Faster Whisper
Transcription vocale locale à l'aide de faster-whisper — une réimplémentation CTranslate2 du Whisper d'OpenAI qui est 4 à 6 fois plus rapide avec une précision identique. Avec l'accélération GPU, attendez-vous à une transcription environ 20x temps réel (un fichier audio de 10 minutes en ~30 secondes).
Quand l'utiliser
Utilisez cette compétence lorsque vous devez :
- Transcrire des fichiers audio/vidéo — réunions, interviews, podcasts, cours, vidéos YouTube
- Convertir la parole en texte localement — aucun coût d'API, fonctionne hors ligne (après téléchargement du modèle)
- Traiter par lots plusieurs fichiers audio — efficace pour les grandes collections
- Générer des sous-titres — horodatages au niveau des mots disponibles
- Transcription multilingue — prend en charge plus de 99 langues avec détection automatique
Phrases déclencheurs : « transcris cet audio », « convertis la parole en texte », « qu'ont-ils dit », « fais une transcription », « audio en texte », « sous-titre cette vidéo »
Quand NE PAS l'utiliser :
- Transcription en temps réel / en streaming (utilisez des outils optimisés pour le streaming)
- Environnements cloud uniquement sans calcul local
- Fichiers de moins de 10 secondes où la latence d'appel API n'a pas d'importance
Référence rapide
| Tâche | Commande | Remarques |
|---|---|---|
| Transcription de base | ./scripts/transcribe audio.mp3 | Utilise le modèle distil-large-v3 par défaut |
| Plus rapide en anglais | ./scripts/transcribe audio.mp3 --model distil-medium.en --language en | Anglais uniquement, 6,8x plus rapide |
| Précision maximale | ./scripts/transcribe audio.mp3 --model large-v3-turbo --beam-size 10 | Plus lent mais meilleure qualité |
| Horodatages des mots | ./scripts/transcribe audio.mp3 --word-timestamps | Pour sous-titres |
| Sortie JSON | ./scripts/transcribe audio.mp3 --json -o output.json | Accès programmatique |
| Multilingue | ./scripts/transcribe audio.mp3 --model large-v3-turbo | Détection automatique de la langue |
| Supprimer les silences | ./scripts/transcribe audio.mp3 --vad | Détection d'activité vocale |
Sélection du modèle
Choisissez le modèle adapté à vos besoins :
digraph model_selection {
rankdir=LR;
node [shape=box, style=rounded];
start [label="Début", shape=doublecircle];
need_accuracy [label="Besoin de précision
maximale ?", shape=diamond];
multilingual [label="Contenu
multilingue ?", shape=diamond];
resource_constrained [label="Contraintes de
ressources ?", shape=diamond];
large_v3 [label="large-v3
ou
large-v3-turbo", style="rounded,filled", fillcolor=lightblue];
large_turbo [label="large-v3-turbo", style="rounded,filled", fillcolor=lightblue];
distil_large [label="distil-large-v3
(par défaut)", style="rounded,filled", fillcolor=lightgreen];
distil_medium [label="distil-medium.en", style="rounded,filled", fillcolor=lightyellow];
distil_small [label="distil-small.en", style="rounded,filled", fillcolor=lightyellow];
start -> need_accuracy;
need_accuracy -> large_v3 [label="oui"];
need_accuracy -> multilingual [label="non"];
multilingual -> large_turbo [label="oui"];
multilingual -> resource_constrained [label="non (anglais)"];
resource_constrained -> distil_small [label="mobile/embarqué"];
resource_constrained -> distil_medium [label="limites modérées"];
resource_constrained -> distil_large [label="non"];
}
Tableau des modèles
Modèles standard (Whisper complet)
| Modèle | Taille | Vitesse | Précision | Cas d'utilisation |
|---|---|---|---|---|
tiny / tiny.en | 39M | Très rapide | Basique | Brouillons rapides |
base / base.en | 74M | Très rapide | Bonne | Usage général |
small / small.en | 244M | Rapide | Meilleure | La plupart des tâches |
medium / medium.en | 769M | Modérée | Élevée | Transcription de qualité |
large-v1/v2/v3 | 1,5 Go | Plus lent | Excellente | Précision maximale |
large-v3-turbo | 809 Mo | Rapide | Excellente | Recommandé pour la précision |
Modèles distillés (~6x plus rapides, ~1% de différence de WER)
| Modèle | Taille | Vitesse vs standard | Précision | Cas d'utilisation |
|---|---|---|---|---|
distil-large-v3 | 756 Mo | ~6,3x plus rapide | 9,7% WER | Par défaut, meilleur équilibre |
distil-large-v2 | 756 Mo | ~5,8x plus rapide | 10,1% WER | Solution de repli |
distil-medium.en | 394 Mo | ~6,8x plus rapide | 11,1% WER | Anglais uniquement, ressources limitées |
distil-small.en | 166 Mo | ~5,6x plus rapide | 12,1% WER | Appareils mobiles/embarqués |
Les modèles .en sont anglais uniquement et légèrement plus rapides/meilleurs pour le contenu en anglais.
Configuration
Linux / macOS / WSL2
# Exécutez le script de configuration (crée un venv, installe les dépendances, détection automatique du GPU)
./setup.sh
Windows (natif)
# Exécutez depuis PowerShell (installe automatiquement Python et ffmpeg s'ils sont manquants via winget)
.\setup.ps1
Le script de configuration Windows va :
- Installer automatiquement Python 3.12 via winget s'il est introuvable
- Installer automatiquement ffmpeg via winget s'il est introuvable
- Détecter le GPU NVIDIA et installer PyTorch compatible CUDA
- Créer un venv et installer toutes les dépendances
Prérequis :
- Linux/macOS/WSL2 : Python 3.10+, ffmpeg
- Windows : Rien ! Le script d'installation installe automatiquement les prérequis via winget
Prise en charge des plateformes
| Plateforme | Accélération | Vitesse | Installation automatique |
|---|---|---|---|
| Windows + GPU NVIDIA | CUDA | ~20x temps réel 🚀 | ✅ Complète |
| Linux + GPU NVIDIA | CUDA | ~20x temps réel 🚀 | Prérequis manuels |
| WSL2 + GPU NVIDIA | CUDA | ~20x temps réel 🚀 | Prérequis manuels |
| macOS Apple Silicon | CPU* | ~3-5x temps réel | Prérequis manuels |
| macOS Intel | CPU | ~1-2x temps réel | Prérequis manuels |
| Windows (sans GPU) | CPU | ~1x temps réel | ✅ Complète |
| Linux (sans GPU) | CPU | ~1x temps réel | Prérequis manuels |
- faster-whisper utilise CTranslate2 qui est CPU uniquement sur macOS, mais Apple Silicon est assez rapide pour une utilisation pratique.
Prise en charge GPU (IMPORTANT !)
Le script de configuration détecte automatiquement votre GPU et installe PyTorch avec CUDA. Utilisez toujours le GPU si disponible — la transcription CPU est extrêmement lente.
| Matériel | Vitesse | Vidéo de 9 min |
|---|---|---|
| RTX 3070 (GPU) | ~20x temps réel | ~27 sec |
| CPU (int8) | ~0,3x temps réel | ~30 min |
Si la configuration n'a pas détecté votre GPU, installez manuellement PyTorch avec CUDA :
Linux/macOS/WSL2 :
# Pour CUDA 12.x
uv pip install --python .venv/bin/python torch --index-url https://download.pytorch.org/whl/cu121
# Pour CUDA 11.x
uv pip install --python .venv/bin/python torch --index-url https://download.pytorch.org/whl/cu118
Windows :
# Pour CUDA 12.x
.venv\Scripts\pip install torch --index-url https://download.pytorch.org/whl/cu121
# Pour CUDA 11.x
.venv\Scripts\pip install torch --index-url https://download.pytorch.org/whl/cu118
- Utilisateurs Windows : assurez-vous d'avoir installé les pilotes NVIDIA
- Utilisateurs WSL2 : assurez-vous d'avoir installé les pilotes NVIDIA CUDA pour WSL sur Windows
Utilisation
Linux/macOS/WSL2 :
# Transcription de base
./scripts/transcribe audio.mp3
# Avec un modèle spécifique
./scripts/transcribe audio.wav --model large-v3-turbo
# Avec horodatages des mots
./scripts/transcribe audio.mp3 --word-timestamps
# Spécifier la langue (plus rapide que la détection automatique)
./scripts/transcribe audio.mp3 --language en
# Sortie JSON
./scripts/transcribe audio.mp3 --json
Windows (cmd ou PowerShell) :
# Transcription de base
.\scripts\transcribe.cmd audio.mp3
# Avec un modèle spécifique
.\scripts\transcribe.cmd audio.wav --model large-v3-turbo
# Avec horodatages des mots (la syntaxe native PowerShell fonctionne aussi)
.\scripts\transcribe.ps1 audio.mp3 -WordTimestamps
# Sortie JSON
.\scripts\transcribe.cmd audio.mp3 --json
Options
--model, -m Nom du modèle (par défaut : distil-large-v3)
--language, -l Code de langue (ex. : en, es, fr - détection automatique si omis)
--word-timestamps Inclure les horodatages au niveau des mots
--beam-size Taille de la recherche par faisceau (par défaut : 5, plus élevé = plus précis mais plus lent)
--vad Activer la détection d'activité vocale (supprime les silences)
--json, -j Sortie au format JSON
--output, -o Enregistrer la transcription dans un fichier
--device cpu ou cuda (détection automatique)
--compute-type int8, float16, float32 (par défaut : auto-optimisé)
--quiet, -q Supprimer les messages de progression
Exemples
# Transcrire l'audio d'une vidéo YouTube (après extraction avec yt-dlp)
yt-dlp -x --audio-format mp3 <URL> -o audio.mp3
./scripts/transcribe audio.mp3
# Transcription par lots avec sortie JSON
for file in *.mp3; do
./scripts/transcribe "$file" --json > "${file%.mp3}.json"
done
# Transcription haute précision avec une taille de faisceau plus grande
./scripts/transcribe audio.mp3 \
--model large-v3-turbo --beam-size 10 --word-timestamps
# Transcription rapide anglais uniquement
./scripts/transcribe audio.mp3 \
--model distil-medium.en --language en
# Transcrire avec VAD (supprime les silences)
./scripts/transcribe audio.mp3 --vad
Erreurs courantes
| Erreur | Problème | Solution |
|---|---|---|
| Utiliser le CPU alors que le GPU est disponible | Transcription 10-20x plus lente | Vérifiez nvidia-smi sur Windows/Linux ; vérifiez l'installation CUDA |
| Ne pas spécifier la langue | Perte de temps en détection automatique pour un contenu connu | Utilisez --language en lorsque vous connaissez la langue |
| Utiliser le mauvais modèle | Lenteur inutile ou mauvaise précision | Le modèle par défaut distil-large-v3 est excellent ; utilisez large-v3 uniquement en cas de problèmes de précision |
| Ignorer les modèles distillés | Perte d'un gain de vitesse 6x avec <1% de perte de précision | Essayez distil-large-v3 avant d'utiliser les modèles standard |
| Oublier ffmpeg | L'installation échoue ou l'audio ne peut pas être traité | Le script d'installation gère cela ; les installations manuelles nécessitent ffmpeg séparément |
| Erreurs de mémoire insuffisante | Modèle trop volumineux pour la VRAM/RAM disponible | Utilisez un modèle plus petit ou --compute-type int8 |
| Taille de faisceau excessive | Rendements décroissants au-delà de beam-size 5-7 | La valeur par défaut 5 est correcte ; essayez 10 pour les transcriptions critiques |
Notes de performance
- Premier lancement : Télécharge le modèle dans
~/.cache/huggingface/(une seule fois) - GPU : Utilise automatiquement CUDA si disponible (~10-20x plus rapide)
- Quantification : INT8 utilisé sur CPU pour un gain de vitesse ~4x avec une perte de précision minimale
- Mémoire :
distil-large-v3: ~2 Go de RAM / ~1 Go de VRAMlarge-v3-turbo: ~4 Go de RAM / ~2 Go de VRAMtiny/base: <1 Go de RAM
Pourquoi faster-whisper ?
- Vitesse : ~4-6x plus rapide que le Whisper original d'OpenAI
- Précision : Identique (utilise les mêmes poids de modèle)
- Efficacité : Utilisation mémoire réduite grâce à la quantification
- Prêt pour la production : Backend C++ stable (CTranslate2)
- Modèles distillés : ~6x plus rapides avec <1% de perte de précision
Dépannage
« CUDA non disponible — utilisation du CPU » : Installez PyTorch avec CUDA (voir la section Prise en charge GPU ci-dessus)
L'installation échoue : Assurez-vous que Python 3.10+ est installé
Mémoire insuffisante : Utilisez un modèle plus petit ou --compute-type int8
Lent sur CPU : C'est normal — utilisez le GPU pour une transcription pratique
Échec du téléchargement du modèle : Vérifiez les permissions de ~/.cache/huggingface/ (Linux/macOS) ou %USERPROFILE%\.cache\huggingface\ (Windows)
Spécifique à Windows
« winget introuvable » : Installez App Installer depuis le Microsoft Store, ou installez Python/ffmpeg manuellement
« Python introuvable dans le PATH après l'installation » : Fermez et rouvrez votre terminal, puis exécutez à nouveau setup.ps1
Erreur de stratégie d'exécution PowerShell : Exécutez Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned ou utilisez plutôt transcribe.cmd
nvidia-smi introuvable mais GPU présent : Installez les pilotes NVIDIA — les pilotes Game Ready ou Studio incluent nvidia-smi