Transcription locale vs cloud : le vrai compromis

Le compromis en un seul tableau

Au cours des deux dernières années, la transcription locale et la transcription cloud ont échangé leurs positions sur plusieurs plans. Voici où elles en sont réellement aujourd'hui :

La réponse courte pour la plupart des gens : le cloud reste le choix par défaut pour la commodité et la précision, mais le local est désormais une véritable option plutôt qu'un pis-aller pour quiconque a de vraies exigences de confidentialité ou des besoins hors ligne.

Ce que signifie réellement « local » en 2026

Tous les outils « locaux » ne se comportent pas de la même manière. Cette étiquette couvre tout un spectre.

Whisper.cpp et MacWhisper font tourner les modèles Whisper d'OpenAI entièrement sur votre matériel local via un portage C++. L'audio n'est jamais transmis nulle part. MacWhisper est la porte d'entrée la plus simple pour les utilisateurs de Mac : l'offre gratuite est pleinement fonctionnelle pour un usage occasionnel, et l'offre Pro (59 € à vie via Gumroad, ou 99,99 $ à vie via l'App Store à mi-2026) ajoute Large-v3, Turbo, le traitement par lots et la diarisation.

Le framework Speech sur l'appareil d'Apple est plus compliqué. Sur les appareils Apple Silicon, la plupart des requêtes de dictée sont traitées localement sans quitter l'appareil. Mais certaines combinaisons langue/région, certains champs de saisie de recherche et le réglage « Améliorer Siri et Dictée » peuvent acheminer l'audio vers les serveurs d'Apple. Apple ne documente pas précisément quelles requêtes vont où, ce qui en fait une garantie peu fiable pour des exigences de confidentialité strictes. Si votre cas d'usage exige une certitude, un modèle Whisper local est un choix plus propre.

Google Gemini Nano, sur les Pixel 9 et modèles plus récents, gère le résumé et la transcription sur l'appareil pour l'application Recorder. Google a investi dans des améliorations de qualité, notamment le fine-tuning LoRA et la prise en charge des enregistrements de plus de 30 minutes. Mais le périmètre est étroit : il alimente les applications de Google elles-mêmes, pas une API généraliste sur laquelle vous pouvez développer.

NVIDIA Riva est l'option on-premise pour les entreprises, qui fonctionne sur une infrastructure GPU locale. Ce n'est pas un logiciel grand public. Les tarifs sont sur devis ; c'est adapté aux organisations qui ont besoin d'une souveraineté totale sur leurs données et disposent du matériel adéquat.

Pour un usage individuel pratique ou en petite équipe, la solution locale en 2026 se résume essentiellement à Whisper.cpp ou MacWhisper sur un Mac moderne.

À quoi ressemble la transcription cloud en 2026

Le côté cloud a lui aussi évolué. Les prix ont baissé et la qualité des modèles s'est améliorée.

Deepgram Nova-3 est la référence de vitesse pour le travail en batch et en streaming via API. Tarifs actuels au paiement à l'usage (vérifiés en juillet 2026) : 0,0077 $/min pour l'audio pré-enregistré, 0,0048 $/min pour le streaming. Le modèle multilingue est légèrement plus cher. Une offre « Growth » avec remise sur volume exige un engagement annuel.

La transcription OpenAI existe désormais en deux modèles : gpt-4o-transcribe à 0,006 $/min et gpt-4o-mini-transcribe à 0,003 $/min (tous deux vérifiés sur la page tarifaire d'OpenAI, juillet 2026). L'ancien endpoint whisper-1 n'est plus listé séparément.

AWS Transcribe, Google Cloud Speech-to-Text et Azure Cognitive Services appliquent une tarification à la minute avec paliers de volume. Consultez le détail des tarifs AWS Transcribe et les tarifs Google Cloud STT pour les taux actuels.

Pour une comparaison plus large des tarifs API entre fournisseurs, le guide des prix des API speech-to-text couvre l'ensemble du paysage.

Confidentialité : l'argument en faveur du local n'a jamais été aussi fort

La confidentialité est le domaine où le local présente l'avantage le plus net et le moins ambigu. Aucune promesse contractuelle, politique de rétention ni engagement de chiffrement d'un fournisseur cloud n'équivaut à « nous n'avons jamais reçu votre audio ».

Quelques scénarios précis où cette distinction compte :

Travail juridique. Plusieurs ordres d'avocats et conseillers en déontologie de cabinets ont alerté sur le fait que faire transiter des conversations privilégiées avocat-client via un service cloud tiers peut constituer une divulgation à un tiers extérieur, ce qui risque une renonciation involontaire au secret professionnel. La transcription en local élimine cette exposition par conception. Ceci n'est pas un avis juridique : confirmez auprès de l'autorité de déontologie de votre juridiction avant de déployer un outil de transcription sur un dossier confidentiel.

Dictée médicale. La norme du minimum nécessaire de la HIPAA pousse vers la minimisation des données. Même avec un Business Associate Agreement en place, la transcription en local supprime entièrement la surface de violation. Un BAA avec un fournisseur cloud n'équivaut pas à ne jamais exposer de PHI à ce fournisseur en premier lieu.

Réunions de stratégie d'entreprise. La sensibilité concurrentielle n'a pas besoin d'un cadre réglementaire pour être réelle. Si vous dictez des projets de fusion-acquisition ou des détails de produits non encore lancés, le gain marginal de précision offert par le cloud ne justifie pas manifestement cette exposition.

Enregistrements personnels. Certains utilisateurs ne veulent simplement pas avoir à y penser. La transcription en local met fin à la question.

Pour un examen approfondi de ce que les fournisseurs de transcription IA font réellement de votre audio, l'article la transcription IA est-elle privée ? couvre la rétention des données, les clauses d'entraînement des modèles et ce qu'il faut chercher dans la politique de confidentialité d'un fournisseur.

Pour du contenu non sensible, le cloud convient très bien. Si vous avez juste besoin de transcrire une interview de podcast ou des notes de réunion et que la confidentialité n'est pas une contrainte, la transcription cloud chez un fournisseur avec de courtes fenêtres de rétention, et idéalement une politique de suppression documentée, est un choix raisonnable.

Si vous voulez une transcription cloud sans mettre en place d'intégration API, l'outil audio-vers-texte de ConvertAudioToText fait passer votre fichier par un pipeline cloud, supprime la source après traitement et renvoie une transcription structurée et propre. C'est un juste milieu pragmatique pour un usage ponctuel.

Précision : le cloud domine, mais l'écart s'est resserré

Sur un audio anglais propre d'un seul locuteur, la précision locale avec Whisper Large-v3 est suffisamment proche du cloud pour que la plupart des gens ne remarquent aucune différence dans le résultat concret. Sur les benchmarks standards, Whisper Large-v3-Turbo (la variante élaguée plus rapide) se situe à environ 0,4 point de pourcentage de WER du modèle Large-v3 complet.

Les écarts qui subsistent sont réels mais spécifiques :

Les enregistrements multi-locuteurs restent le problème le plus difficile. La diarisation cloud de Deepgram ou AssemblyAI est nettement plus fiable que ce que produisent aujourd'hui les modèles Whisper locaux, surtout en cas de chevauchement de parole. Consultez l'article la diarisation des locuteurs expliquée pour savoir à quoi vous attendre de chaque approche.

L'audio bruité (appels de conférence avec bruit de fond, enregistrements téléphoniques) favorise toujours les modèles cloud ajustés finement sur de l'audio dégradé à grande échelle.

Les langues à faibles ressources présentent la plus grande variance. Whisper couvre 100 langues, mais la qualité chute nettement en deçà de ses langues les mieux prises en charge. Les fournisseurs cloud ayant investi spécifiquement dans l'entraînement pour certaines langues peuvent surpasser Whisper sur celles-ci.

Là où le local a le plus comblé l'écart : l'audio anglais propre de studio ou de réunion avec un ou deux locuteurs. Si c'est votre cas d'usage, l'argument de précision en faveur du cloud est réellement mince.

Latence : matériel vs réseau

La latence est le critère le plus dépendant du contexte.

Sur un MacBook M2 faisant tourner whisper.cpp avec accélération GPU Metal, Whisper Large-v3 traite à environ 0,45 fois le temps réel. Cela signifie qu'un enregistrement de 60 minutes prend environ 27 minutes. Large-v3-Turbo, qui utilise un décodeur élagué avec une qualité de sortie quasi identique, tourne environ 2,3 fois plus vite, si bien que ce fichier de 60 minutes se termine en environ 12 minutes.

Le traitement par lots cloud (Deepgram Nova-3) tourne approximativement 25 fois plus vite que le temps réel pour l'audio pré-enregistré. Votre fichier de 60 minutes revient en 2 à 3 minutes une fois uploadé. Cet avantage de vitesse est bien réel, et le temps d'upload est le facteur limitant pour les fichiers longs sur les connexions lentes.

Pour le streaming d'audio en direct, la comparaison s'inverse. Le local peut fonctionner en temps réel sans aucune dépendance au réseau. Le streaming cloud ajoute 1 à 3 secondes de latence et exige une connexion stable. Si vous construisez un outil de sous-titrage en direct, une application destinée à des zones à connectivité peu fiable, ou un cas d'usage temps réel critique pour la confidentialité, le local gagne sur la latence.

Coût : le seuil de rentabilité dépend de votre situation

La tarification cloud à la minute est basse. Deepgram Nova-3 à 0,0077 $/min revient à environ 0,46 $/heure d'audio. Le gpt-4o-transcribe d'OpenAI coûte 0,36 $/heure. Pour une comparaison détaillée de l'ensemble du paysage tarifaire des API, la comparaison des prix de transcription présente les taux actuels côte à côte.

Le local n'a aucun coût à la minute mais de vrais coûts fixes : le matériel pour le faire tourner (n'importe quel Mac moderne à puce série M suffit pour un volume faible à moyen), le temps nécessaire pour installer et maintenir un pipeline local, et la charge opérationnelle consistant à garder les modèles à jour.

Pour les particuliers et les petites équipes :

• Usage occasionnel (quelques enregistrements par mois) : le cloud gagne clairement. Les frais fixes du local n'en valent pas la peine.
• Usage régulier (des centaines de minutes par mois) : comparable. L'équation économique dépend davantage de vos exigences de confidentialité et de latence que du coût brut.
• Volume élevé avec une infrastructure existante : le local peut réduire sensiblement le coût unitaire par rapport au cloud, mais demande un investissement en ingénierie pour tenir dans la durée.

Pour les utilisateurs non techniques, un service cloud géré avec un forfait mensuel fixe élude complètement le calcul en absorbant le coût à la minute côté fournisseur. L'article tarification de transcription illimitée vs à l'usage explique quand cela a un sens financier.

Quand choisir quoi

Mon avis : la formulation « lequel est le meilleur » passe à côté de l'essentiel. Les deux approches répondent à des contraintes différentes.

Choisissez le local quand :

• L'audio contient des éléments que vous ne pouvez pas laisser traiter par un tiers. Travail juridique, dictée médicale, stratégie concurrentielle.
• Vous construisez un produit où « votre audio ne quitte jamais votre appareil » est un argument commercialisable.
• Vous avez besoin d'un fonctionnement hors ligne sans dépendance à Internet.
• Vous avez un volume suffisamment élevé et une infrastructure existante pour que les coûts cloud à la minute finissent par peser.

Choisissez le cloud quand :

• Vous avez besoin de la meilleure précision possible sur de l'audio bruité, multi-locuteurs ou en langue à faibles ressources.
• Vous avez besoin d'une diarisation des locuteurs fiable ou de résumés par IA.
• Vous voulez une expérience clé en main sans assumer le déploiement du modèle et sa charge opérationnelle.
• Votre volume est faible à modéré et le coût d'ingénierie d'une installation locale ne se justifie pas.

Envisagez un hybride quand : Certaines équipes convergent vers un schéma hybride : le local pour une première passe sur le contenu sensible afin de capturer le fond en toute confidentialité, puis une passe cloud sélective (après occultation des noms et des détails identifiants) pour la diarisation et le résumé. Plus complexe à opérer, mais c'est une voie réaliste pour les équipes ayant à la fois des exigences de précision et de confidentialité.

Pour la plupart des journalistes, étudiants, créateurs de contenu et petites équipes d'entreprise, la transcription cloud reste le choix pratique par défaut en 2026. Le local n'est plus un compromis, mais il demande toujours plus d'installation. Le vrai changement, c'est que la question mérite désormais réellement d'être posée pour tout cas d'usage sensible en matière de confidentialité.

Questions fréquentes

La transcription en local est-elle aussi précise que la transcription dans le cloud ?

Pour un audio anglais propre, l'écart est négligeable. Whisper Large-v3 et Large-v3-Turbo se situent à environ 0,4 point de pourcentage de WER l'un de l'autre sur les benchmarks standards, et tous deux sont compétitifs face aux API cloud sur des enregistrements de qualité studio. Le cloud garde l'avantage sur l'audio bruité, la diarisation multi-locuteurs et les langues à faibles ressources où les fournisseurs ont investi dans des données d'entraînement supplémentaires.

La transcription en local préserve-t-elle vraiment la confidentialité de mon audio ?

Tout dépend de l'outil. Un véritable traitement local, comme whisper.cpp ou MacWhisper exécutant des modèles Whisper locaux, n'envoie jamais l'audio vers un serveur distant. La dictée Apple est plus nuancée : elle traite de nombreuses requêtes sur l'appareil sur les puces Apple Silicon, mais certaines combinaisons langue/région et certains champs de recherche peuvent encore solliciter les serveurs d'Apple. Vérifiez toujours l'architecture de l'outil concerné si la confidentialité est le facteur décisif.

Quelle est la vitesse de la transcription en local par rapport au cloud ?

Sur un MacBook M2 exécutant whisper.cpp avec accélération GPU Metal, Large-v3 traite l'audio à environ 0,45 fois le temps réel, donc un fichier de 60 minutes prend environ 27 minutes. Le modèle plus rapide Large-v3-Turbo tourne environ 2,3 fois plus vite avec une précision quasi identique. Deepgram Nova-3 en mode batch est environ 25 fois plus rapide que le temps réel une fois l'upload terminé. Pour l'audio en streaming en direct, la comparaison est différente : le local peut fonctionner en temps réel sans aucune dépendance au réseau, ce que le cloud ne peut égaler quand la connectivité est mauvaise.

À partir de quel volume la transcription en local devient-elle moins chère que le cloud ?

Le local n'a aucun coût à la minute mais de vrais coûts fixes : matériel, ingénierie d'intégration et frais opérationnels. À faible volume, le cloud gagne économiquement car les coûts fixes du local dominent. Le point de bascule dépend de votre matériel et de votre situation d'ingénierie, mais en règle générale, le cloud est clairement moins cher en dessous de quelques milliers de minutes par mois pour un utilisateur seul ou une petite équipe sans infrastructure existante.

Les avocats doivent-ils utiliser la transcription cloud pour les conversations avec leurs clients ?

C'est une question à adresser à l'ordre des avocats de votre juridiction, pas à ce blog. L'inquiétude générale soulevée par les commentaires juridiques est que faire transiter des communications privilégiées via un service cloud tiers pourrait constituer une divulgation à un tiers extérieur, ce qui risque une renonciation involontaire au secret professionnel avocat-client. La transcription en local élimine cette exposition tierce par conception. Consultez le conseil en déontologie de votre cabinet avant d'utiliser un outil de transcription pour un dossier couvert par le secret professionnel.

Sources

• Tarifs Deepgram, taux Nova-3 vérifiés en juillet 2026
• Tarifs de l'API OpenAI, taux gpt-4o-transcribe et gpt-4o-mini-transcribe vérifiés en juillet 2026
• Tarifs MacWhisper 2026 (Ressources Voibe), offre gratuite et tarifs Pro à vie
• Benchmark Whisper Large V3 Turbo vs V3 (Whisper Notes), comparaison WER et vitesse
• Performances de Whisper sur Apple Silicon (Voicci), benchmarks RTF sur M2
• Confidentialité de la dictée Apple (Blog Yaps), cas limites du traitement sur l'appareil vs côté serveur
• Sécurité des données Deepgram, politiques de rétention et de suppression
• Outils de transcription IA : confidentialité, secret professionnel et pièges éthiques (Duane Morris), analyse du secret professionnel avocat-client
• Outils de transcription IA sous surveillance (Goodwin Law), analyse du risque de renonciation au secret professionnel