API transcription : quel service choisir en 2026 ?

API transcription : partez de Deepgram pour un agent vocal, d’ElevenLabs Scribe pour des enregistrements multilingues avec attribution des prises de parole, et de Speechmatics lorsque la maîtrise du déploiement est décisive. Voxtral 3 de Mistral rejoint les API à retenir pour la transcription de fichiers, à $0.21 par heure audio. Son modèle temps réel impose toutefois un compromis sur la diarisation dont il faut tenir compte dès la conception.

Tarifs et documentation des éditeurs vérifiés le 21 octobre 2026. Ces recommandations comparent les fonctionnalités publiées et ramènent les coûts à l’heure audio. Elles ne constituent pas un benchmark de précision réalisé sur des enregistrements.

Une API de transcription convertit l’audio en texte au sein de votre application. Première question : l’application peut-elle attendre un enregistrement terminé, ou doit-elle réagir pendant que quelqu’un parle ? Deuxième question : lui faut-il seulement les mots, l’attribution des prises de parole, ou un signal indiquant à un agent quand répondre ? Chez un même fournisseur, ces besoins peuvent mener à des modèles différents.

Si vous cherchez une application prête à l’emploi pour les réunions ou le montage, consultez plutôt notre comparatif des meilleurs outils de transcription par IA, consacré notamment à Otter et Descript.

API transcription : les offres en un coup d’œil

Choisissez le mode de traitement avant de comparer le tarif horaire. Un modèle économique conçu pour les fichiers ne remplace pas automatiquement un moteur temps réel. Et la transcription en direct n’inclut pas nécessairement la diarisation ni la détection des tours de parole.

Tous les montants ci-dessous sont en USD et concernent la transcription de base. Pour les modèles facturés à la minute, le calcul est le suivant : prix par minute × 60. AssemblyAI, ElevenLabs et Speechmatics affichent les tarifs concernés à l’heure ; nous les reprenons donc directement. Les options, taxes, frais de stockage, coûts du modèle de langage et de la synthèse vocale sont exclus. Le comparatif porte sur un seul canal audio traité, sans accord commercial négocié pour une entreprise.

Le « streaming » désigne ici la réception de l’audio au fil de son arrivée. Renvoyer progressivement le texte d’un fichier déjà envoyé relève d’une autre fonctionnalité. La « diarisation » consiste à attribuer les paroles aux différents locuteurs ; elle ne permet pas nécessairement de connaître leur nom.

Les tarifs à la minute utilisés sont $0.0035/$0.004/$0.008 chez Mistral, $0.0043/$0.0048/$0.0065 chez Deepgram pour les modes indiqués, les estimations de $0.0045/$0.017 chez OpenAI, et $0.016/$0.003 chez Google. L’option de diarisation en direct de Deepgram coûte $0.0020/minute. Pour Google Standard, le calcul utilise la première tranche de consommation mensuelle, sans remise liée à un volume élevé.

Le détail des langues et des fonctionnalités provient de la documentation des modèles : matrice linguistique de Mistral, liste des modèles Deepgram, guide de transcription OpenAI, documentation de Google Chirp 3, guide des fonctionnalités ElevenLabs et guide des modèles Speechmatics. La page des tarifs d’AssemblyAI précise directement les nombres de langues et les options propres à chaque modèle.

Speechmatics peut afficher un tarif d’appel d’environ $0.12/heure pour Melia après remises. Son calculateur indique $0.24/heure pour le traitement de fichiers sans remise. Le tableau retient ce tarif de base, sans réduction liée à l’autorisation d’utiliser les données pour l’entraînement ni à l’achat de crédits en volume. Les tarifs promotionnels de Deepgram signalés comme tels doivent également être revérifiés avant de valider un budget.

Sept API, sept raisons différentes de les choisir

La sélection commence par la recommandation générale pour les agents en direct, puis présente les solutions qui se distinguent sur des besoins précis. Il ne s’agit pas d’un classement de la précision de transcription. Un modèle peut parfaitement convenir à une archive et mal répondre aux exigences de l’appel en direct qui l’a produite.

1. Deepgram : le premier choix à évaluer pour un agent vocal

Deepgram est le premier fournisseur que je retiens pour un agent vocal, car Flux fournit des signaux de tour de parole en plus de la transcription. Ces signaux indiquent à l’application que l’interlocuteur semble avoir terminé. Pour un agent chargé de répondre, cette information est plus utile qu’un mot correctement reconnu de plus. Nova-3 constitue une offre de transcription générale distincte, destinée aux fichiers, aux sous-titres et aux usages qui n’exigent pas de détection des tours de parole intégrée au modèle.

Imaginez un assistant de réservation qui entend : « Je voudrais un rendez-vous vendredi… enfin, lundi. » La transcription partielle permet de préparer une réponse, mais ne suffit pas à justifier une réservation pour vendredi. L’application doit distinguer une parole en cours, une fin de tour apparente et une reprise de parole. Le guide de démarrage de Flux décrit pour cela les événements EndOfTurn, EagerEndOfTurn en option, et TurnResumed.

L’avantage concret pour l’intégration est de pouvoir définir explicitement les règles de réponse de l’agent. N’anticipez la préparation d’une réponse que si vous pouvez l’annuler lorsque l’interlocuteur poursuit. Les actions qui ont un effet réel, comme la confirmation d’un rendez-vous, doivent rester soumises à la logique de décision et de confirmation de votre application. Anticiper plus vite n’a d’intérêt que si une correction ne déclenche pas la mauvaise action.

À privilégier pour : les agents vocaux en direct et les équipes qui souhaitent séparer modèles de transcription générale et modèles conversationnels.
Point fort : les événements natifs de tour de parole de Flux ; Nova-3 pour les fichiers et les sous-titres.
Tarifs : à partir de $0.0043/minute, soit $0.258/heure audio, pour les fichiers monolingues avec Nova-3 ; le tableau distingue les modèles en direct et les options.
Essai gratuit : $200 de crédits sans carte bancaire, selon la page des tarifs de Deepgram.

La principale limite tient aux différences de fonctionnalités et de langues entre modèles. Flux English est un modèle anglais. Flux Multilingual annonce l’anglais, l’espagnol, le français, l’allemand, l’hindi, le russe, le portugais, le japonais, l’italien et le néerlandais. La liste plus étendue de Nova ne signifie pas que Flux convient à toutes les langues visées par votre produit. De même, le rôle généraliste de Nova ne lui confère pas le comportement conversationnel de Flux.

Le besoin d’attribuer les paroles aux locuteurs modifie aussi l’intégration et la facture. La documentation actuelle de la diarisation recommande le paramètre versionné diarize_model. Les moteurs de diarisation par lots et en streaming diffèrent ; demander sur un flux la version réservée aux lots renvoie une erreur de validation. Pour un outil de réunion, examinez les identifiants de locuteurs dans la réponse qui sera réellement stockée. La validation d’un exemple sur fichier ne garantit pas le même comportement en direct.

Un petit prototype peut aussi masquer une limite de capacité. La page des tarifs à l’usage de Deepgram annonce jusqu’à 150 connexions WebSocket de transcription simultanées et 50 requêtes REST. Il s’agit de traitements concurrents, pas d’un total d’heures mensuel. Une application qui ouvre tous les appels clients au début de la journée doit prévoir ce pic, même si sa consommation moyenne reste faible.

Verdict : choisissez Flux pour sa gestion de la conversation, au-delà du texte transcrit. Si le produit a seulement besoin d’enregistrements consultables après l’appel, commencez par Nova-3 ou une solution spécialisée dans les fichiers. Notre analyse détaillée des tarifs Deepgram couvre l’ensemble de la grille tarifaire.

Réussir une première intégration de Flux

1. 1

   Choisir le modèle conversationnel

   Utilisez flux-general-en pour l’anglais, ou flux-general-multi après avoir vérifié les langues documentées. Partez du guide de démarrage actuel de Flux fourni par l’éditeur et de la route WebSocket /v2/listen.

2. 2

   Configurer le format audio réellement envoyé

   Pour de l’audio brut en linear16, indiquez sa fréquence d’échantillonnage réelle ; Deepgram recommande 16000 dans son guide de démarrage. Si l’audio utilise un format conteneur pris en charge, suivez la procédure de détection automatique documentée plutôt que d’ajouter des paramètres d’audio brut contradictoires.

3. 3

   Séparer le texte de la gestion des tours de parole

   Affichez ou mettez en mémoire tampon les mises à jour de transcription, puis traitez EndOfTurn comme un événement distinct. Commencez avec la valeur par défaut documentée de eot_threshold, soit 0.7. N’ajoutez la génération anticipée qu’après avoir pris en charge TurnResumed et prévu l’annulation d’une réponse en cours.

4. 4

   Tester les interruptions réelles des utilisateurs

   Essayez un interlocuteur qui corrige une date, s’interrompt pour chercher un numéro de compte ou parle en même temps que l’agent. Vérifiez que l’application attend, reprend l’écoute et conserve la correction. Il s’agit de critères de validation proposés, pas de tests réalisés pour ce comparatif.

2. Mistral Voxtral 3 : un candidat sérieux pour les fichiers, encore en préversion

Voxtral 3 de Mistral mérite dès maintenant une évaluation pour la transcription de fichiers, surtout si vous recherchez aussi une API hébergée dans l’UE ou la possibilité de déployer le modèle vous-même. Cette famille de transcription est entrée en préversion publique le 20 octobre 2026. Elle comprend Voxtral Mini Transcribe 3 et Voxtral Small Transcribe 3 pour l’audio enregistré, ainsi que Voxtral Mini Transcribe Realtime 3 pour le direct. Ce sont des choix distincts, pas un même modèle doté d’un simple bouton de streaming.

La conséquence pour le produit est simple. Une application qui importe des entretiens clients peut évaluer Mini sans payer de session en direct ni développer une gestion de la conversation. Un agent téléphonique a besoin du modèle Realtime et d’une logique distincte pour décider quand répondre. Les modèles de fichiers de Mistral prennent en charge 50 langues, tandis que Realtime annonce 45 langues et dialectes. Ce sont ces chiffres propres à chaque modèle qu’il faut inscrire dans le cahier des charges.

Mistral présente Small comme son modèle de fichiers offrant la meilleure qualité. C’est le positionnement de Mistral, pas un résultat de précision mesuré ici. La bonne question est de savoir si Small corrige les erreurs qui comptent dans vos enregistrements : noms de clients, références produit, accents ou prises de parole simultanées. Si Mini satisfait déjà vos critères de validation, un modèle plus volumineux n’est pas automatiquement un meilleur choix pour le produit.

À privilégier pour : la transcription de fichiers avec une option d’hébergement dans l’UE, et les équipes qui évaluent la nouvelle génération Voxtral.
Point fort : des modèles Mini, Small et Realtime distincts, dont les modes de traitement sont explicitement documentés.
Tarifs : à partir de $0.0035/minute, soit $0.21/heure audio, pour les fichiers avec Mini ; les conditions commerciales d’un déploiement autonome sont sur devis uniquement.
Essai gratuit : les pages des modèles citées ne chiffrent pas de quota gratuit de transcription ; vérifiez votre compte avant de prévoir un traitement gratuit.

La restriction la plus importante figure dans la présentation détaillée de la transcription : diarisation en direct et détection des tours de parole ne peuvent pas fonctionner dans la même session. L’annonce de ces deux fonctions au sein de la famille ne signifie pas qu’une requête peut les combiner.

Supposons que vous développiez un agent qui doit répondre immédiatement et produire pour les superviseurs une transcription attribuée aux locuteurs. Le guide de diarisation de Mistral recommande de détecter les tours de parole en direct, de conserver l’audio, puis de diariser l’enregistrement après l’appel. Cette architecture est viable, mais ajoute une étape de traitement. Si votre application exige simultanément l’attribution en direct et les signaux de tour de parole, évaluez un autre modèle : ne comptez pas sur un changement de configuration pour lever la restriction.

Autre limite pour les outils de sous-titrage et de montage : la documentation actuelle des fichiers fournit des horodatages par segment, pas par mot. Un segment délimite un passage parlé ; un horodatage par mot permet de surligner un mot précis ou d’y accéder dans un éditeur. Les possibilités offertes à l’utilisateur diffèrent. Une transcription peut être agréable à lire tout en manquant de la précision temporelle nécessaire à votre interface.

Même vigilance sur les annonces de compréhension audio. La présentation de la famille évoque un ensemble plus large de fonctions vocales, mais le guide actuel de transcription oriente les questions sur l’audio et la traduction vers une intégration de l’audio dans le chat utilisant Voxtral 2 au lancement. Ne présentez pas ces fonctions voisines comme des capacités vérifiées de transcription de Voxtral 3. Le statut de préversion invite à fixer explicitement le modèle et à confirmer le workflow exact, pas à écarter l’offre.

Verdict : retenez Voxtral Mini pour les fichiers ; validez Realtime au regard de vos besoins conversationnels précis. Pour un volume hypothétique de 1,000 heures de fichiers par mois, la transcription de base coûte $210 avec Mini et $240 avec Small. L’écart est assez faible pour que le travail de correction nécessaire départage les deux. Le guide des tarifs Mistral traite séparément des coûts des autres modèles.

3. AssemblyAI : partir de ce que le produit doit faire de la transcription

AssemblyAI convient aux produits qui ont besoin de transcriptions structurées et d’un choix clair de traitements optionnels. Universal-2 est le modèle de fichiers à large couverture linguistique ; Universal-3.5 Pro en est un autre, avec moins de langues et davantage de possibilités de prompting. Pour le direct, Universal-Streaming et Universal-3.6 Pro Realtime ont leurs propres tarifs et capacités. Le nom du fournisseur ne suffit donc pas à choisir la requête à intégrer au produit.

Prenons une application de contrôle des appels. Le client envoie un enregistrement, l’application produit des prises de parole horodatées, et la personne qui les examine peut voir qui s’est engagé sur quoi. Vous pouvez ensuite décider si le produit a aussi besoin d’un résumé, d’une détection d’entités ou d’un masquage des informations. Ces options répondent à des usages différents. Tout activer augmente facilement la dépense sans améliorer l’écran qui compte pour l’utilisateur.

La page actuelle des tarifs inclut les horodatages par mot et la mise en forme dans l’offre de transcription de fichiers, avec la diarisation en supplément. Elle décrit séparément Speaker Identification, qui permet de remplacer les identifiants génériques par des noms ou des rôles. La nuance compte : « Locuteur A » suffit à certaines interfaces de lecture, tandis que la distinction « client » et « agent » peut être indispensable à un workflow de coaching ou de contrôle qualité.

À privilégier pour : les produits qui exploitent des appels enregistrés et les applications nécessitant un traitement structuré des transcriptions.
Point fort : des fonctionnalités distinctes pour les fichiers, le temps réel et les options de compréhension de la parole.
Tarifs : à partir de $0.15/heure audio pour les fichiers avec Universal-2 ou pour Universal-Streaming ; l’attribution des locuteurs est facturée en supplément.
Essai gratuit : inscription sans carte ; l’éditeur annonce jusqu’à 185 heures d’enregistrements et jusqu’à 333 heures de streaming, selon le modèle et le quota applicable.

La limite principale est la variation de la couverture linguistique selon le modèle et le tarif. Universal-2 annonce 99 langues. Universal-3.5 Pro en annonce 18. Universal-3.6 Pro Realtime en annonce 32. L’offre moins chère Universal-Streaming Multilingual couvre l’anglais, l’espagnol, l’allemand, le français, le portugais et l’italien. Une application qui reprend le total le plus élevé du fournisseur pour toutes ses fonctionnalités risque de promettre en direct ce que le modèle retenu ne sait pas fournir.

Pour un responsable produit, le bon outil est une grille de validation croisant langues et fonctionnalités. Si vos clients parlent allemand et japonais, vérifiez chacune de ces langues sur le modèle de fichiers ou de direct choisi. Testez ensuite les enregistrements difficiles dans ces langues. La présence d’une langue dans une liste ne garantit ni votre vocabulaire, ni les conditions de prise de son, ni les changements de langue de vos utilisateurs.

L’attribution des locuteurs change également la comparaison. Universal-3.5 Pro avec diarisation des fichiers revient à $0.23/heure. Universal-3.6 Pro Realtime avec diarisation revient à $0.57/heure. Pour un volume hypothétique de 1,000 heures par mois, les configurations respectives coûtent $230 et $570. Elles répondent à des workflows différents : l’écart ne représente pas le prix à payer pour effectuer le même travail plus vite.

L’API synchrone constitue une autre distinction. Elle renvoie une transcription terminée en une seule requête, alors qu’un workflow de fichiers asynchrone lance un traitement dont le résultat arrive plus tard. Aucun des deux ne revient, par nature, à maintenir une connexion audio en direct. Choisissez en fonction de l’expérience attendue : une courte note vocale peut supporter un bref cycle d’envoi et de réponse ; un interlocuteur qui attend une réponse a besoin du mode en direct.

Verdict : choisissez AssemblyAI lorsque la transcription doit devenir une donnée structurée du produit. Avant de retenir un modèle, esquissez l’écran de contrôle ou l’enregistrement de données attendu en aval. Si cet écran exige des prises de parole attribuées aux locuteurs, chiffrez cette configuration dès le départ. S’il ne lui faut que du texte interrogeable, évitez de payer des traitements dont les utilisateurs ne verront jamais le résultat.

4. ElevenLabs Scribe : un bon candidat pour les enregistrements multilingues

ElevenLabs Scribe mérite de figurer parmi les premiers choix pour des enregistrements multilingues qui nécessitent l’attribution des locuteurs, l’horodatage des mots et le balisage des sons non parlés. Scribe v2 documente 90+ langues et la diarisation pour un maximum de 32 locuteurs. Ces fonctions le rendent pertinent pour les archives d’entretiens, les médiathèques et les applications de contrôle des appels. Scribe v2 Realtime est une offre en direct distincte, avec ses propres limites fonctionnelles.

Imaginez une application média dont les utilisateurs importent des entretiens en plusieurs langues. Le résultat attendu dépasse le simple paragraphe : l’interface doit proposer des mots cliquables, signaler les changements de locuteur et conserver la trace de sons comme les rires ou les applaudissements. Le guide des fonctionnalités ElevenLabs documente ces éléments pour le modèle de fichiers. Voilà une raison concrète d’évaluer Scribe, au-delà du fait qu’il partage son fournisseur avec un produit de synthèse vocale.

L’horodatage par mot est particulièrement utile lorsque la transcription sert au montage ou à la navigation. La personne qui relit peut accéder à un point précis de l’enregistrement sans fouiller dans un long segment. Les balises d’événements audio préservent aussi un contexte que le texte ordinaire perd. Ce sont des métadonnées à afficher ou à filtrer de façon délibérée, pas des mots à injecter aveuglément dans un index de recherche comme s’ils avaient été prononcés.

À privilégier pour : les applications multilingues consacrées aux entretiens, aux médias et aux appels enregistrés.
Point fort : l’attribution des locuteurs, les horodatages par mot et les balises d’événements audio réunis dans l’offre de fichiers.
Tarifs : à partir de $0.22/heure audio pour les fichiers avec Scribe v2 ; Scribe v2 Realtime coûte $0.39/heure.
Essai gratuit : le tableau Free/PAYG indique un volume Scribe inclus ; vérifiez le quota partagé de l’offre avant de supposer que chaque modèle dispose de son propre volume gratuit.

Le piège est de supposer que le modèle en direct hérite de la diarisation des fichiers. La liste des fonctions temps réel et la référence WebSocket consultées pour ce comparatif ne documentent pas l’attribution des locuteurs. Cette limite concerne ce qu’il est possible de valider ici ; elle ne signifie pas que le fournisseur ne pourra jamais proposer cette fonction. Si l’attribution en direct est indispensable, exigez une configuration prise en charge et documentée avant de choisir Scribe Realtime pour cet usage.

L’API en direct documente bien les transcriptions partielles et validées. Pour une intégration dans le navigateur, le guide côté client utilise un jeton à usage unique créé par le serveur : le navigateur ne reçoit donc pas la clé API permanente. C’est un point de départ concret pour ajouter une fonction microphone à une application web. L’interface peut afficher les mots provisoires tout en conservant séparément les segments validés.

Pour les enregistrements, les limites standard d’envoi documentées sont de 3 Go et 10 heures. Le mode multicanal permet d’attribuer les identifiants de locuteurs à partir des numéros de canal, ce qui est utile lorsque la source sépare déjà les participants. Conservez cette séparation si l’enregistreur en amont la fournit. Demander au modèle de retrouver les identités dans une piste mixée peut faire perdre une information que vous possédiez déjà.

Chiffrez séparément les fonctions liées au vocabulaire. La page des tarifs API facture le guidage par termes clés sur les traitements par lots $0.05/heure en supplément. Un volume hypothétique de 1,000 heures de fichiers coûterait donc $220 au tarif de base ou $270 avec cette option. Fournir un glossaire produit pertinent peut justifier la différence, mais ce glossaire doit contenir les termes susceptibles d’être prononcés, pas tous les mots du catalogue.

Verdict : évaluez Scribe pour les fonctions liées aux enregistrements que vous utiliserez réellement. Sa place dans cette sélection tient aux fichiers multilingues et aux métadonnées de transcription exploitables. Pour cet usage, commencez par ElevenLabs Scribe ; appuyez-vous sur les liens directs vers sa documentation ci-dessus pour vérifier l’implémentation.

5. OpenAI : choisir les modèles actuels et prévoir la migration de la diarisation

OpenAI convient aux équipes qui utilisent déjà son API, à condition que les fonctionnalités de ses modèles de transcription actuels répondent aux besoins de l’application. L’éditeur recommande désormais gpt-transcribe pour les enregistrements terminés et gpt-live-transcribe pour l’audio reçu en direct. C’est le point de départ d’une nouvelle intégration. Reprendre un ancien tutoriel Whisper ou GPT-4o peut conduire à développer sur un modèle dont l’arrêt est déjà programmé.

Le guide officiel de transcription distingue la diffusion progressive du texte d’un fichier de l’arrivée d’audio en direct. Une requête sur fichier peut renvoyer le texte par morceaux pendant le traitement d’un enregistrement terminé. Une session en direct reçoit de l’audio qui continue d’arriver. Cette distinction compte pour choisir le transport, la gestion des nouvelles tentatives et le moment où l’application considère la transcription comme achevée.

Pour une application qui transforme une note vocale en texte consultable par recherche, le traitement de fichiers est le choix de départ naturel. Pour un agent d’assistance qui suit un interlocuteur en temps réel, utilisez le workflow dédié au direct. Dans les deux cas, ne décidez pas uniquement en fonction de l’endpoint présent dans un exemple de code déjà utilisé ailleurs dans votre application.

À privilégier pour : les applications OpenAI existantes qui ont besoin de transcription actuelle sur fichiers ou en direct, sans présumer de l’équivalence avec les anciennes fonctionnalités.
Point fort : des modèles recommandés distincts et des entrées de contexte communes pour les prompts, les mots-clés et les langues attendues.
Tarifs : à partir d’une estimation de $0.0045/minute, soit $0.27/heure audio, pour le modèle de fichiers recommandé ; la transcription en direct est estimée à $1.02/heure.
Essai gratuit : la page des tarifs citée n’établit aucun quota gratuit de transcription.

Combien coûte la transcription audio chez OpenAI ?

OpenAI présente les montants à la minute comme un coût estimé ; les conversions à l’heure conservent donc cette réserve. La page actuelle des tarifs mentionne aussi les anciens modèles gpt-4o-mini-transcribe, à une estimation de $0.003/minute, et gpt-4o-transcribe, à $0.006/minute, soit $0.18 et $0.36 par heure audio. Ces tarifs permettent aux clients existants de comprendre l’effet d’une migration ; la ligne historique moins chère n’est pas notre recommandation pour un nouveau produit.

L’avis de dépréciation programme l’arrêt de whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe et gpt-4o-transcribe-diarize au 26 février 2027. Le guide actuel des fichiers documente encore la sortie attribuée aux locuteurs avec le modèle de diarisation déprécié. Il avertit qu’un changement d’identifiant de modèle ne préserve pas tous les formats de sortie ni toutes les métadonnées.

C’est le point bloquant pour une application de réunion. Une transcription qui renvoyait un champ de locuteur et des informations temporelles ne peut pas être remplacée par du texte ordinaire sans modifier le produit. Recensez les champs utilisés par la base de données et l’interface, puis comparez-les à la réponse du modèle de remplacement. Si l’attribution des locuteurs est indispensable et que le modèle actuellement recommandé ne la documente pas, évaluez une autre solution prise en charge. La migration ne se résume alors pas au remplacement d’une chaîne de caractères.

Le guide des fichiers fixe aussi une limite d’envoi de 25 Mo. Selon l’encodage, un enregistrement d’une heure peut nécessiter une compression ou un découpage. Concevez cette étape pour que les jonctions entre morceaux ne fassent pas disparaître des mots, ne dupliquent pas du texte et ne perturbent pas silencieusement le contexte attendu en aval. La taille maximale des fichiers devient une contrainte produit dès lors que les clients peuvent envoyer leurs propres enregistrements.

Pour le vocabulaire spécialisé, les modèles recommandés acceptent un prompt, des mots-clés littéraux et les langues attendues. Utilisez ce contexte pour décrire l’enregistrement et la terminologie probable. C’est une indication, pas une consigne pour forcer dans le texte des mots absents de l’audio. Évitez aussi d’attribuer aux nouveaux modèles le nombre de langues annoncé pour Whisper : le guide actuel décrit les entrées linguistiques sans fournir de total global.

Verdict : choisissez OpenAI pour un workflow actuel documenté, pas parce qu’un ancien extrait de code de transcription fonctionne déjà. Pour une intégration existante, recensez les champs indispensables avant de basculer le trafic. Pour un nouveau produit où la gestion des locuteurs est centrale, cet inventaire peut vous orienter immédiatement vers un autre fournisseur.

6. Google Cloud Speech-to-Text API : pertinent dans un workflow cloud déjà en place

Google Cloud Speech-to-Text a du sens lorsque la transcription s’inscrit dans un workflow Google Cloud existant ou que le produit se prête au traitement différé par lots. Les tarifs de Speech-to-Text V2 Standard et de Dynamic Batch diffèrent nettement. Chirp 3 ajoute un niveau de choix : le modèle, la méthode API, la langue et la région doivent tous correspondre aux fonctionnalités recherchées.

Un traitement nocturne d’archives et un assistant d’appel en direct ne doivent pas être budgétés à partir de la même ligne tarifaire Google. Les archives peuvent attendre un traitement moins urgent. L’assistant, lui, ne peut pas recevoir plus tard les mots dont il a besoin pour répondre maintenant. La page des tarifs Google présente Dynamic Batch comme une option de traitement différé à prix réduit, pas comme un endpoint en direct économique.

À privilégier pour : les applications Google Cloud, les archives en file d’attente et les équipes capables de gérer une configuration propre à chaque modèle.
Point fort : des modes de traitement V2 Standard et Dynamic Batch distincts.
Tarifs : à partir de $0.003/minute, soit $0.18/heure audio, pour V2 Dynamic Batch ; la reconnaissance Standard dans la première tranche coûte $0.016/minute, soit $0.96/heure.
Essai gratuit : n’appliquez pas le quota de minutes gratuites V1 de la page des tarifs à un budget V2 ; vérifiez séparément les crédits disponibles sur le compte.

Chez Google, le délai accepté change la facture

Pour un volume hypothétique de 1,000 heures audio sur un mois, le tarif Standard annoncé produit une facture de transcription de $960, contre $180 avec Dynamic Batch. Les $780 d’écart viennent de l’acceptation d’un traitement différé. Ce choix est utile pour une archive dont les résultats ne seront examinés que plus tard ; il ne permet pas de traiter une conversation client en direct au prix du traitement par lots. Le stockage et les autres ressources Google Cloud s’ajoutent à ces montants.

La même rigueur s’impose pour l’attribution des locuteurs. La documentation de Chirp 3 prend en charge la transcription en direct via StreamingRecognize, mais décrit la diarisation comme une fonction hors streaming, disponible pour un ensemble plus restreint de langues. Pour une archive avec attribution des locuteurs, suivez la configuration par lots documentée. La prise en charge de la transcription en direct ne permet pas de promettre la diarisation en direct avec ce même modèle.

La page produit Google annonce 85+ langues et variantes pour Chirp 3. La mention « et variantes » compte : un fournisseur peut inclure des formes régionales dans son total, selon une méthode différente de celle d’un concurrent. Surtout, la matrice de disponibilité distingue le stade de disponibilité des fonctions et leur prise en charge. Un produit qui exige une variante linguistique précise et l’attribution des locuteurs doit remplir les deux conditions.

La limite est l’étendue de la configuration à valider. Lorsque les besoins couvrent plusieurs langues, régions et modes de traitement, choisir chirp_3 ne suffit plus. Conservez la combinaison retenue dans la configuration de l’application et faites échouer clairement les combinaisons non prises en charge. Sinon, une fonction opérationnelle dans une démonstration par lots en anglais peut disparaître sans explication dès qu’un client envoie une autre langue ou passe au direct.

La facturation par canal demande également de l’attention. Google facture chaque canal audio traité. Séparer l’agent et l’interlocuteur dans l’enregistrement peut être précieux pour conserver leur rôle, mais la facture suit la durée traitée de chaque canal. Tenez-en compte avant de comparer des archives d’appels stéréo à un exemple monocanal chez un autre fournisseur.

Verdict : choisissez Google lorsque le workflow qui l’entoure justifie ce choix. Pour des archives déjà hébergées sur Google Cloud, le traitement différé peut bien convenir. Pour un nouveau projet d’agent vocal, comparez la configuration standard en direct aux offres spécialisées plutôt que de partir du tarif d’appel Dynamic Batch.

7. Speechmatics : privilégier le contrôle du déploiement et l’attribution en direct

Speechmatics figure parmi les premiers candidats lorsque le cahier des charges impose un déploiement d’entreprise sur site ou des segments de conversation attribués aux locuteurs en direct. Un déploiement sur site signifie que le traitement s’effectue dans une infrastructure que vous contrôlez. L’offre entreprise de Speechmatics mentionne des conteneurs, des appliances virtuelles et un déploiement hybride. Les conditions commerciales sont sur devis uniquement ; les tarifs du cloud public ne préjugent pas du coût d’une installation privée.

Le choix du modèle importe autant que le déploiement. Melia 1 est la famille multilingue pour fichiers et temps réel, tandis que Linden 1 alimente l’offre Agent STT. La documentation des modèles indique que Linden renvoie des segments attribués aux locuteurs et des messages de tour de parole. Il devient donc pertinent lorsque l’application a besoin du texte et de son attribution dans une structure conversationnelle.

Un assistant de support utilisé sur un téléphone en mode haut-parleur partagé pose un problème différent de la dictée par une seule personne. Quelqu’un peut rejoindre l’appel, ou des paroles en arrière-plan peuvent se superposer à celles de l’interlocuteur visé. Avant de choisir le modèle, décidez si l’agent doit suivre une voix, distinguer les participants ou simplement conserver un relevé attribué. La structure de sortie doit servir ce besoin dès le départ.

À privilégier pour : les produits soumis à des contraintes de déploiement et les équipes qui évaluent l’attribution des locuteurs dans les appels en direct.
Point fort : des options de déploiement privé pour les entreprises et un modèle distinct pour Agent STT.
Tarifs : les fichiers Melia 1 commencent à $0.24/heure audio à l’usage sans remise ; Linden Agent STT coûte $0.30/heure ; le déploiement privé est sur devis uniquement.
Essai gratuit : $100 de crédits sans carte bancaire, selon la page des tarifs.

La condition qui accompagne le prix peut facilement passer inaperçue. La page publique des tarifs peut afficher un prix d’appel Melia inférieur après application des remises pour l’entraînement des modèles et l’achat de crédits en volume. Le calculateur affiche $0.24/heure pour les fichiers au tarif de base à l’usage. Accepter la remise liée à l’entraînement autorise l’enregistrement, la conservation et l’utilisation de l’audio pour améliorer le service. C’est une décision distincte sur le traitement des données, pas une simple baisse de prix à conditions inchangées.

Deux limites concernent également le direct. D’abord, Melia temps réel ne prend actuellement pas en charge la diarisation des locuteurs, même s’il propose la diarisation par canal. Cette dernière exploite des canaux d’entrée déjà séparés ; la diarisation des locuteurs déduit les différentes voix à partir de l’audio. Pour le mode en direct de Melia, le guide impose aussi au client de détecter la fin d’un énoncé et d’envoyer ForceEndOfUtterance.

Ensuite, la page actuelle d’Agent STT indique que les signaux de tour de parole de Linden reposent sur la détection du silence ; la détection sémantique côté serveur est encore annoncée comme à venir. La première attend une pause acoustique. La seconde examine aussi si la personne semble avoir achevé sa pensée. Les deux peuvent être utiles, mais réagissent différemment lorsqu’un interlocuteur s’arrête au milieu d’un numéro de référence.

La prise en charge des langues exige la même vigilance. Melia annonce 56 langues et la transcription mêlant plusieurs langues. La page de Linden en annonce 55+, tout en présentant la prise en charge multilingue complète comme à venir. Accepter chaque langue séparément ne prouve pas qu’un appel puisse passer librement de l’une à l’autre. Un centre d’appels multilingue doit valider explicitement ce scénario, sans attribuer par association à Linden le comportement de Melia.

Verdict : choisissez Speechmatics pour une exigence précise, puis retenez le modèle qui la remplit réellement. Il mérite particulièrement une évaluation lorsque l’attribution des locuteurs en direct ou le lieu de déploiement écarte une solution plus simple. Faites préciser le modèle et la combinaison de fonctionnalités dans la proposition entreprise : « transcription sur site » est trop vague pour valider un produit.

Quelle API de reconnaissance vocale choisir selon l’usage ?

Le bon choix change dès que le résultat attendu ou le mode de fonctionnement change. Commencez par la contrainte qui ferait échouer le produit, puis départagez les candidats restants avec vos enregistrements et une estimation de la facture.

Pour un agent vocal qui doit répondre naturellement, commencez par Deepgram Flux, pour sa gestion des tours de parole. Intégrez Speechmatics Linden à la première comparaison si l’attribution des locuteurs en direct est centrale, et validez son comportement fondé sur le silence. Évaluez Mistral Realtime lorsque ses options de déploiement comptent, en acceptant la séparation documentée entre détection des tours de parole et diarisation en direct.

Pour des entretiens enregistrés ou des médias dans de nombreuses langues, commencez par ElevenLabs Scribe. L’attribution des locuteurs dans les fichiers, les horodatages par mot et les balises d’événements audio se prêtent à une interface de consultation exploitable. AssemblyAI Universal-2 mérite aussi une évaluation lorsque sa liste de langues couvre vos sources. Voxtral Mini est un candidat cohérent pour les fichiers si l’horodatage par segment suffit et si vous pouvez valider le modèle en préversion.

Pour une analyse structurée des appels, partez des champs nécessaires à l’application. AssemblyAI est un candidat naturel lorsque les prises de parole attribuées aux locuteurs et les traitements optionnels correspondent au workflow. Deepgram Nova-3 est une autre solution à évaluer pour les fichiers et le streaming. Si l’agent et le client sont déjà enregistrés séparément, préservez ces canaux avant de décider si une attribution des locuteurs déduite de l’audio est nécessaire.

Pour des archives Google Cloud en file d’attente, comparez V2 Dynamic Batch au délai dont vous disposez. La remise n’aide que si l’application accepte des résultats différés. Si l’utilisateur attend la fin du traitement devant son écran, évaluez cette expérience séparément : ne supposez pas que le passage du même travail dans une file moins prioritaire sera imperceptible.

Pour une application OpenAI existante, partez du modèle actuellement recommandé pour le mode retenu. La facilité d’intégration cesse d’être décisive lorsque l’ancienne attribution des locuteurs, les sous-titres ou d’autres métadonnées sont obligatoires et que le remplacement ne les documente pas. Une migration programmée est le bon moment pour examiner les dépendances, plutôt que de reconduire automatiquement le fournisseur.

Pour un traitement sur site, retenez les options de déploiement d’entreprise documentées par Speechmatics et Deepgram, ainsi que l’offre de déploiement autonome de Mistral. Toutes exigent un devis pour les conditions commerciales non publiées. Comparez le matériel, l’accompagnement au déploiement, les modèles pris en charge et la responsabilité des mises à jour, en plus de la licence. Le prix d’une heure audio dans le cloud public ne suffit pas à trancher cet achat.

Conserver les rôles connus avant de demander au modèle de les retrouver

Préservez les canaux séparés de l’agent et de l’interlocuteur lorsque la source les fournit. Un canal d’enregistrement dont le rôle est connu conserve une information que la diarisation devrait autrement déduire d’une piste mixée. Ce choix d’architecture se fait en amont du fournisseur de transcription.

Imaginez un appel enregistré avec l’agent sur un canal et l’interlocuteur sur l’autre. L’application sait déjà à qui correspond chaque canal. Si vous les fusionnez avant la transcription, cette information disparaît. Un moteur de diarisation peut distinguer des voix anonymes, mais il faudra encore réattribuer les rôles à ces locuteurs.

ElevenLabs documente des identifiants de locuteurs issus des canaux dans son mode de fichiers multicanal. Deepgram, AssemblyAI et Google décrivent explicitement une facturation par canal. Le compromis produit est donc concret : conserver les canaux peut simplifier l’attribution tout en augmentant le volume d’audio traité porté sur la facture. Ne comparez pas une estimation monocanal à une chaîne de production multicanal sans intégrer cette différence.

Un microphone de conférence pose un autre problème. Plusieurs voix partagent déjà une piste ; les étiquettes de canal ne permettent donc pas de retrouver chaque personne. Il faut alors une diarisation des locuteurs et un moyen de corriger les erreurs lorsque les participants se coupent la parole ou ont des voix proches. Gardez l’attribution distincte de l’identité : un identifiant de locuteur anonyme ne doit pas devenir un nom de client vérifié simplement parce qu’il figure dans un JSON structuré.

Le même principe vaut pour les résumés produits ensuite. Conservez la transcription d’origine, les identifiants de locuteurs et la référence à la source aux côtés de tout résumé généré. Si un client conteste l’identité de la personne qui a promis un remboursement, l’application doit permettre de revenir à l’audio concerné, au-delà d’un paragraphe bien rédigé.

Comment cette sélection a été établie

Ces recommandations d’implémentation reposent sur une revue datée de la documentation ; elles ne constituent pas un classement indépendant de précision. Les prix et les capacités précises ont été vérifiés dans les pages tarifaires ou la documentation des éditeurs le 21 octobre 2026. Aucune requête de transcription payante ni aucun benchmark audio comparatif n’a été réalisé pour cet article.

La sélection repose sur cinq questions :

• Le modèle requis accepte-t-il des fichiers terminés, de l’audio en direct, ou les deux ?
• Le mode retenu fournit-il l’attribution des locuteurs, les horodatages et les signaux de tour de parole nécessaires au produit ?
• Les langues réellement prises en charge et le comportement lors des changements de langue sont-ils documentés ?
• Le service peut-il fonctionner dans l’environnement de déploiement requis ?
• Combien coûte la configuration choisie une fois ajoutées les options indispensables et la facturation des canaux ?

L’analyse propre à cet article est la conversion des prix à l’heure audio et la vérification des compatibilités modèle par modèle, selon le mode. Elle fait ressortir ce qu’une liste de fonctionnalités globale par fournisseur masque : l’incompatibilité de certaines fonctions en direct chez Voxtral, les workflows de métadonnées dépréciés d’OpenAI, l’attribution des locuteurs hors streaming de Chirp et la distinction entre diarisation par canal et par locuteur chez Melia.

Un comparatif de précision exigerait les mêmes enregistrements représentatifs, les mêmes transcriptions de référence et les mêmes règles de notation pour tous les fournisseurs. Cet article n’en propose pas. Les formules telles que « le plus précis » et les victoires dans des benchmarks restent des affirmations de l’éditeur ; elles n’établissent pas un classement entre les produits présentés ici.

Pour votre propre évaluation, définissez la réussite en termes de résultat produit. Des archives d’entretiens interrogeables peuvent tolérer des différences de ponctuation, mais échouer si des noms manquent. Un agent de réservation peut reconnaître chaque mot et pourtant interrompre l’interlocuteur au mauvais moment. Un outil de contrôle des appels peut avoir davantage besoin d’une attribution fiable des locuteurs que d’une mise en forme élégante. Évaluez les comportements qui changent le résultat pour l’utilisateur, en gardant ces catégories distinctes dans l’analyse.

Le périmètre couvre ces sept fournisseurs d’API pour développeurs. Les applications de réunion et de montage grand public font l’objet d’un comparatif séparé. D’autres fournisseurs peuvent mériter une évaluation pour une langue ou une contrainte d’infrastructure particulière ; leur absence ici ne signifie pas qu’ils ont échoué à un test de précision.

Les choix à éviter

Écartez le modèle inadapté à l’usage, même si le fournisseur convient par ailleurs. Voici les incompatibilités précises à éviter lors de l’achat ou de l’implémentation :

• Les modèles API Whisper et de transcription GPT-4o dépréciés d’OpenAI pour une nouvelle intégration appelée à durer. Leur arrêt documenté impose déjà une migration à venir. Utilisez les modèles actuels ou validez un autre fournisseur.
• Voxtral Mini Transcribe Realtime 3 lorsqu’une même session doit combiner diarisation et détection des tours de parole. Le guide détaillé exclut explicitement cette configuration.
• Google Dynamic Batch pour une interaction en direct. Son tarif réduit correspond à un traitement différé, incompatible avec un interlocuteur qui attend une réponse.
• Scribe Realtime lorsque l’attribution des locuteurs en direct est obligatoire et n’a pas encore été validée. Exigez une prise en charge documentée avant de considérer la diarisation du modèle de fichiers comme une fonction en direct.
• Melia temps réel de Speechmatics lorsque vous avez besoin d’une diarisation des locuteurs déduite de l’audio. La diarisation par canal est une autre fonctionnalité ; évaluez le modèle adapté.

Évitez également de choisir sur la seule foi d’une promesse de précision. Un modèle qui remporte l’évaluation de son éditeur peut rester inadapté faute de langue, de métadonnées temporelles ou de mode de déploiement requis. Ce sont des critères éliminatoires vérifiables avant un essai.

API speech to text : les questions des développeurs

Peut-on utiliser une API de transcription gratuitement ?

Utilisez les crédits gratuits pour valider la configuration payante envisagée. Deepgram annonce $200 de crédits, Speechmatics $100, et AssemblyAI publie des quotas gratuits dépendant du modèle. La gratuité ne promet pas une capacité de production illimitée. Avant d’envoyer des archives, confirmez le modèle, le mode et les options couverts par le quota du compte.

Comment utiliser une API de transcription avec Python ?

Choisissez le mode de traitement et le modèle avant de choisir un exemple Python. Pour la transcription actuelle de fichiers chez OpenAI, le guide officiel part de gpt-transcribe ; le guide de démarrage audio de Mistral utilise son modèle Voxtral Mini actuel. Pour les agents en direct, partez du guide de streaming actuel du fournisseur et implémentez les événements de connexion et de tour de parole. Ne reprenez pas l’identifiant de modèle d’un ancien tutoriel sans vérifier la documentation actuelle.

Comment choisir la configuration de Google Speech-to-Text API ?

Pour une nouvelle intégration V2, précisez le modèle et la méthode de reconnaissance, puis vérifiez la matrice des langues et des fonctionnalités. La reconnaissance Standard et Dynamic Batch diffèrent par leur tarif et leur degré d’urgence. Chirp 3 prend en charge la transcription en direct, mais son workflow documenté d’attribution des locuteurs fonctionne hors streaming.

Par où commencer pour intégrer une API de transcription ?

Commencez par un enregistrement représentatif ou une session en direct à l’aide du guide de démarrage actuel de l’éditeur. Examinez les champs de réponse nécessaires au produit, puis ajoutez de la parole difficile à reconnaître, des locuteurs qui se chevauchent et les langues requises. Testez ensuite seulement le pic de connexions simultanées et calculez la facture mensuelle de la configuration exacte.

La prochaine étape de votre intégration

La semaine prochaine, comparez deux configurations capables de satisfaire votre exigence la plus difficile. Pour un assistant en direct, ce pourrait être Flux face à Linden avec attribution des locuteurs ; pour une application d’entretiens multilingues, Scribe face à un modèle de fichiers AssemblyAI ou Voxtral compatible. Définissez les champs de réponse requis et les cas d’échec avant de lancer les enregistrements.

Constituez un petit jeu de validation mêlant parole ordinaire et situations problématiques : une date corrigée, un nom inhabituel, des participants qui parlent en même temps et un changement de langue si vos clients en font. Relevez séparément les erreurs de transcription, d’attribution des locuteurs et de gestion des tours de parole. Estimez ensuite la facture à partir du mode exact, des canaux et des options indispensables réellement évalués.

Utilisez la AI Business Workflow Audit Checklist pour cartographier la source audio, le résultat attendu et les passages de relais avant de choisir l’API. Recevoir la checklist.