Dix minutes de parole transformées en texte en quelques secondes, ça semble utile. Avant d’applaudir, on aimerait tout de même lire la transcription.

Tether, l’entreprise derrière le stablecoin USDT, a publié un modèle de reconnaissance vocale appelé QVAC TranscribePsy. Les développeurs peuvent l’utiliser pour créer des applications qui traitent les enregistrements directement sur l’appareil, sans envoyer l’audio à un serveur distant.

Retirez les lunettes connectées, les robots humanoïdes et les grandes promesses de confidentialité : voilà l’annonce. Un logiciel qui transcrit vos enregistrements sur votre appareil. Garder ses conversations hors du serveur de quelqu’un d’autre est un vrai avantage. Cela ne dit rien de la fidélité de la transcription.

La vitesse ne raconte que la moitié de l’histoire

Ce qui compte, c’est la quantité de corrections à faire. Une vraie réunion suit rarement un scénario bien propre. Les gens marmonnent, se coupent la parole et citent des noms inconnus. Un seul chiffre erroné peut avoir plus de conséquences que dix virgules oubliées.

Tether publie bien des résultats de précision. Dans ses tests, le modèle à 25 langues affiche un taux d’erreur sur les mots de 8,02 % sur Open ASR et de 21,56 % sur Common Voice. Ces résultats proviennent de jeux de données différents : ils ne constituent donc pas des mesures interchangeables de la précision.

Ces chiffres méritent qu’on s’y arrête. Ils ne disent pas combien de corrections exigera la transcription de votre prochaine réunion. Nous n’avons pas testé le modèle de manière indépendante. S’il faut reprendre une grande partie du texte, le gain de vitesse vous permet surtout d’arriver plus tôt à la corvée.

D’où sort le chiffre de 1,65 seconde ?

Tether annonce que le modèle transcrit dix minutes d’audio en 1,65 seconde sur un iPhone 17 Pro Max. Sa documentation technique apporte une précision importante : ce chiffre exclut un démarrage à froid de 12,7 secondes, pendant lequel le modèle est préparé à l’exécution.

Ce délai de démarrage ne s’applique pas à chaque enregistrement. Le chiffre de 1,65 seconde correspond au traitement une fois le modèle prêt, pas à toute l’attente depuis un démarrage à froid. C’est aussi un résultat obtenu sur un téléphone précis, pas une promesse valable pour tous les appareils.

La transcription en direct se fait encore attendre

Malgré les discours sur l’interaction en temps réel, la FAQ technique officielle précise que cette version attend la fin de l’enregistrement ou de la prise de parole avant de lancer le traitement. La reconnaissance en continu est encore en développement.

Les versions mobiles prêtes à l’emploi prennent en charge huit langues. La version à 25 langues, qui comprend le russe, est destinée aux ordinateurs et aux serveurs. Cette couverture linguistique élargie ne s’applique pas aux versions mobiles disponibles.

Maintenant, essayons une vraie conversation

Il y a quelque chose à essayer : des modèles téléchargeables, un traitement local, des résultats de tests publiés et une licence Apache 2.0 indiquée dans la fiche du modèle. Les développeurs ont un véritable logiciel entre les mains.

Il reste à essayer le modèle sur une vraie conversation, avec du bruit de fond et des gens qui se coupent la parole. Publiez la transcription, comptez les corrections et comparez avec un outil existant sur le même enregistrement. Un logiciel de transcription fait ses preuves en nous épargnant du travail. Les robots peuvent attendre.