Whisper, AssemblyAI ou Deepgram : prix et latence

La latence, ce n'est pas un seul nombre

Sur un flux en direct, ce qui compte, c'est le délai entre la parole et le moment où le texte devient vraiment exploitable. Il faut aussi distinguer les résultats provisoires (qui peuvent bouger) des segments finalisés. Une API peut afficher des mots partiels assez vite, mais confirmer une phrase seulement après.

Mesurez au minimum trois choses : le délai du premier texte, le délai de finalisation d'un segment et le temps de traitement complet. Ajoutez ensuite le temps de transport réseau et le temps de traitement côté application. La performance annoncée par un fournisseur ne correspond pas forcément à ce que vos utilisateurs vivent en France ou en Europe.

La qualité dépend d'abord de l'audio, pas uniquement du modèle

Le WER (taux d'erreur de mots) aide à comparer, mais il cache des différences importantes selon les enregistrements. Un podcast enregistré en studio n'a rien à voir avec un appel téléphonique : deux personnes qui se coupent, un accent régional et du bruit de fond peuvent faire basculer le résultat.

Dans le service client, une erreur sur un numéro de dossier peut coûter plus cher qu'une ponctuation approximative. Pour des sous-titres, la lisibilité et la vitesse d'affichage comptent souvent davantage que le « score moyen ». L'idée : évaluer les erreurs qui auront un effet concret dans votre produit, pas seulement regarder la moyenne.

Whisper : souplesse, langues et maîtrise de l'infrastructure

Whisper est un modèle de reconnaissance vocale, proposé par OpenAI et aussi disponible sous forme ouverte. Selon la voie choisie, vous pouvez utiliser une API hébergée ou exécuter le modèle dans votre environnement. Dans le second cas, vous gagnez en contrôle sur les données, mais vous ne gagnez pas « gratuitement » : il faut financer le matériel, le déploiement, la supervision et suivre les mises à jour.

Whisper fonctionne bien pour les traitements différés et les projets multilingues. Il peut couvrir de nombreuses langues et s'intègre dans des flux où quelques minutes de délai restent acceptables. En revanche, l'API « classique » n'est pas forcément adaptée à une diffusion en continu ultra-faible latence. La diarisation et les analyses avancées demandent souvent des composants supplémentaires.

La qualité varie selon le modèle, la langue, l'accent et le bruit. Et l'exécution locale peut exiger une équipe capable d'optimiser les ressources et d'absorber des pics de charge. En clair : vous échangez de la simplicité côté produit contre plus de contrôle (et parfois un coût plus variable).

AssemblyAI : une plateforme qui va au-delà du texte

AssemblyAI fournit la transcription, mais aussi des fonctions liées à l'analyse audio : diarisation, détection de sujets et certains traitements autour des données personnelles. L'intérêt se voit quand ces briques évitent de monter plusieurs étapes distinctes dans votre système.

Si votre équipe analyse des entretiens, des appels ou des réunions, la valeur ne se limite pas au texte sorti du modèle. Récupérer des segments attribués aux locuteurs et des informations structurées peut simplifier le reste du pipeline. Cela dit, il faut vérifier la disponibilité, le prix et le fonctionnement exact pour chaque option de l'offre qui vous concerne.

Une plateforme hébergée signifie aussi que vous dépendez du fournisseur et de ses conditions de traitement des données. Si votre projet est soumis au RGPD, regardez les rôles (responsable/sous-traitant), les lieux de traitement, les durées de conservation, les mécanismes de suppression et les conditions contractuelles. Une mention « conforme » ne remplace pas cette lecture.

Deepgram : un choix pensé pour le temps réel

Deepgram est particulièrement utile quand le texte doit apparaître pendant que la personne parle. Son API de diffusion en continu renvoie des résultats partiels, puis confirme les segments au fur et à mesure de l'audio. Ce cadre colle bien au sous-titrage en direct, aux outils d'assistance pour centres d'appels et à certaines interfaces vocales.

Des fonctions comme l'amélioration de la reconnaissance de termes spécifiques peuvent aider dans un vocabulaire métier (noms de produits, expressions techniques, références). Mais le vrai test, c'est l'évaluation avec vos données et dans des conditions proches de la production. Une liste de vocabulaire ne compense pas une mauvaise captation ou une architecture réseau instable.

Deepgram propose aussi du traitement par lots : vérifiez donc séparément le tarif et les limites du mode temps réel et du mode différé. Les fonctions additionnelles (comme l'identification des intervenants) peuvent changer le coût et la complexité d'intégration.

Construire une estimation réaliste

Commencez par une formule simple :

Coût mensuel estimé = minutes audio × tarif de transcription + options facturées + infrastructure + coûts d'exploitation.

Ensuite, pensez aux facteurs qu'on oublie souvent :

• le volume moyen et le volume de pointe (qui ne se traitent pas toujours de la même façon) ;
• les reprises après échec et les fichiers renvoyés plusieurs fois ;
• le stockage audio et texte, ainsi que la durée de conservation ;
• le temps d'ingénierie pour corriger, superviser et traiter les incidents ;
• le coût d'un service local si vous lancez Whisper vous-même ;
• les frais liés à la diarisation, à la rédaction ou à l'analyse avancée.

À titre indicatif : 10 000 minutes par mois ne se comparent pas juste en multipliant un tarif « d'appel » par 10 000. Une fonctionnalité activée sur chaque fichier, ou un besoin de capacité plus élevée aux heures de pointe, peut changer le résultat. Faites établir un devis sur un échantillon représentatif de votre trafic.

Organiser un test qui ressemble à la production

Constituez un jeu d'essai qui couvre vos conditions réelles : langues, accents, qualité du micro, bruit, nombre d'intervenants et vocabulaire métier. Pour un contexte français, incluez des noms propres, des adresses, des montants en euros et des termes qui reviennent vraiment dans vos échanges.

Comparez les fournisseurs sur les mêmes fichiers et notez :

1. le taux d'erreur, mais surtout les erreurs qui ont un impact fonctionnel ;
2. le délai du premier résultat et la stabilité des segments finalisés ;
3. le taux de fichiers échoués et le besoin de relance ;
4. le coût final avec les options nécessaires ;
5. le temps d'intégration et la facilité de diagnostiquer un incident.

Les mesures isolées publiées ailleurs peuvent donner une piste, mais ce ne sera pas un benchmark reproductible si le protocole, les versions de modèles et les fichiers ne sont pas fournis. Et une phrase comme « le plus rapide » n'a de sens que si elle décrit une latence mesurée dans des conditions comparables.

Choisissez Whisper si le coût ou le contrôle des données compte le plus

Whisper vaut le coup si vous avez de gros volumes en différé, un besoin multilingue, ou une contrainte forte de déploiement local. L'option locale réduit la dépendance à un fournisseur hébergé, à condition d'accepter le travail d'exploitation.

En pratique, l'exécution locale est logique quand la confidentialité ou la maîtrise de l'infrastructure justifie cet effort. Pour une petite équipe qui veut juste transcrire quelques fichiers, l'API hébergée peut être plus simple à mettre en place - même si le coût par minute est plus élevé.

Choisissez AssemblyAI si les analyses font partie du produit

AssemblyAI est à regarder si vous avez besoin de diarisation, de détection de données sensibles ou d'extraction d'informations de façon régulière. Dans ce cas, la valeur vient souvent du temps de développement évité, pas d'une transcription « moins chère ».

Si vous ne faites que convertir de l'audio en texte, la décision est moins évidente : comparez simplement la qualité et le coût avec des options plus directes. Pour des usages en santé, en finance ou dans le service public, associez aussi les responsables sécurité et conformité avant de traiter des conversations réelles.

Choisissez Deepgram si quelques centaines de millisecondes changent l'expérience

Pour le sous-titrage et les usages en direct, Deepgram est un bon candidat pour commencer. Le critère décisif, c'est la latence réellement perçue dans votre architecture, pas un chiffre sorti d'un test ailleurs.

Testez le flux depuis les réseaux et les appareils utilisés par vos clients. Si votre application n'a pas besoin de texte pendant la parole, le streaming peut ajouter de la complexité sans gain clair. Dans ce cas, un traitement par lots peut être plus simple et parfois moins coûteux.

Envisagez plusieurs fournisseurs, mais avec une règle

Vous n'êtes pas obligé de tout faire avec un seul fournisseur. Une architecture peut par exemple utiliser un service « temps réel » pour les appels, puis un autre modèle pour archiver ou retraiter les enregistrements. C'est pertinent quand les besoins sont vraiment différents et que le coût de maintenance reste plus bas que le gain obtenu.

Évitez toutefois de multiplier les intégrations par prudence systématique. Chaque fournisseur ajoute des contrats, des formats de réponse, des mécanismes de reprise et des procédures de sécurité. Définissez une règle de routage claire - par exemple « direct pour le live, traitement local pour les archives sensibles » - puis réévaluez régulièrement si ça reste justifié.