Soniox vs Whisper :
STT en temps réel comparés

Whisper est l’option la plus solide pour transcrire des fichiers audio enregistrés, surtout en anglais. Soniox est conçu pour le streaming en temps réel — il émet des résultats partiels à faible latence via WebSocket à mesure que la parole arrive. Si vous avez besoin que les sous-titres apparaissent pendant que quelqu’un parle encore, Soniox est la bonne architecture. Whisper peut désormais aussi être utilisé dans des workflows de transcription en temps réel, mais il a toujours tendance à demander plus d’ingénierie et de réglages pour des expériences de sous-titrage en direct qu’une pile STT native pour le streaming.

Vous avez probablement vu Whisper décrit comme la référence absolue de la reconnaissance vocale open source. Cette réputation est méritée — dans le bon cas d’usage. Cet article explique pourquoi l’architecture compte plus que les scores de benchmark quand vous avez besoin de sous-titres dans une réunion en direct, couvre le coût réel de l’auto-hébergement de Whisper, et vous donne un cadre de décision clair pour votre situation précise.

Comment Whisper et Soniox sont conçus différemment

Whisper : le Transformer pensé d’abord pour le batch

OpenAI a publié Whisper en septembre 2022 comme modèle ASR open source entraîné sur 680 000 heures d’audio multilingue. Son architecture est un Transformer encodeur-décodeur : l’audio est converti en spectrogramme log-Mel, passé dans un encodeur, puis décodé en tokens de texte. Le papier original de Whisper couvre la famille de modèles d’origine jusqu’à large ; des mises à jour ultérieures de la model card ont ajouté de nouveaux checkpoints comme large-v3.

Cette architecture est puissante pour l’audio propre. Mais elle a une contrainte structurelle : l’encodeur traite une fenêtre audio fixe avant que le décodeur ne produise quoi que ce soit. La fenêtre par défaut de Whisper est de 30 secondes. En pratique, vous collectez de l’audio pendant un certain temps, vous envoyez le segment au modèle, puis vous recevez une transcription. Le résultat apparaît une fois le segment terminé — pas mot par mot pendant que la parole se produit.

Des adaptateurs tiers comme faster-whisper (avec le backend CTranslate2) et whisper-live réduisent cela en diminuant la taille des segments et en chevauchant les fenêtres. Sur un GPU performant avec le petit modèle, vous pouvez ramener la latence à environ 1 à 2 secondes. Avec large-v3 pour une meilleure précision, attendez-vous à un minimum de 2 à 4 secondes. Des sous-titres Whisper en moins de 500 ms ne sont pas réalisables en pratique sans sacrifier la précision qui rend Whisper intéressant.

Soniox : conçu pour le streaming, pas adapté après coup

Soniox est une API STT commerciale en temps réel conçue autour d’une architecture de streaming. Elle ouvre une connexion WebSocket, reçoit l’audio de façon incrémentale, et renvoie des tokens partiels à mesure que la parole arrive — avant même qu’une phrase soit terminée. Quand quelqu’un dit « La réunion commence vendredi— », Soniox a déjà émis « La », « réunion », « commence » comme tokens partiels. Ces tokens se mettent à jour et se finalisent à mesure que plus de contexte arrive, ce qui donne aux sous-titres un ressenti conversationnel plutôt que post-traité.

Ce n’est pas Whisper avec un backend d’inférence plus rapide. C’est un objectif de conception différent : une sortie partielle à faible latence sur une connexion persistante, plutôt qu’une sortie finale très précise après un segment audio complet. Vous pouvez en apprendre davantage sur le fonctionnement de Whisper à un niveau non technique si vous découvrez cette différence d’architecture.

Précision : où chaque moteur l’emporte

Pour l’audio anglais lu proprement — podcasts, narration, cours enregistrés avec un seul locuteur clair — Whisper large-v3 figure parmi les meilleurs modèles disponibles, open source ou commerciaux. Sur le jeu de données LibriSpeech test-clean, il atteint des taux d’erreur de mots compétitifs avec la transcription humaine sur de la parole lue.

Soniox est réglé pour la parole conversationnelle : chevauchement des voix, anglais accentué, locuteurs non natifs, et alternance entre langues. MirrorCaption l’a choisi précisément parce qu’il gère mieux les types d’erreurs qui comptent en réunion — noms propres, termes techniques, locuteurs avec un accent non natif — que les modèles batch optimisés pour un audio de type livre audio.

La question de la précision est aussi indissociable de celle de la latence. Le traitement par lots de Whisper lui donne tout le contexte avant de valider un token, ce qui aide sur les formulations difficiles. Le modèle de streaming de Soniox doit produire des tokens partiels avec un contexte incomplet, puis s’auto-corriger. Pour un enregistrement, le batch gagne en précision. Pour une conversation en direct, attendre 3 secondes crée un autre type d’erreur : le mauvais moment pour répondre.

Une réserve honnête : nous n’avons pas mené de comparaison contrôlée en face à face sur le même audio de réunion en direct. Pour les benchmarks publiés, consultez la model card GitHub de Whisper. Pour les benchmarks annoncés par Soniox, consultez directement soniox.com. Notre analyse plus large de la précision de la traduction en temps réel explique comment la précision se dégrade en conditions de streaming sur plusieurs moteurs STT.

Latence en temps réel : l’écart d’architecture

Voici ce que « temps réel » signifie réellement selon les différentes approches STT :

• Whisper (fenêtre par défaut de 30 secondes) : 5 à 30 secondes de décalage. Le modèle attend un segment audio complet avant de produire quoi que ce soit.
• faster-whisper, petit modèle, bon GPU : 1 à 2 secondes. Mieux, mais toujours en mode batch. Vous lisez ce qui a été dit, pas ce qui est en train d’être dit.
• faster-whisper, large-v3, GPU performant : 2 à 4 secondes. Meilleure précision, latence plus élevée.
• Streaming WebSocket Soniox : Les résultats partiels arrivent assez vite pour un sous-titrage conversationnel, et les sous-titres traduits de bout en bout de MirrorCaption restent sous les 500 ms.

Ce décalage de 1 à 3 secondes, c’est la différence entre lire un journal et avoir une conversation. Si vous devez interrompre, poser une question de clarification, ou saisir une nuance de négociation sur le moment, le timing compte. MirrorCaption ajoute une traduction basée sur GPT au-dessus du streaming de Soniox — et le temps de bout en bout entre la parole et le sous-titre traduit reste sous les 500 ms.

Déploiement et configuration

Faire tourner Whisper : ce que cela implique réellement

Les poids du modèle Whisper sont gratuits (Apache 2.0). Les exécuter nécessite Python 3.8+, ffmpeg, et des dépendances pip. Pour tout ce qui dépasse le petit modèle, il vous faut un GPU compatible CUDA : large-v3 nécessite environ 10 Go de VRAM. Pour un usage en temps réel, il vous faut aussi une logique de découpage audio, un serveur WebSocket pour diffuser l’audio depuis le navigateur, et un adaptateur de streaming comme faster-whisper ou whisper-live.

Si vous êtes développeur et à l’aise avec Python et l’infrastructure cloud, l’auto-hébergement de Whisper est gérable. Si vous construisez un produit où les sous-titres doivent fonctionner dans le navigateur d’un utilisateur sans installation serveur, vous avez de toute façon besoin d’un intermédiaire API. À ce stade, l’avantage « gratuit » de l’open source s’est transformé en coût d’infrastructure.

Soniox : API-first, sans infrastructure

Soniox est uniquement disponible via API. Vous vous authentifiez avec une clé, ouvrez une connexion WebSocket vers wss://stt-rt.soniox.com/transcribe-websocket, envoyez des trames audio, et recevez des tokens. Pas de poids de modèle local, pas de provisionnement GPU. Un développeur peut l’intégrer en un après-midi.

Pour les non-développeurs, Soniox lui-même n’est pas directement accessible — c’est une API pour développeurs. C’est là que MirrorCaption vs OpenAI Whisper devient pertinent : MirrorCaption encapsule le streaming de Soniox dans une interface navigateur, pour vous offrir des sous-titres en moins de 500 ms sans configuration, auto-hébergement ni clés API. Pour un aperçu plus large des alternatives sans code, consultez les alternatives à Whisper sans coder.

L’API OpenAI Whisper

OpenAI propose la transcription Whisper via API à 0,006 $/minute et expose aussi des sessions de transcription en temps réel pour whisper-1. Cela supprime une grande partie de la charge d’infrastructure. Le compromis restant est architectural et produit : Whisper reste plus fort pour l’audio enregistré et le post-traitement, tandis qu’une pile native pour le streaming comme Soniox est généralement plus adaptée quand le produit exige des sous-titres en direct à faible latence.

Tarification : « open source » ne veut pas dire gratuit

La comparaison des coûts surprend la plupart des gens qui pensent que Whisper est gratuit.

Whisper auto-hébergé (100 heures/mois d’usage en réunion en direct) :
100 heures = 6 000 minutes de transcription continue. Pour gérer cela au rythme d’une réunion en quasi temps réel, vous avez besoin d’un serveur GPU en fonctionnement pendant vos réunions — pas seulement d’un job batch. Une instance GPU cloud de milieu de gamme capable de faire tourner large-v3 à une vitesse exploitable (par ex. une AWS g5.xlarge ou équivalent) coûte environ 1 à 2 $/heure. À 100 heures de réunion par mois : 100 à 200 $ de temps GPU uniquement, plus le temps d’ingénierie pour construire et maintenir l’intégration.

API OpenAI Whisper (100 heures/mois) :
6 000 minutes × 0,006 $ = 36 $/mois. Abordable et sans configuration côté hébergé. La transcription en temps réel est désormais disponible aussi, mais construire un produit de sous-titrage en direct vraiment abouti par-dessus demande toujours plus de travail qu’une API pensée d’abord pour le streaming.

MirrorCaption (utilisateur final, 100 heures/mois) :
Le forfait annuel à 29 €/an couvre 100 heures (0,29 €/heure). Le forfait à vie à 49 € couvre 200 heures en paiement unique. Pour les utilisateurs occasionnels, l’offre gratuite donne 1 heure gratuite sans frais (une seule fois).

Pour une équipe avec 20 heures de réunions multilingues par mois, les 29 €/an de MirrorCaption reviennent à environ 0,12 €/heure tout compris. Whisper auto-hébergé aux tarifs GPU coûte 8 à 15 fois plus — avant même de compter le temps nécessaire pour construire et maintenir l’infrastructure de streaming.

Lequel choisir ?

Si vous êtes un utilisateur final — et non un développeur qui construit un pipeline — ni Whisper ni Soniox ne sont directement accessibles sans couche d’interface. MirrorCaption est cette couche pour Soniox : une application navigateur qui vous offre le streaming Soniox en moins de 500 ms, la traduction GPT dans plus de 60 langues, et la détection des locuteurs, sans rien installer. Consultez notre sélection des meilleurs logiciels de speech-to-text en 2026 pour une comparaison plus large des outils destinés aux utilisateurs finaux.

Pourquoi MirrorCaption utilise Soniox

MirrorCaption est construit autour du STT en streaming de Soniox parce que le cas d’usage l’exige. Dans une réunion en direct, une latence de 3 secondes est une expérience cassée — une traduction qui apparaît après que l’orateur est passé à la phrase suivante n’est pas un sous-titre, c’est un journal différé. Nous avons choisi Soniox précisément parce qu’il a été conçu pour le streaming dès le départ, et non adapté à cet usage après coup.

Au-dessus du streaming de Soniox, MirrorCaption ajoute un raffinement de traduction basé sur GPT pour la prise en charge de plus de 60 langues et des clés API temporaires chiffrées en AES-GCM (TTL de 2 secondes, émises via une Supabase Edge Function) afin que votre audio ne transite jamais par nos serveurs avec un identifiant persistant. L’architecture est transparente parce que la confiance exige des détails : nous utilisons Soniox STT et OpenAI GPT. Pas de « moteur neuronal propriétaire ».

Questions fréquentes

En résumé : Soniox et Whisper répondent à des cas d’usage principaux différents. Whisper est le bon choix pour une transcription batch très précise de fichiers enregistrés. Soniox est le bon choix quand la latence compte plus que la précision hors ligne parfaite — ce qui est le cas de toute réunion en direct.