Comment automatiser la transcription audio en Python et Node.js (tutoriel 2026)

Qu'est-ce qu'une transcription automatique en Python et à quoi sert-elle ?

La reconnaissance automatique de la parole, telle qu'expliquée par le glossaire du NIST, transforme une voix entendue en texte écrit. C'est ce qui permet de récupérer le contenu d'un entretien ou d'une réunion sans le retaper.

En Python, votre programme sert d'intermédiaire. Il ouvre le fichier audio, l'envoie à un service distant ou à un modèle installé sur votre ordinateur, puis récupère le texte. Pour transformer un audio en texte, c'est cette chaîne qu'il faut maîtriser en suivant nos conseils pour convertir vos fichiers.

Pour un chercheur, un responsable ou un étudiant, l'intérêt est simple : retrouver ce qui a été dit sans tout retaper. Le texte obtenu peut ensuite être corrigé, recherché par mot-clé ou résumé.

Python relie trois éléments : le fichier audio, le modèle qui reconnaît la parole et le texte final. Votre script ouvre le fichier, le donne au modèle, puis récupère les mots reçus.

API cloud ou modèle local : lequel vous faut-il ?

Le critère principal tient en une question : l'audio doit-il quitter votre ordinateur ? Avec une API cloud, le fichier est envoyé à un service distant. Vous n'installez rien, mais le son passe chez un fournisseur.

Avec un modèle local, le son reste chez vous. En contrepartie, il faut installer le logiciel et avoir assez de mémoire et de puissance de calcul. Sa licence ne dit pas où les données sont traitées.

Pour comparer d'autres outils, consultez le meilleur logiciel de transcription audio en texte.

Transcrire un fichier audio avec Python

Avec l'API OpenAI

Installez d'abord la bibliothèque avec pip install openai. Définissez ensuite la clé API dans l'environnement du programme, avant de lancer le script : sans elle, l'appel échoue.

Le modèle gpt-transcribe sert aux fichiers déjà enregistrés : MP3, MP4, M4A, WAV et WebM, jusqu'à 25 Mo par fichier. Pour choisir entre cloud et machine locale, lisez comment traduire un audio en texte avec précision.

La réponse contient le texte et la langue détectée, à lire dans cet ordre :

• Le texte transcrit, affiché tel quel. C'est lui que vous reprenez pour la suite.

• La langue détectée, sous forme de code court, par exemple fr pour le français.

• Une liste de langues vide. Elle apparaît quand l'API ne reconnaît pas la langue avec assez de certitude.

• Les paramètres prompt, keywords et languages donnent du contexte, mais ils ne garantissent pas que chaque mot sera reconnu correctement.

En local avec faster-whisper

Voici comment transcrire un fichier sur votre machine, sans rien envoyer à un tiers :

• Installez la bibliothèque avec pip install faster-whisper.

• Réglez le modèle small avec device="cpu" et compute_type="int8", ce qui convient à un processeur.

• Transcrivez votre fichier MP3 en français, puis rassemblez les segments renvoyés pour obtenir un texte continu.

• Comptez environ 2 minutes 4 secondes pour une heure d'audio sur un Intel Xeon Gold 6226R à 8 cœurs, avec le réglage int8.

Préparer le fichier et traiter le texte obtenu

Avant l'envoi, vérifiez la taille du fichier : l'API OpenAI accepte 25 Mo au maximum. Au-delà, compressez l'audio ou découpez-le en morceaux de 25 Mo au plus.

Pour découper, installez PyDub avec pip install pydub. Attention : une coupe à durée fixe ne garantit pas qu'elle tombe entre deux phrases. Relisez donc les points de coupe, sachant que PyDub compte le temps en millisecondes.

Avec vad_filter=True, le filtre VAD de faster-whisper repère les passages parlés et retire par défaut les silences de plus de 2 secondes. Vous gardez ainsi la parole, sans les longs blancs qui alourdissent le texte.

Relisez ensuite votre transcription horodatée avant de l'exploiter : la reconnaissance peut confondre noms propres et vocabulaire métier, même avec des mots-clés ou du contexte fournis.

Transcrire un micro ou un flux en direct

Un enregistrement déjà fait est un fichier qu'on envoie d'un bloc. Un son qui arrive en direct, depuis un micro, un appel ou un flux, se traite autrement. Il faut alors un modèle conçu pour le temps réel.

Pour ce cas, le modèle temps réel recommandé est gpt-live-transcribe. Le texte apparaît pendant que la personne parle. Une transcription de fichier peut afficher du texte partiel, mais elle ne crée pas de session en direct.

Un micro se lit par blocs de quelques secondes. Le code qui capture le son s'écrit à part, par exemple avec sounddevice (pip install sounddevice).

Chaque bloc part vers la session, qui renvoie d'abord des fragments partiels, puis un résultat final.

Les fragments partiels changent pendant que la personne parle : ne les gardez pas tels quels. La session ne dit pas qui parle : pour cela, comparez les outils de transcription IA souverains et leurs contraintes techniques.

Confidentialité, sous-titres et locuteurs : les points à vérifier

Avant d'envoyer un enregistrement, vérifiez quelles données le service garde : l'audio, le texte et la date ou l'heure. Demandez aussi combien de temps elles restent et si elles servent à entraîner ses modèles.

Chez OpenAI, les journaux de surveillance des abus sont conservés 30 jours au maximum, sauf exceptions prévues. Pour un son sensible, vérifiez aussi le lieu d'hébergement et les conditions de suppression avant l'envoi.

Pour une application, commencez par l'API Vook.ai pour développeurs, puis comparez ces points :

• Pour savoir qui parle, le format diarized_json renvoie un segment par passage, avec les champs speaker, start, end et text.

• Pour des sous-titres, le texte partiel apparaît pendant le traitement, et le texte complet arrive avec l'événement final.

• Pour un son sensible, Vook.ai est hébergé en Europe et chiffre les données au repos.

• Les modèles whisper-1 et trois autres s'arrêteront le 26 février 2027 : remplacez-les dans votre code avant cette date.

Retenez deux points avant de coder. Si l'audio peut quitter votre ordinateur, une API cloud suffit, à condition de vérifier la conservation des données. S'il doit rester chez vous, prenez un modèle local comme faster-whisper.

Votre prochain pas : choisissez la solution selon la sensibilité de l'audio, puis lancez le script sur un petit fichier test. Relisez le texte obtenu avant de l'exploiter.