Transcrivez l'audio parlé en texte.
Sélection rapide
6 modèles
Community
Whisper Large v3 wrapped with Hugging Face Transformers optimizations (batched inference, flash attention) for very high throughput. Transcribes hours of audio in minutes on a single GPU. Maintained by Vaibhav Srivastav. Good when you need bulk transcription fast.
whisperstttranscription
≈ 0,0056 $US/exécution
OpenAI
OpenAI's Whisper running on Replicate. General-purpose speech recognition trained on 680k hours of multilingual audio. Transcribes and translates 99 languages, robust to accents and background noise, and outputs plain text, segments, or word-level timestamps.
whisperstttranscription
≈ 0,0034 $US/exécution
Community
Meta's SeamlessM4T multimodal translation model. Takes speech or text input and produces transcription or translation across about 100 languages, including speech-to-text and speech-to-speech. One model covers ASR plus cross-lingual translation without chaining separate systems.
metaseamlessstt
≈ 0,156 $US/exécution
Community
Meta SeamlessM4T v2 Large speech mode. Speech-to-speech, speech-to-text, and text-to-speech translation across 100+ languages in a single unified model.
translationmetaopen-weights
≈ 0,0012 $US/exécution
Community
Whisper Large v3 Turbo combined with pyannote 4.0 for speaker diarization, returning who-said-what segments with timestamps. Built by Thomas Mol. Returns a clean JSON of speaker-labeled segments, handy for meeting notes, interviews, and podcasts.
whisperstttranscription
≈ 0,0063 $US/exécution
Community
WhisperX (Large v3) with forced alignment for accurate word-level timestamps plus optional speaker diarization. Uses VAD to cut long files into segments and a wav2vec2 aligner to pin each word to its exact time. Useful for subtitles and per-speaker transcripts.
whisperxstttranscription
≈ 0,0241 $US/exécution
OpenAI
OpenAI's Whisper model. State-of-the-art speech recognition supporting 99+ languages.
multilingual
Actuellement non proposé
OpenAI
OpenAI's distilled Whisper Large v3. ~216x realtime, 99+ languages, MIT-licensed weights.
whisperstttranscription
Désactivé
Other
Deepgram's flagship STT. First to offer realtime multilingual transcription with self-serve customization.
deepgramstttranscription
Actuellement non proposé
ElevenLabs
ElevenLabs' STT. 99 languages, word-level timestamps, speaker diarization, audio-event tagging.
scribestttranscription
Désactivé
Leurs pages restent en ligne, mais les modèles ne peuvent pas être exécutés pour le moment.
Les modèles de reconnaissance vocale (STT) convertissent l'audio parlé en texte écrit. La catégorie couvre tout, des transcriptions de podcast aux pipelines de sous-titrage temps réel en passant par les interfaces à commande vocale dans les applis mobiles. On y a recours quand on veut chercher à l'intérieur de l'audio, construire de la dictée, résumer des réunions ou générer des sous-titres pour l'accessibilité.
Les API hébergées facturent généralement à la minute d'audio. Sur Railwail, les modèles Whisper tournent sur Replicate et sont facturés au temps GPU ; chaque page modèle affiche le prix d'une exécution typique. Certains fournisseurs facturent en plus des fonctionnalités premium comme la diarisation, les timestamps mot à mot, les résumés ou la traduction, alors faites les calculs avec les fonctionnalités que vous activez vraiment.
Le compromis est précision, latence et richesse fonctionnelle. Whisper Large V3 mène sur le taux d'erreur mot brut dans les évaluations benchmark et est open-weights, donc vous pouvez l'auto-héberger. Deepgram Nova-3 et AssemblyAI Universal mènent sur la latence streaming (premier token sous 300 ms) et la qualité de diarisation. ElevenLabs Scribe mène sur la couverture multilingue et le code-switching (quand les locuteurs alternent les langues en cours de phrase). Pour la transcription par lots, Whisper gagne généralement sur coût-et-précision. Pour la transcription d'appels temps réel, un fournisseur streaming-first gagne.
Attention à l'audio bruité : le taux d'erreur mot environ double sous 20 dB SNR sur chaque modèle, et les locuteurs qui se chevauchent dégradent la diarisation même sur les phares. Pré-traitez avec un modèle de suppression de bruit (RNNoise, Krisp) si votre source est imprévisible. Attention aussi aux noms propres : chaque modèle transcrit encore mal les noms peu communs, les termes techniques et les marques. La plupart des fournisseurs acceptent une liste d'indices `keywords` pour biaiser le décodeur — utilisez-la.
Les top picks ci-dessus couvrent le modèle le plus précis, le cheval de trait le moins cher, le support d'audio le plus long et l'option streaming la plus rapide.
Whisper Large V3 mène sur le taux d'erreur mot dans les benchmarks indépendants sur la plupart des langues. Deepgram Nova-3 mène sur l'anglais avec streaming basse latence. AssemblyAI Universal mène sur l'audio de centre d'appels et de réunions. Lancez un échantillon de votre propre audio sur la page détail du modèle avant de vous engager.
Pas via Railwail : l'endpoint de transcription traite un fichier audio complet. Deepgram, AssemblyAI et OpenAI (API Realtime) proposent la transcription en streaming sur leurs propres API ; pour le sous-titrage et les agents vocaux, choisissez un service compatible streaming.
Les API hébergées facturent généralement à la minute d'audio. Sur Railwail, les modèles Whisper sont facturés au temps GPU, avec le prix d'une exécution typique sur chaque page modèle. Les fonctionnalités premium (diarisation, timestamps, traduction) portent parfois des surcoûts.
Whisper Large V3 prend en charge 99 langues. ElevenLabs Scribe couvre 100+ avec un fort code-switching. Deepgram Nova-3 couvre actuellement 40+ avec l'anglais comme plus fort. Pour les langues moins ressourcées, lancez d'abord un échantillon — la précision varie largement.
Oui sur la plupart des phares — la diarisation des locuteurs étiquette chaque segment « Locuteur 1 », « Locuteur 2 », etc. La précision dépend de la qualité audio et de la fréquence des chevauchements. Certains fournisseurs acceptent aussi des audios d'enrôlement pour identifier des locuteurs nommés précis.
Oui — les timestamps mot à mot ou segment à segment sont standards sur les tiers phares. Utilisez le mot à mot pour le sous-titrage vidéo et la surbrillance karaoké ; le segment à segment suffit pour la recherche transcript et les résumés de réunion.
MP3, WAV, M4A, FLAC, OGG et la plupart des formats streaming natifs du navigateur. Sample rates de 8 kHz (téléphonie) à 48 kHz (studio). La taille max de fichier varie — typiquement 25 Mo sur les API managées et illimité pour Whisper auto-hébergé.
Oui — Whisper a un mode traduction intégré qui produit des transcriptions en anglais depuis n'importe laquelle de ses 99 langues sources. ElevenLabs Scribe et quelques autres fournisseurs prennent en charge la traduction vers un ensemble cible plus large. La précision de traduction est plus basse que celle des modèles de traduction dédiés — bien pour la recherche mais pas pour la publication.
Tous les modèles disponibles via une API compatible OpenAI. Crédits prépayés en USD, sans abonnement.
