, Mistral n’est pas le moins cher malgré son positionnement tarifaire agressif — AssemblyAI Universal-2 est en dessous. L’argument de Voxtral est l’ouverture des poids et l’origine européenne, pas le prix.

Côté crédits d’essai, AssemblyAI annonce 50 $ offerts à l’inscription sans carte bancaire, et Gladia 50 € de crédits uniques, ce qui représente selon l’éditeur plus de 80 heures de transcription préenregistrée. De quoi tester sérieusement avant de payer quoi que ce soit.

La conséquence gênante pour le local

Mettons ces chiffres en face d’une licence. MacWhisper Pro coûte 65 € une fois. Face à AssemblyAI Universal-2 à environ 0,13 € l’heure, il faut transcrire à peu près 500 heures d’audio avant que la licence soit rentable. Face à l’offre Starter de Gladia, plus chère, le seuil tombe encore à une centaine d’heures.

À dix heures d’audio par mois, cela signifie plus de quatre ans. Ce calcul règle la question : on ne choisit pas le local pour économiser. On le choisit parce que le fichier ne doit pas partir, parce qu’on veut travailler hors connexion, ou parce qu’on refuse une dépendance à un fournisseur. Ce sont d’excellentes raisons. L’argument économique n’en est pas une, sauf à des volumes que peu de gens atteignent — et Vibe, gratuit, reste de toute façon disponible pour qui veut le local sans licence.

Calcul indicatif : licence seule, hors coût de matériel, électricité et temps de traitement.

Quel choix selon votre profil

Vous transcrivez quelques fichiers par mois, sans secret particulier

Prenez une API. À ces volumes, la dépense est de l’ordre de quelques dizaines de centimes par mois, l’installation est nulle et la qualité ne dépend pas de votre matériel. Commencez par les crédits offerts d’AssemblyAI ou de Gladia, qui couvriront probablement plusieurs mois d’usage.

Vous transcrivez des entretiens ou des propos sensibles

Restez en local, sans hésiter, et commencez par Vibe : gratuit, hors ligne, disponible sur les trois systèmes. Sur Mac, testez MacWhisper en version gratuite avant d’envisager la licence. Prévoyez un modèle turbo ou large selon ce que votre machine supporte, et chronométrez avant de vous engager sur un délai auprès de qui que ce soit.

Vous industrialisez de gros volumes

Regardez d’abord Voxtral Realtime auto-hébergé : poids ouverts sous Apache 2.0, éditeur européen, aucun coût par minute une fois l’infrastructure en place. Le calcul se joue entre le prix de vos serveurs et le prix par heure de l’API, et il dépend surtout de votre régularité — une charge irrégulière rend l’auto-hébergement peu rentable. Si vous préférez ne pas exploiter d’infrastructure, Gladia facture en euros et publie une politique de confidentialité ainsi que des certifications ; AssemblyAI est moins cher à l’heure.

Vous êtes sur une machine ancienne ou sans GPU

Ne partez pas sur un modèle large en local, vous abandonnerez. Deux options honnêtes : un modèle tiny ou base, en acceptant une précision moindre sur un audio imparfait, ou une API. Si la confidentialité impose le local et que la machine ne suit pas, le vrai arbitrage est budgétaire — il porte sur le matériel, pas sur le logiciel.

Ce que le local ne protège pas

C’est la partie que les articles enthousiastes oublient, et elle mérite d’être dite clairement.

Transcrire en local empêche l’audio de partir vers un serveur de transcription. Cela ne le fait pas disparaître. Le fichier reste sur votre disque, et il repart généralement ailleurs sans que personne y pense : dans la sauvegarde automatique vers un cloud grand public, dans le dossier synchronisé où vous l’avez déposé, dans la pièce jointe d’un courriel, dans l’historique de l’application d’enregistrement de votre téléphone.

Trois réflexes règlent l’essentiel :

• Vérifiez où atterrit l’enregistrement source, avant même de penser à la transcription. Un dossier synchronisé annule tout le bénéfice du traitement local.
• Décidez d’une durée de conservation de l’audio, et supprimez-le une fois la transcription relue. C’est l’audio qui porte la voix, pas le texte.
• Traitez la transcription comme un document sensible à son tour. Un compte rendu nominatif d’entretien collé dans un outil de notes hébergé n’est pas mieux protégé que l’audio.

La même logique de minimisation s’applique d’ailleurs à la mesure d’audience, où choisir un outil ne suffit pas non plus à régler la question : nous l’avons détaillée dans notre guide sur l’analytics sans bandeau cookies.

Points de vigilance

• Ne confondez pas « open source » et « auto-hébergeable en pratique ». Un modèle sous Apache 2.0 dont vous n’avez pas le matériel pour le faire tourner reste théorique.
• Méfiez-vous des prix relevés sur des sites tiers. L’exemple de MacWhisper est parlant : plusieurs comparatifs annoncent un tarif périmé. La page de vente officielle est la seule référence.
• Un tarif à la minute n’est pas un tarif à l’heure. Certains fournisseurs facturent chaque heure d’audio soumise et comptent séparément les canaux d’un enregistrement multipiste — vérifiez la règle d’arrondi avant d’estimer un budget.
• La séparation des locuteurs est souvent le critère décisif, et elle est fréquemment réservée aux versions payantes. Sur un enregistrement à plusieurs voix, son absence rend la transcription difficilement exploitable.
• Ne promettez pas un délai avant d’avoir chronométré. C’est l’erreur classique du passage au local.

Voir aussi

• Comment choisir un outil d’IA selon votre besoin
• Les meilleurs chatbots IA comparés
• Les meilleurs outils de prise de notes
• Analytics sans bandeau cookies : quels outils et à quelles conditions
• Toutes nos pages sur l’intelligence artificielle

Sources utiles

• Whisper — dépôt officiel et licence MIT
• whisper.cpp — portage C/C++ et accélérations matérielles
• Vibe — application de transcription locale
• MacWhisper — page de vente officielle
• Voxtral — annonce Mistral AI
• Voxtral Transcribe 2 — annonce Mistral AI du 4 février 2026
• Mistral AI — tarifs de l’API
• OpenAI — tarifs de l’API
• AssemblyAI — tarifs
• Gladia — tarifs
• Gladia — politique de confidentialité et certifications déclarées
• Taux de change de référence de la Banque centrale européenne

Verdict

Si l’audio est sensible, transcrivez en local et commencez par Vibe, gratuit et hors ligne sur les trois systèmes ; sur Mac, MacWhisper en version gratuite d’abord, la licence à 65 € ensuite si l’usage devient régulier. Si l’audio ne l’est pas, prenez une API : AssemblyAI Universal-2 est le moins cher à l’heure, Gladia facture en euros avec des engagements de conformité affichés. Et si votre critère est la souveraineté à grande échelle, Voxtral Realtime sous Apache 2.0 est la seule option de cette page que vous pouvez déployer chez vous sans contrat — en gardant en tête que chez Mistral, le modèle ouvert n’est pas le moins cher.

Dans tous les cas, avant de vous engager sur un délai ou un budget : cinq minutes de votre pire enregistrement, chronométrées. C’est le seul test qui ne mente pas.