Transcrivez des fichiers audio et vidéo en texte avec l'IA. Gratuit, précis et multilingue.
Glissez-déposez un fichier audio/vidéo ou cliquez pour parcourir
MP3, WAV, M4A, MP4, WEBM — Max 25 Mo, 5 min
Reconnaissance vocale par NVIDIA Parakeet TDT 0.6B v3 (CC BY 4.0) pour 25 langues européennes et OpenAI Whisper (MIT) pour toutes les autres.
Le Speech to Text de KlipTools convertit l'audio parlé en texte écrit avec deux modèles ouverts de reconnaissance vocale, et choisit le plus adapté à votre langue. Les enregistrements dans 25 langues européennes — dont l'anglais, l'espagnol, le français, le portugais, l'allemand et l'italien — sont transcrits par NVIDIA Parakeet TDT 0.6B v3. Toutes les autres langues, du japonais et du chinois à l'arabe, à l'hindi et au turc, sont confiées à OpenAI Whisper. Les deux gèrent les accents, les microphones ordinaires et le bruit de fond du quotidien bien mieux que les anciens systèmes de reconnaissance vocale.
Que vous deviez transcrire un épisode de podcast, transformer un cours enregistré en notes de révision, créer des sous-titres pour une vidéo ou convertir l'enregistrement d'une réunion en comptes rendus exploitables, cet outil s'en charge. Il vous suffit d'importer votre fichier audio ou vidéo (jusqu'à 5 minutes et 25 Mo), de choisir une langue ou de laisser l'IA la détecter automatiquement, et de recevoir une transcription complète en quelques secondes.
Aucun compte n'est nécessaire. Chaque visiteur dispose d'un quota gratuit quotidien (partagé par tous les outils KlipTools ; il se renouvelle à minuit UTC), et la ligne au-dessus du bouton indique ce qu'il vous reste. Ensuite, la transcription coûte 2 000 crédits par minute d'audio (environ 3 cents). Votre fichier est envoyé sur notre serveur, transcrit et supprimé aussitôt ; nous ne gardons aucune copie de votre enregistrement. À eux deux, les modèles couvrent plus de 90 langues et donnent de bons résultats même avec un son de qualité imparfaite, ce qui en fait un choix pratique pour les professionnels, les étudiants, les créateurs de contenu, les journalistes et les chercheurs.
Aucun modèle de reconnaissance vocale n'est le meilleur partout, c'est pourquoi cet outil en utilise deux. NVIDIA Parakeet TDT 0.6B v3 est un modèle de 600 millions de paramètres conçu pour 25 langues européennes. Il associe un encodeur FastConformer à un décodeur Token-and-Duration Transducer (TDT), qui prédit chaque mot en même temps que sa durée et peut donc sauter des passages de l'audio au lieu de le parcourir image par image. Cette conception explique sa rapidité, et il écrit la ponctuation et les majuscules au fur et à mesure.
OpenAI Whisper est un encodeur-décodeur de type transformer. La version d'origine a été entraînée en supervision faible sur 680 000 heures d'audio multilingue associé à des transcriptions collectées sur Internet, ce qui lui a appris à gérer des enregistrements réels avec musique de fond, qualité de microphone variable et accents régionaux. Il convertit l'audio en spectrogramme log-mel et génère le texte un token à la fois, ce qui lui permet de couvrir plus de 90 langues et de reconnaître quelle langue est parlée.
Lorsque vous laissez la langue sur Détection automatique, Whisper écoute d'abord et identifie la langue. S'il s'agit de l'une des 25 de Parakeet, c'est Parakeet qui transcrit le fichier ; sinon, c'est Whisper. Dans tous les cas, cet outil se contente de transcrire : le texte revient toujours dans la langue parlée, sans être traduit en anglais.
Parakeet couvre le bulgare, le croate, le tchèque, le danois, le néerlandais, l'anglais, l'estonien, le finnois, le français, l'allemand, le grec, le hongrois, l'italien, le letton, le lituanien, le maltais, le polonais, le portugais, le roumain, le russe, le slovaque, le slovène, l'espagnol, le suédois et l'ukrainien. Whisper gère le reste de ses plus de 90 langues, dont le japonais, le coréen, le chinois (mandarin), l'arabe, l'hindi, le turc, l'indonésien, le vietnamien, le thaï et l'hébreu.
Nous avons mesuré la différence sur notre propre serveur avec le jeu de test FLEURS, qui est de la parole lue. En anglais, en français, en espagnol et en portugais, Parakeet a obtenu un taux d'erreur de mots moyen de 5,3 %, contre 7,3 % pour le modèle Whisper que nous utilisions auparavant — soit environ 28 % d'erreurs de mots en moins — et il a tourné plusieurs fois plus vite. Pour le seul portugais brésilien, les chiffres étaient de 4,9 % et 6,6 %. La parole lue est le meilleur cas de figure : une conversation spontanée, de la musique ou du bruit feront monter le taux d'erreur de n'importe quel modèle.
Pour les langues gérées par Whisper, la précision suit la part de chaque langue qu'il a vue à l'entraînement : les langues très parlées donnent les meilleurs résultats, et les moins représentées restent généralement utilisables pour la plupart des usages pratiques. La détection automatique identifie correctement la langue parlée dans la grande majorité des cas, mais choisir la langue manuellement peut améliorer les résultats lorsque vous connaissez à l'avance la langue source.
La précision dépend aussi fortement de la qualité audio. Les enregistrements professionnels de studio et les appels téléphoniques clairs produisent des transcriptions quasi parfaites, tandis que les enregistrements avec beaucoup de bruit de fond, plusieurs interlocuteurs qui se chevauchent ou un volume très faible peuvent contenir davantage d'erreurs. Même dans des conditions difficiles, les deux modèles surpassent généralement les anciennes technologies de reconnaissance vocale.
Deux. NVIDIA Parakeet TDT 0.6B v3 transcrit les 25 langues européennes qu'il prend en charge, dont l'anglais, l'espagnol, le français, le portugais, l'allemand et l'italien. OpenAI Whisper transcrit toutes les autres langues, comme le japonais, le chinois, le coréen, l'arabe, l'hindi et le turc. En détection automatique, Whisper identifie d'abord la langue, puis le fichier part vers le modèle qui la gère. Lors de nos propres tests sur de la parole lue, Parakeet a fait environ 28 % d'erreurs de mots en moins que le modèle Whisper que nous utilisions auparavant en anglais, en français, en espagnol et en portugais, et il a tourné plusieurs fois plus vite ; Whisper reste le modèle le plus étendu, avec plus de 90 langues.
Plus de 90 langues. Vingt-cinq langues européennes sont transcrites par NVIDIA Parakeet : bulgare, croate, tchèque, danois, néerlandais, anglais, estonien, finnois, français, allemand, grec, hongrois, italien, letton, lituanien, maltais, polonais, portugais, roumain, russe, slovaque, slovène, espagnol, suédois et ukrainien. Toutes les autres, dont le chinois, le japonais, le coréen, l'arabe, l'hindi, le turc, le norvégien, le thaï, le vietnamien, l'indonésien, le malais, le filipino et l'hébreu, sont transcrites par OpenAI Whisper.
La précision dépend de la qualité audio, de la langue et de la clarté de l'élocution. Sur de la parole lue et claire, nous avons mesuré un taux d'erreur de mots moyen d'environ 5 % avec Parakeet en anglais, en français, en espagnol et en portugais, et de 4,9 % pour le portugais brésilien. Les autres langues européennes couvertes par Parakeet, ainsi que les grandes langues gérées par Whisper, sont elles aussi bien transcrites. Les résultats se dégradent en présence de beaucoup de bruit de fond, d'interlocuteurs qui se chevauchent ou d'un son très faible, comme pour tout système de reconnaissance vocale.
L'outil accepte la plupart des formats audio courants, dont MP3, WAV, M4A, OGG, FLAC et AAC. Pour les fichiers vidéo, il prend en charge MP4, WEBM, MKV, MOV et AVI -- la piste audio est extraite automatiquement pour la transcription. Si votre fichier est dans un format non pris en charge, convertissez-le d'abord en MP3 avec n'importe quel convertisseur audio standard.
Jusqu'à 25 Mo et jusqu'à cinq minutes d'audio, selon ce que vous atteignez en premier. C'est la durée qui limite réellement, et il ne s'agit pas de stockage : cet outil transcrit pendant que vous attendez, dans une seule requête, et le proxy placé devant lui abandonne au bout d'une centaine de secondes. Un import de vingt minutes ne pourrait jamais aboutir, même en réduisant le fichier au maximum — réduire le débit binaire pour faire tenir plus d'audio ne sert donc à rien, et nous ne le suggérons plus. Pour tout ce qui est plus long, utilisez le Générateur de sous-titres : il met le travail en file d'attente, affiche la progression réelle, accepte jusqu'à une heure et renvoie du SRT et du VTT en plus du texte brut.
Les deux modèles ont appris à partir de grandes quantités d'enregistrements réels, et Whisper en particulier a été entraîné sur de l'audio d'Internet rempli de bruit de fond, de musique et d'autres interférences. Ils gèrent bien un bruit de fond modéré, transcrivant souvent la parole avec précision même dans des environnements bruyants comme les cafés, les voitures ou l'extérieur. En revanche, un bruit très fort ou persistant qui couvre la parole réduira la précision. Pour de meilleurs résultats, essayez d'utiliser des enregistrements où la voix de l'interlocuteur s'entend clairement au-dessus du fond sonore.
L'outil transcrit toute la parole audible de l'enregistrement, mais aucun des deux modèles ne fait de diarisation des locuteurs, c'est-à-dire qu'il n'étiquette ni ne sépare les différents interlocuteurs. Le résultat sera une transcription continue de tout ce qui a été dit. Si vous avez besoin d'identifier les locuteurs, vous devrez ajouter les étiquettes manuellement après la transcription ou utiliser un outil de diarisation dédié en complément de cette transcription.
La transcription affichée sur la page est du texte brut, qui se colle proprement dans des documents, des e-mails ou des notes. La même transcription est aussi proposée sous forme de fichiers de sous-titres .srt et .vtt horodatés, chaque ligne étant placée au moment où elle est prononcée, vous obtenez donc les horodatages sans étape supplémentaire. Pour les vidéos de plus de cinq minutes, utilisez le Générateur de sous-titres, qui fait le même travail sous forme de tâche en file d'attente.
Oui. Votre fichier audio est envoyé sur notre serveur uniquement pour être traité et il est supprimé immédiatement une fois la transcription terminée. Les fichiers ne sont jamais conservés de façon permanente, journalisés ni partagés avec des tiers. La transcription s'effectue en mémoire et les données audio sont écartées dès que le résultat texte est renvoyé à votre navigateur. Nous ne conservons aucune copie de vos enregistrements.
Il s'agit d'un outil de transcription par import de fichier. Vous importez un fichier audio ou vidéo préenregistré et vous recevez la transcription après le traitement. Il ne prend pas en charge le flux en direct depuis le microphone ni la transcription en temps réel. Pour la plupart des usages -- notes de réunion, transcriptions de cours, épisodes de podcast, enregistrements d'entretiens -- la transcription par import est le choix pratique, car elle permet à l'IA d'analyser tout le contexte de l'audio pour une meilleure précision.
Les deux modèles ont été entraînés sur de vastes collections variées de parole enregistrée, ils ont donc rencontré une grande diversité d'accents régionaux, de façons de parler et de dialectes. Les accents britannique, australien, indien et sud-africain de l'anglais sont généralement bien gérés, tout comme les variantes régionales de l'espagnol, du français, du portugais et d'autres langues. Les accents très prononcés ou les dialectes marqués produiront tout de même plus d'erreurs qu'une parole standard ; relisez donc la transcription avant de vous y fier.
Bien que les deux modèles produisent des transcriptions remarquablement précises, cet outil ne doit pas être utilisé comme seule méthode de transcription pour des documents médicaux ou juridiques où une exactitude absolue est exigée. Ces domaines emploient une terminologie très spécialisée et toute erreur de transcription pourrait avoir de graves conséquences. Utilisez l'outil pour créer un premier brouillon, puis faites relire et corriger le résultat par un professionnel qualifié avant de vous en servir à des fins cliniques, juridiques ou réglementaires.
Oui. Les deux modèles ajoutent automatiquement la ponctuation, y compris les points, les virgules, les points d'interrogation et les points d'exclamation. Ils gèrent aussi les majuscules en début de phrase et pour les noms propres. C'est un avantage considérable par rapport aux anciens systèmes de reconnaissance vocale qui produisaient un texte sans ponctuation, car la transcription est immédiatement lisible sans longue correction manuelle.
La transcription s'affiche dans une zone de texte sur la page. Vous pouvez copier l'intégralité du texte dans le presse-papiers avec le bouton « Copier le texte », puis le coller dans n'importe quel éditeur de texte, traitement de texte ou application de notes, où vous pourrez faire des corrections, ajouter une mise en forme, insérer des étiquettes de locuteurs ou restructurer le contenu selon vos besoins.
Oui. L'outil est entièrement adaptatif et fonctionne sur les smartphones et les tablettes équipés de navigateurs modernes. Vous pouvez importer des fichiers audio depuis le stockage de votre téléphone, enregistrer un mémo vocal et l'importer directement, ou sélectionner des fichiers depuis des applications de stockage en ligne. L'interface s'adapte aux écrans plus petits tout en conservant toutes ses fonctionnalités.
Oui. Une fois la transcription terminée, vous pouvez la télécharger sous forme de fichier de sous-titres .srt ou .vtt, en plus de copier le texte brut. Les lignes sont limitées à deux rangées d'au plus 42 caractères, la mise en forme qu'attendent la plupart des lecteurs et des plateformes. Pour les vidéos de plus de cinq minutes, le Générateur de sous-titres accepte des fichiers allant jusqu'à une heure.
Absolument. Aucune restriction ne s'applique à l'usage du texte transcrit. Vous pouvez l'utiliser pour des documents professionnels, du contenu commercial, des livrables clients, des articles publiés, des sous-titres YouTube, des notes d'épisodes de podcast ou toute autre finalité. Le texte produit vous appartient et peut être utilisé, modifié et diffusé sans limitation.
Cela dépend de la durée de l'enregistrement et de la charge du serveur. Dans les 25 langues européennes que gère Parakeet, le modèle tourne plusieurs fois plus vite que le temps réel, si bien qu'un enregistrement de cinq minutes (le plus long que cet outil accepte) prend généralement environ une minute ou moins, import compris en plus. Les autres langues utilisent Whisper et prennent un peu plus de temps. Pour les enregistrements plus longs, utilisez le Générateur de sous-titres, qui met le travail en file d'attente et en affiche la progression.
L'outil fonctionne dans tous les navigateurs modernes, dont Google Chrome, Mozilla Firefox, Microsoft Edge, Safari, Opera et Brave. Les versions pour ordinateur comme pour mobile de ces navigateurs sont prises en charge. Nous recommandons d'utiliser la dernière version de votre navigateur préféré pour une expérience optimale. Internet Explorer n'est pas pris en charge.
Non. La transcription nécessite un traitement côté serveur avec les modèles Parakeet et Whisper ; une connexion Internet est donc indispensable. Votre fichier audio est envoyé au serveur, traité par l'IA, puis le résultat texte est renvoyé à votre navigateur. Si vous avez besoin d'une reconnaissance vocale hors ligne, les deux modèles sont disponibles librement et peuvent être installés sur votre propre ordinateur, ce qui demande Python et des ressources matérielles suffisantes.