Tarification de l'API Whisper d'OpenAI en 2026 : 0,003 à 0,006 dollar par minute

Tarification de l'API Whisper d'OpenAI en 2026 : la version courte

Quand on parle de « tarification de l'API Whisper », on pense généralement à un seul chiffre : 0,006 $ par minute. Ce chiffre reste valable pour le modèle d'origine whisper-1. Mais en 2026, ce n'est plus toute l'histoire, et le considérer comme un prix unique, c'est ainsi que des équipes finissent par payer deux fois plus que nécessaire.

OpenAI propose désormais plusieurs modèles de reconnaissance vocale sur le même endpoint /v1/audio/transcriptions. whisper-1 est le modèle hérité. À ses côtés se trouvent gpt-4o-transcribe, gpt-4o-mini-transcribe et gpt-4o-transcribe-diarize, ainsi que des variantes temps réel pour l'audio en direct. L'option de transcription OpenAI la moins chère en 2026 est gpt-4o-mini-transcribe à 0,003 $ par minute, soit la moitié du prix de Whisper. Si vous utilisez encore whisper-1 par habitude, vous payez peut-être trop cher.

Voici la liste complète avec les tarifs actuels, tirée de la page de tarification d'OpenAI :

gpt-4o-mini

$0.18/hr

whisper-1

$0.36/hr

gpt-4o-transcribe

$0.36/hr

gpt-4o-diarize

$0.36/hr

gpt-realtime

$1.02/hr

realtime-translate

$2.04/hr

OpenAI list price per hour by model, 2026.

Une lecture rapide de ce tableau : pour une transcription batch simple au coût le plus bas, gpt-4o-mini-transcribe gagne. Pour la meilleure précision au même prix que Whisper, utilisez gpt-4o-transcribe. Pour les étiquettes de locuteur, optez pour la variante diarize. Vous ne devriez recourir à l'ancien whisper-1 que si vous avez spécifiquement besoin de timestamps au niveau du mot ou de fichiers de sous-titres, car les nouveaux modèles gpt-4o ont abandonné ces sorties.

Je suis Bello M. Amadou. Je travaille sur des outils de transcription, et j'ai vu beaucoup d'équipes choisir un modèle uniquement sur le prix, puis découvrir que le moins cher ne peut pas produire le fichier SRT dont leur éditeur vidéo a besoin. Ce guide vise à vous épargner ce détour.

Ce Qui a Changé Depuis l'Époque du "Tarif Plat à $0.006"

L'API Whisper originale a été lancée comme un produit volontairement simple : un modèle, un prix, pas de paliers. Cette simplicité était son argument de vente, et beaucoup d'articles plus anciens la décrivent encore ainsi. C'est désormais obsolète.

Fin 2025, OpenAI a déployé une nouvelle génération de modèles audio basés sur son architecture GPT-4o, et ils sont devenus stables en production au cours de 2026. Les effets concrets :

Le prix plancher a baissé. gpt-4o-mini-transcribe tourne à $0.003 par minute, soit 50 pour cent de moins que l'ancien tarif Whisper. Pour les travaux à volume élevé et tolérants à la précision, comme l'indexation de recherche interne ou les brouillons, c'est le nouveau défaut.

Précision améliorée au même prix. gpt-4o-transcribe coûte les mêmes 0,006 $ par minute que whisper-1, mais OpenAI le positionne comme un modèle de transcription plus précis. Des évaluateurs indépendants rapportent un taux d'erreur de mots inférieur à celui de Whisper v3 sur des fichiers audio de référence, même si les chiffres exacts varient selon les jeux de test. Prenez donc tout pourcentage que vous voyez en ligne comme une indication, pas comme une vérité absolue.

La diarisation des locuteurs est désormais native. L'ancienne API Whisper n'offrait aucun moyen intégré d'identifier les locuteurs. gpt-4o-transcribe-diarize ajoute la détection automatique des locuteurs et renvoie une réponse diarized_json avec les étiquettes de locuteurs et les horodatages des segments, au même tarif par minute. Vous pouvez même fournir de courts extraits de référence pour jusqu'à quatre locuteurs connus.

La transcription en temps réel existe. L'API Whisper classique ne fonctionnait qu'en mode batch. OpenAI propose désormais la transcription en temps réel via gpt-realtime-whisper (0,017 $/min) et une variante de traduction à la volée (0,034 $/min), et gpt-4o-transcribe lui-même prend en charge les réponses en streaming. L'affirmation générale selon laquelle « l'API Whisper ne peut pas faire de temps réel » n'est plus vraie que pour whisper-1 précisément.

Whisper est toujours là, et toujours open source. OpenAI n'a pas retiré whisper-1. Il reste dans la liste des modèles à 0,006 $ par minute, et les poids open source de Whisper sont toujours téléchargeables gratuitement depuis GitHub pour un hébergement autonome. Whisper n'a pas changé de nom. C'est désormais une option parmi d'autres.

Le détail que la plupart des articles ratent : pourquoi vous avez encore besoin de whisper-1

Voici la chose la plus utile de ce guide, et c'est la raison pour laquelle vous ne pouvez pas simplement basculer aveuglément tout sur les modèles gpt-4o moins chers.

Les modèles de transcription gpt-4o ont supprimé les horodatages au niveau du mot et les sorties de sous-titres. Selon le guide de reconnaissance vocale d'OpenAI, whisper-1 prend en charge les formats de réponse json, text, srt, verbose_json et vtt, ainsi que le paramètre timestamp_granularities[] pour le timing des mots et des segments. Les modèles gpt-4o-transcribe et gpt-4o-mini-transcribe ne prennent en charge que json et text brut. Demander verbose_json à un modèle gpt-4o renvoie une erreur vous indiquant d'utiliser json ou text à la place.

Voici ce que cela signifie concrètement :

Donc, si votre flux de travail consiste à créer des sous-titres pour une vidéo, à générer des sous-titres pour un téléversement YouTube, ou à aligner une transcription sur une chronologie, les modèles plus récents et "meilleurs" ne vous fourniront pas les données de timing dont vous avez besoin. Soit vous restez sur whisper-1, soit vous faites passer une transcription gpt-4o par une étape d'alignement séparée. Pour de nombreux pipelines de sous-titres, rester sur Whisper est tout simplement le bon choix, et c'est une raison légitime pour laquelle il ne disparaît pas.

Les limites de fichiers de 25 Mo et 25 Minutes

Chaque modèle de transcription OpenAI, ancien comme nouveau, partage les mêmes deux limites strictes pour une seule requête API :

• Taille de fichier maximale de 25 Mo. Les fichiers dépassant 25 Mo sont rejetés d'office.
• Durée audio maximale de 1500 secondes (25 minutes). Un audio plus long renvoie une erreur de dépassement de durée, confirmée par plusieurs développeurs sur le forum communautaire OpenAI.

La limite de durée surprend souvent, car un podcast d'une heure compressé en MP3 peut facilement rester sous les 25 Mo en taille, tout en dépassant largement les 25 minutes. Il faut satisfaire les deux contraintes.

Ce que représentent 25 Mo selon les formats :

À noter que même quand la taille du fichier permet 52 minutes (MP3 à 64 kbps), la limite de 1500 secondes vous oblige quand même à découper tout ce qui dépasse environ 25 minutes. Donc en 2026, c'est la durée, pas la taille, qui est généralement le facteur limitant.

Comment contourner les limites

Compressez avant l'envoi. Pour de la parole, convertir un WAV en MP3 à 64 kbps réduit la taille de 90 % ou plus, sans perte de précision significative, car 64 kbps préserve la plage de fréquences que la reconnaissance vocale utilise réellement. FFmpeg fait ça en une seule commande.

Extrayez d'abord l'audio de la vidéo. Un MP4 d'une heure peut peser 500 Mo, mais sa piste audio en MP3 peut être bien sous les 25 Mo. N'envoyez jamais de vidéo à l'endpoint de transcription ; l'API ignore de toute façon le flux vidéo, donc vous gaspillez de la bande passante et risquez de heurter la limite de taille pour rien.

Découpez les fichiers longs aux silences. Pour tout ce qui dépasse 25 minutes, il faut segmenter. Coupez aux pauses naturelles plutôt qu'au milieu d'une phrase, sinon vous obtenez des mots tronqués à chaque frontière, qu'il faudra ensuite recoller. Visez des segments d'environ 20 à 24 minutes pour rester confortablement sous les deux limites.

Laissez un service s'en charger. Si vous préférez ne pas construire votre propre pipeline de compression et de découpage, ConvertAudioToText fait le prétraitement automatiquement. Vous uploadez un long fichier (jusqu'à 5 Go avec les forfaits payants, ou un lien jusqu'à 24 heures) et il gère l'extraction, le découpage et le réassemblage. Si vous voulez spécifiquement une sortie Whisper, l'API OpenAI ou l'auto-hébergement est votre voie.

Auto-héberger Whisper : logiciel gratuit, coût d'infrastructure bien réel

Comme Whisper est open source, vous pouvez le faire tourner sur votre propre GPU et ne payer rien à OpenAI à la minute. Le modèle est gratuit à télécharger, mais la puissance de calcul et l'ingénierie ne le sont pas, ce qui explique pourquoi on paie encore 0,006 $ (ou 0,003 $) par minute.

Les poids de large-v3 de Whisper nécessitent un GPU costaud pour tourner à des vitesses utilisables. Coûts cloud approximatifs :

La colonne vitesse est ce qui détermine le coût réel. Un A100 qui transcrit à 8x temps réel traite huit heures audio par heure de GPU, donc le coût par heure audio se situe autour de 0,15 $ à 0,40 $. Un T4 qui tourne près du temps réel vous rapproche d'une heure audio par heure de GPU.

Mais la location brute du GPU, c'est la partie facile de la facture. L'auto-hébergement signifie aussi que vous êtes propriétaire de :

• Infrastructure. Provisionnement, mise à l'échelle automatique, basculement et disponibilité. Ce n'est pas un système qu'on déploie et qu'on oublie.
• Orchestration des tâches. Une file d'attente, des workers, des tentatives et un suivi d'état. Vous reconstruisez le backend qu'une API managée vous offre gratuitement.
• Surveillance. Les tâches GPU échouent de manières bien particulières : erreurs de mémoire, incompatibilités de version CUDA, dérives de pilotes. Tout cela grignote du temps d'ingénierie.
• Stockage et réseau. Déplacer l'audio vers les nœuds GPU et stocker les résultats ajoute des coûts faciles à oublier quand on les modélise sur un tableur.

Quand l'auto-hébergement gagne-t-il vraiment sur le coût ? En gros, seulement à volume élevé et soutenu :

Mon parti pris : le seuil de rentabilité paraît excellent sur le papier et bien moins bon une fois qu'on intègre le temps d'un ingénieur pour construire et surveiller le pipeline. J'ai baissé la colonne API au tarif de $0,003 pour gpt-4o-mini-transcribe, ce qui repousse le seuil de rentabilité plus loin que ne le suggérait l'ancien calcul à $0,006. Si vous êtes sous quelques centaines d'heures par mois, l'API managée est presque toujours le coût total de possession le plus bas, une fois qu'on compte les personnes.

OpenAI face à la concurrence : tarifs vérifiés en juin 2026

Le prix par minute est le chiffre visible, mais il dit rarement le coût total, car les fournisseurs bon marché facturent souvent des extras séparément. Voici les tarifs pay-as-you-go actuels et vérifiés pour les principales API de transcription par lots.

Sources : tarifs Deepgram, tarifs AssemblyAI, tarifs Google Cloud STT, tarifs AWS Transcribe, tarifs Azure Speech.

Ce que le tableau vous dit vraiment

Le rapport prix versus Whisper s'est inversé en 2026. Les comparaisons plus anciennes affirmaient que Deepgram cassait les prix face à Whisper. Au tarif actuel de 0,0043 $ par minute pour l'audio pré-enregistré, Deepgram Nova-3 bat toujours le taux de 0,006 $ de whisper-1, mais il ne bat plus le gpt-4o-mini-transcribe d'OpenAI à 0,003 $. Les options batch vraiment les moins chères et crédibles aujourd'hui sont le modèle mini d'OpenAI, le palier batch d'Azure (tous deux à 0,003 $), et le modèle Universal d'AssemblyAI (environ 0,0035 $ par heure facturée). Deepgram reste compétitif, mais il n'est plus le leader tarifaire qu'il était pour le batch.

« Par minute » masque les options additionnelles. Deepgram et AssemblyAI facturent la diarisation des locuteurs, la synthèse et d'autres fonctionnalités comme des lignes distinctes. Le tarif de base Universal d'AssemblyAI est bas, mais l'identification des locuteurs, l'analyse de sentiment et la synthèse ajoutent chacune un coût horaire par-dessus. Deepgram ajoute environ 0,002 $ par minute pour la diarisation. Le modèle gpt-4o-transcribe-diarize d'OpenAI, en revanche, inclut les étiquettes de locuteurs dans le tarif forfaitaire de 0,006 $ sans supplément, ce qui peut en faire l'option la plus économique dès que vous avez réellement besoin de la diarisation.

Les fournisseurs entreprise facturent plus cher mais offrent plus. Google Cloud à 0,016 $ et AWS Transcribe à 0,024 $ coûtent trois à quatre fois plus que le tarif mini d'OpenAI, mais ils incluent le streaming, la diarisation, le vocabulaire personnalisé et de vrais SLA. AWS propose aussi des remises volumétriques qui descendent vers 0,0078 $ par minute à très grande échelle, et Google offre un palier « batch dynamique » à 0,003 $ pour les tâches non urgentes. Si vous êtes déjà bien intégré dans GCP ou AWS et que vous valorisez l'intégration et le SLA, le prix affiché plus élevé achète des choses concrètes.

La couverture linguistique reste l'apanage des grands clouds et d'OpenAI. Google mène avec plus de 125 langues, les modèles gpt-4o couvrent plus de 99 langues, et AWS et Azure se situent autour de 100. Les 36 langues de Deepgram sont plus limitées. Si vous transcrivez de nombreuses langues via une seule API, OpenAI et Google sont les choix les plus solides.

Pour une comparaison côte à côte plus approfondie de chaque fournisseur, consultez notre comparatif des tarifs des API de transcription vocale et le classement complet des meilleures API de transcription vocale. Pour un duel spécifique contre Google, lisez Whisper vs Google Cloud Speech.

Quand la transcription OpenAI est le bon choix

Malgré un paysage plus large, il existe des cas évidents où les modèles audio d'OpenAI sont les mieux adaptés.

Une alternative gérée : la grille tarifaire de ConvertAudioToText avec un palier gratuit et des forfaits mensuels fixes, sans comptage à la minute

Transcription par lots multilingue à petit budget. Avec plus de 99 langues prises en charge par les modèles gpt-4o et un tarif plancher de 0,003 $, transcrire des entretiens en français, en japonais et en portugais via une seule API avec une tarification cohérente est difficile à battre. La plupart des concurrents facturent plus cher pour les langues non anglaises ou prennent en charge moins de langues. Vous pouvez essayer la transcription multilingue, puis traduire le résultat sans avoir recours à un service séparé.

Flux de travail avec sous-titres et horodatage (sur whisper-1). Comme évoqué plus haut, si vous avez besoin de fichiers SRT, VTT ou d'un minutage mot par mot, whisper-1 est l'une des rares API à bas coût qui génère directement des fichiers de sous-titres. C'est une raison concrète et spécifique de l'utiliser.

Projets à petite échelle et prototypes. Dix heures d'audio coûtent 1,80 $ sur le modèle mini. Pas d'abonnement, pas de minimum, pas d'infrastructure. Pour les chercheurs, les développeurs indépendants et les produits en phase de démarrage, c'est suffisant pour démarrer. L'endpoint simple et une bonne documentation permettent de monter un prototype fonctionnel rapidement, et vous pouvez d'abord vérifier l'expérience avec notre outil gratuit audio-texte ou URL-texte.

Issue de secours open source. Comme Whisper est open source, vous pouvez commencer avec l'API pour plus de commodité, puis migrer vers une transcription auto-hébergée de qualité identique plus tard si votre volume le justifie. Peu de services propriétaires offrent cette continuité. Pour en savoir plus sur la voie sans API, consultez notre guide du convertisseur audio-texte gratuit.

Estimer votre facture mensuelle de transcription OpenAI

Les coûts aux deux tarifs courants, afin que vous puissiez choisir la ligne correspondant à votre choix de modèle :

Ces tarifs couvrent uniquement la transcription. Si vous avez aussi besoin de la diarisation, la ligne gpt-4o-transcribe-diarize correspond à la colonne à 0,006 $ sans frais supplémentaires. Pour des résumés, une mise en forme ou la génération de sous-titres en plus, prévoyez ces coûts ou utilisez une plateforme comme ConvertAudioToText qui regroupe transcription, résumés et exports à un tarif mensuel fixe. Consultez la page des tarifs pour les détails des formules actuelles.

Questions fréquentes

Combien coûte l'API Whisper d'OpenAI par minute en 2026 ?

Le modèle hérité whisper-1 coûte toujours 0,006 $ par minute (0,36 $ par heure), facturé à la seconde sur la durée réelle de l'audio. Mais OpenAI propose désormais aussi gpt-4o-mini-transcribe à 0,003 $ par minute, soit la moitié du prix de Whisper, et gpt-4o-transcribe au même tarif de 0,006 $ avec une meilleure précision. Le « prix de l'API Whisper » n'est donc plus un chiffre unique. Consultez la page de tarification d'OpenAI pour les taux officiels actuels.

Quelle est la différence entre whisper-1 et gpt-4o-transcribe ?

Les deux utilisent le même endpoint de transcription, mais gpt-4o-transcribe est le modèle le plus récent, plus précis, et il prend en charge les réponses en streaming. Le point crucial, ce sont les formats de sortie : whisper-1 peut renvoyer du SRT, du VTT, du verbose_json et des horodatages au niveau du mot, tandis que les modèles gpt-4o ne renvoient que du json ou du texte brut. Si vous avez besoin de fichiers de sous-titres ou d'un timing précis au mot près, vous devez encore utiliser whisper-1. Pour des transcriptions simples ou avec étiquetage des locuteurs, les modèles gpt-4o sont le meilleur choix.

Existe-t-il un niveau gratuit pour la transcription OpenAI ?

Non. Chaque minute est facturée ; il n'y a pas de niveau gratuit permanent pour les modèles audio d'OpenAI. Les nouveaux comptes OpenAI reçoivent parfois un petit crédit unique qui peut être appliqué à la transcription, mais c'est un crédit de bienvenue, pas un niveau gratuit continu. Pour une transcription vraiment gratuite, vous pouvez auto-héberger le modèle open source Whisper (vous payez pour le GPU plutôt que par minute) ou utiliser un outil web gratuit pour les petits travaux.

OpenAI peut-il faire de la diarisation des locuteurs maintenant ?

Oui. L'API Whisper d'origine ne pouvait pas étiqueter les locuteurs, mais gpt-4o-transcribe-diarize ajoute la détection automatique des locuteurs et renvoie une réponse diarized_json avec les étiquettes des locuteurs et les horodatages des segments, au même tarif de 0,006 $ par minute que la transcription standard, sans supplément pour la diarisation. Vous pouvez éventuellement fournir de courts extraits de référence pour jusqu'à quatre locuteurs connus afin d'améliorer l'étiquetage.

Quelle est la limite de taille de fichier pour l'API de transcription OpenAI ?

Chaque modèle partage une taille de fichier maximale de 25 Mo et une durée audio maximale de 1500 secondes (25 minutes) par requête. Vous devez satisfaire aux deux, et la limite de durée est généralement celle qui pose problème en premier, car un podcast d'une heure peut faire moins de 25 Mo mais dépasse largement les 25 minutes. Pour les fichiers plus longs, extrayez l'audio de la vidéo, compressez-le en MP3 à débit binaire réduit, puis découpez-le aux silences en segments sous les deux limites.

Lequel est le moins cher en 2026, OpenAI ou Deepgram ?

Cela dépend du modèle OpenAI. Deepgram Nova-3 à 0,0043 $ la minute pour l'audio pré-enregistré casse les prix face au tarif de 0,006 $ de whisper-1, mais il ne bat pas le gpt-4o-mini-transcribe d'OpenAI à 0,003 $. Deepgram facture aussi environ 0,002 $ la minute en plus pour la diarisation, alors que le modèle de diarisation d'OpenAI reste au tarif plat de 0,006 $ avec les étiquettes de locuteurs incluses. Donc pour une transcription simple et bon marché, le modèle mini d'OpenAI l'emporte ; pour le streaming, Deepgram est plus solide. Faites le calcul pour votre ensemble de fonctionnalités exact plutôt que de comparer les prix affichés seuls.

Puis-je utiliser l'API Whisper d'OpenAI pour la transcription en temps réel ?

Le modèle whisper-1 hérité ne fonctionne qu'en lot et ne peut pas faire du temps réel. Cependant, OpenAI propose désormais gpt-realtime-whisper à 0,017 $ la minute et gpt-realtime-translate à 0,034 $ la minute pour le streaming en direct à faible latence, et gpt-4o-transcribe prend en charge les réponses en streaming. Ainsi, l'ancienne règle selon laquelle « Whisper ne peut pas gérer l'audio en direct » ne s'applique plus qu'au modèle whisper-1 spécifique, pas à l'ensemble de la gamme de transcription d'OpenAI. Pour le sous-titrage en direct avec la latence la plus basse, Deepgram reste une alternative solide à comparer.

Comment la transcription par API se compare-t-elle à l'embauche d'un transcripteur humain ?

Les services de transcription humaine facturent généralement entre 1,00 $ et 3,00 $ par minute audio, donc à 0,003 $ à 0,006 $ la minute, l'API OpenAI est environ 200 à 1 000 fois moins chère. Les humains restent gagnants sur l'audio difficile avec des accents prononcés, des locuteurs qui se chevauchent ou un bruit important, où leur précision est difficile à égaler. Pour les enregistrements propres avec un seul locuteur, l'écart de précision est faible et la différence de coût est énorme, ce qui explique pourquoi la plupart des équipes utilisent désormais la transcription IA pour les premiers jets et réservent la relecture humaine à l'audio qui en a vraiment besoin.