Benchmark de reconnaissance vocale: Deepgram vs. Whisper
Nous avons évalué les principaux fournisseurs de reconnaissance vocale (STT), en nous concentrant spécifiquement sur les applications de santé. Notre benchmark a utilisé des exemples du monde réel pour évaluer la précision de la transcription dans des contextes médicaux, où la précision est cruciale.
Résultats du benchmark de reconnaissance vocale
Sur la base des résultats du taux d'erreur de mots (WER) et du taux d'erreur de caractères (CER), GPT-4o-transcribe démontre la précision de transcription la plus élevée parmi tous les systèmes de reconnaissance vocale évalués. Deepgram Nova-v3 et Gladia se distinguent également, maintenant des taux d'erreur faibles sur les deux métriques.
Méthodologie
Jeu de données
Nous souhaitions évaluer les performances des modèles sur des échantillons petits et variés ainsi que sur un échantillon long, nous avons donc mené deux tâches :
Tâche 1 : Données vocales de santé
- Nombre total d'échantillons : 100
- Durée totale : 9 minutes et 25 secondes
- Durée moyenne par échantillon : 5,65 secondes
- Contenu : Données vocales de santé, incluant la terminologie médicale, les interactions avec les patients et les discussions cliniques
- Variété : Différents locuteurs, qualité audio variable et contextes médicaux divers parlés en anglais
Spécifications audio :
- Format : WAV
- Canaux : 1 (Mono)
- Largeur d'échantillon : 16 bits
- Fréquence d'échantillonnage : 16 kHz
- Débit binaire constant : 256 kbps
- Plage de durée : ~4,5 à 11,5 secondes par fichier
Tâche 2 : Un cours d'anatomie
- Nombre total d'échantillons : 1
- Durée totale : 8 minutes et 35 secondes
- Contenu : Un cours d'anatomie donné par un médecin, incluant la terminologie médicale
- Variété : Un locuteur parle en anglais dans la première moitié de la vidéo ; de la musique joue en arrière-plan.
Spécifications audio :
- Format : WAV
- Canaux : 2 (Stéréo)
- Largeur d'échantillon : 16 bits
- Fréquence d'échantillonnage : 48 kHz
- Débit binaire constant : 1536 kbps
Métriques d'évaluation
Nous avons utilisé le taux d'erreur de mots (WER) et le taux d'erreur de caractères (CER) comme métriques d'évaluation de la précision de la transcription. Le taux d'erreur de mots est calculé comme suit :
WER = (S + D + I) / N
Où :
- S = Nombre de substitutions
- D = Nombre de suppressions
- I = Nombre d'insertions
- N = Nombre total de mots dans la vérité terrain
La formule calcule le nombre minimum d'opérations au niveau des mots nécessaires pour transformer l'hypothèse en référence, divisé par le nombre de mots dans la référence. Un WER plus faible indique une meilleure précision, 0 % correspondant à une correspondance parfaite.
Le taux d'erreur de caractères (CER) est calculé en divisant le nombre total d'erreurs au niveau des caractères (incluant les insertions, suppressions et substitutions) par le nombre total de caractères dans le texte de référence.
Nous avons utilisé des API de reconnaissance vocale pour transcrire des fichiers audio en texte.
La taille maximale de fichier prise en charge par les fournisseurs en une seule fois est indiquée dans le tableau :
*Puisque Vosk s'exécute localement, il n'y a pas de limite sur la taille du fichier d'entrée. Cependant, les fichiers audio longs peuvent dépasser la limite du faisceau, entraînant la perte de certaines probabilités. Par conséquent, il est recommandé de diviser les fichiers en segments de 1 à 2 minutes.
Google MedASR fonctionne également localement et n'impose pas de limite de taille de fichier maximale. Pour des performances optimales et une gestion des ressources efficace, il est recommandé de traiter les fichiers longs en segments plus petits.
Note : Pour les fournisseurs ayant des limites de taille de fichier plus faibles (comme Google et OpenAI), les fichiers audio plus volumineux doivent être divisés en morceaux plus petits avant le traitement. Nous avons effectué cela dans la Tâche 2.
Reconnaissance vocale
La reconnaissance vocale permet aux ordinateurs de transcrire des fichiers audio en texte à l'aide d'algorithmes d'apprentissage automatique. L'API d'un service de transcription peut être utilisée avec divers langages de programmation pour la transcription par lots. Ces plateformes prennent en charge à la fois la transcription en temps réel et asynchrone.
La technologie de reconnaissance vocale a de nombreuses applications, notamment la transcription, les assistants vocaux et la traduction linguistique.
Avantages de l'utilisation de la reconnaissance vocale pour la transcription
- Transcription rapide des fichiers audio
- Économie de temps et d'efforts
- Transcription et traduction en temps réel
- Accessibilité pour les personnes handicapées
Comment fonctionnent les outils d'IA de reconnaissance vocale ?
Le processus de transcription comprend :
- Les données audio sont téléchargées ou diffusées en continu vers l'outil de reconnaissance vocale
- Utilisation d'algorithmes d'apprentissage automatique pour analyser les données audio et identifier des modèles dans la parole
- L'outil convertit la parole en texte à l'aide d'un moteur de reconnaissance vocale
- Le texte transcrit est ensuite affiché à l'utilisateur.
Ajouter comme source préféréeFAQ
La transcription d'enregistrements audio et vidéo peut être utilisée dans :
Les assistants vocaux et les assistants virtuels
Traduction et interprétation linguistique
Systèmes de reconnaissance vocale (ASR) pour les personnes handicapées
Leurs modèles pré-entraînés permettent la reconnaissance automatique de la parole (ASR) pour les fichiers audio et vidéo enregistrés. Les transcriptions audio de haute précision incluent la ponctuation automatique et la détection de sujets.
Un moteur open-source ou un fournisseur de reconnaissance vocale d'un service avec lequel votre entreprise travaille déjà (c'est-à-dire Google Cloud, AWS transcribe) peut être choisi comme solution de transcription pour les besoins de votre entreprise. Certains d'entre eux offrent également des crédits gratuits, mais nous recommandons la prudence concernant la sécurité des données.
Une API de reconnaissance vocale peut aider à transcrire des fichiers audio en texte. Traitement et analyse des données audio :
Les données audio sont traitées à l'aide de techniques telles que la réduction du bruit et l'annulation de l'écho
Les données audio sont ensuite analysées à l'aide d'algorithmes d'apprentissage automatique pour identifier des modèles dans la parole
Les algorithmes utilisent des modèles acoustiques et des modèles linguistiques pour reconnaître les mots et les phrases parlés
Conversion de la parole en texte à l'aide d'algorithmes d'apprentissage automatique :
Les algorithmes d'apprentissage automatique sont entraînés sur de grands ensembles de données audio et textuelles
Les algorithmes apprennent à reconnaître des modèles dans la parole et à les convertir en texte
Les algorithmes peuvent être affinés et personnalisés pour des cas d'utilisation et des langues spécifiques
Pour aller plus loin
- Comparatif des 10 meilleurs logiciels de synthèse vocale
- 10+ Services de collecte de données vocales
Citez ce benchmark
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Alper, Şevval},
title = {{Benchmark de reconnaissance vocale: Deepgram vs. Whisper}},
year = {2026},
month = jan,
howpublished = {\url{https://aimultiple.com/speech-to-text}},
note = {AIMultiple. Consulté le 22 Janvier 2026}
}
Soyez le premier à commenter
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.