Formats de fichiers de transcription expliqués : le guide des entrées 2026

Le format de votre fichier audio n'est presque jamais la raison pour laquelle une transcription sort mal. La plupart des outils de transcription acceptent le MP3, le WAV, le M4A, le FLAC, l'OGG, le MP4, le MOV et une douzaine d'autres. Cet article passe en revue chaque format, explique quand le choix compte réellement et vous dit quoi faire dans les cas délicats.

Pour un tableau de compatibilité oui/non rapide entre outils, consultez la référence sur les formats audio pris en charge pour la transcription. Le côté sortie, SRT, VTT et TXT, est traité dans les formats d'export de transcription expliqués.

Audio contre vidéo : ce que les outils de transcription traitent réellement

Lorsque vous envoyez un fichier vidéo, l'outil de transcription extrait d'abord la piste audio (avec FFmpeg ou un équivalent), puis exécute le modèle de reconnaissance vocale sur cet audio. Les images vidéo sont totalement ignorées.

Un MP4 de 1 Go et un MP3 de 50 Mo contenant le même audio produisent des transcriptions identiques. Le MP4 prend simplement plus de temps à envoyer. Pour un travail de transcription pur, les formats audio seuls sont toujours le choix le plus efficace. L'exception est le travail de sous-titrage, où vous souhaitez conserver le fichier vidéo comme référence.

Les formats audio

MP3

Le défaut pratique pour presque tout. Support universel, fichiers légers, aucune surprise de compatibilité.

• Compression : Avec perte. 128 kbps est acceptable ; 192 kbps est le point idéal de précision pour la parole ; 320 kbps est le plafond pratique.
• Fréquence d'échantillonnage : Généralement 44,1 kHz. Les modèles de transcription rééchantillonnent en interne à 16 kHz.
• Taille de fichier : Un fichier de 60 minutes à 192 kbps mono = environ 86 Mo.
• Idéal pour : Podcasts, mémos vocaux, interviews, tout enregistrement uniquement parlé où vous voulez des fichiers légers.

Le MP3 supprime le contenu haute fréquence lors de l'encodage. À 192 kbps et au-delà, la perte est négligeable pour la transcription. À 64 kbps et en dessous, les fricatives (« f », « s », « sh ») deviennent floues et la précision chute nettement.

WAV

Audio PCM non compressé. Chaque échantillon est stocké explicitement.

• Compression : Aucune.
• Fréquence d'échantillonnage : De 8 kHz à 192 kHz. 16 kHz est la norme des modèles de reconnaissance vocale.
• Taille de fichier : Un fichier mono de 60 minutes à 16 kHz = environ 110 Mo. Le même enregistrement en 44,1 kHz stéréo gonfle à environ 600 Mo.
• Idéal pour : Les enregistrements masters que vous comptez monter, le travail de diffusion professionnel, ou les situations où vous ne voulez aucune étape avec perte dans la chaîne.

Le WAV est souvent excessif pour l'envoi. Si vous êtes sur une connexion lente ou proche d'une limite de taille, convertir en MP3 à 192 kbps ne fait perdre pratiquement aucune précision. Pour une comparaison détaillée, voir WAV vs MP3 pour la transcription.

M4A

Le format par défaut des appareils Apple. Parfois décrit comme « de l'AAC dans un conteneur MP4 ».

• Compression : Avec perte (codec AAC). Légèrement plus efficace que le MP3 à débit égal.
• Fréquence d'échantillonnage : Généralement 44,1 kHz.
• Taille de fichier : Un fichier de 60 minutes à 128 kbps = environ 58 Mo.
• Idéal pour : Mémos vocaux iPhone, exports GarageBand, tout audio d'origine Apple.

M4A et AAC sont quasi identiques : M4A est le conteneur, AAC est le codec qu'il contient. La plupart des outils gèrent les deux de façon interchangeable. Il n'y a aucune raison de convertir un mémo vocal iPhone avant l'envoi.

FLAC

Compression sans perte. Même qualité audio que le WAV, fichier plus petit.

• Compression : Sans perte (aucune donnée audio n'est supprimée).
• Fréquence d'échantillonnage : Typiquement 44,1 kHz ou 48 kHz.
• Taille de fichier : Un fichier stéréo de 60 minutes = environ 300 Mo.
• Idéal pour : Les flux d'archivage où vous ne pouvez vous permettre aucune étape avec perte et où vous voulez des fichiers plus petits que le WAV.

Le FLAC est rarement le bon format pour l'envoi en transcription. Le gain de précision par rapport à un MP3 propre à 192 kbps est essentiellement nul pour la parole, et les fichiers restent bien plus gros que le MP3. Il est surtout utile dans les chaînes audiophiles et d'archivage où l'audio sera ensuite traité davantage.

OGG / Opus

Formats open source. Opus en particulier est ce que WhatsApp, Discord et la plupart des applications WebRTC utilisent pour les messages vocaux.

• Compression : Avec perte. Opus est très efficace à bas débit, surpassant souvent le MP3 et l'AAC.
• Taille de fichier : Un fichier de 60 minutes à 64 kbps Opus = environ 29 Mo.
• Idéal pour : Messages vocaux WhatsApp, enregistrements WebRTC, outillage open source.

OGG est un conteneur (comme le MP4) ; Vorbis et Opus sont des codecs qui peuvent y résider. À 64 kbps et au-delà, Opus préserve bien la clarté de la parole.

AAC

Le codec brut, généralement livré dans un conteneur M4A mais parfois sous forme de fichier .aac autonome.

• Compression : Avec perte. Légèrement plus efficace que le MP3 à débit égal.
• Taille de fichier : Similaire au M4A.
• Idéal pour : Contenus d'Apple Podcasts, de l'iTunes Store ou des flux de diffusion modernes.

AAC et M4A sont traités de manière identique par les outils de transcription. Vous aurez rarement besoin de les distinguer en pratique.

WMA

Windows Media Audio. Peu courant en 2026 mais toujours présent sur les anciens systèmes.

• Compression : Avec perte (codec propriétaire de Microsoft).
• Idéal pour : Enregistrements Windows anciens. Convertissez en MP3 si vous traitez des fichiers en masse.

Le WMA est accepté par la plupart des outils modernes, mais il vaut la peine de convertir d'abord en MP3 si vous avez beaucoup de fichiers : cela évite tout cas limite de décodage de codec en aval.

Les formats vidéo

MP4

Le conteneur vidéo dominant. L'audio qu'il contient est généralement en AAC ; la vidéo est typiquement en H.264 ou H.265.

• Idéal pour : Téléchargements YouTube, captures d'écran vidéo, vidéos de smartphone, exports Loom.
• Qualité audio : Généralement 128-192 kbps AAC, qui se transcrit bien.

MOV

Le conteneur vidéo d'Apple. Fonctionnellement similaire au MP4.

• Idéal pour : Enregistrements QuickTime, vidéos iPhone, ScreenFlow, exports Final Cut Pro.

WebM

Format vidéo open source. Courant pour les enregistrements Google Meet et les outils d'enregistrement dans le navigateur.

• Audio : Généralement Opus.
• Idéal pour : Enregistrements Google Meet, outils de capture web, téléchargements Twitch.

MKV

Le conteneur Matroska. Flexible, souvent utilisé pour la vidéo téléchargée en haute qualité.

• Idéal pour : Enregistrements de conférences, interventions téléchargées, vidéo haute définition avec plusieurs pistes audio.

AVI, WMV, FLV

Des formats plus anciens que vous rencontrerez encore.

• AVI : Vidéo Windows ancienne. Accepté par la plupart des outils ; convertissez en MP4 si vous avez le choix.
• WMV : Windows Media ancien. Même conseil.
• FLV : Vidéo Flash ancienne. Rarement vu après 2020, mais certains vieux enregistrements l'utilisent encore.

Pour chacun d'eux, convertir en MP4 avant l'envoi produit des fichiers plus petits et évite tout décodage de codec ésotérique.

Quand le choix du format compte réellement

La plupart du temps, le choix du format n'a pas d'importance : n'importe quel outil moderne gérera le MP3, le WAV, le M4A et le MP4 sans broncher. Les cas où il compte vraiment :

Fichiers avec perte à faible débit. Un MP3 à 32 ou 48 kbps, ou un enregistrement téléphonique fortement compressé, introduit assez de flou sur les consonnes pour que même le meilleur modèle peine. Si vous pouvez réenregistrer à un débit supérieur, faites-le avant de transcrire.

Conversion d'un format avec perte vers un format sans perte. Si vous prenez un MP3 et le convertissez en WAV, vous obtenez un gros fichier WAV avec la même perte de données que le MP3 d'origine. La conversion est définitive ; impossible de récupérer l'audio supprimé. La transcription sera identique à celle issue du MP3 d'origine.

Fichiers protégés par DRM. Les achats iTunes d'avant 2009 et certains fichiers de livres audio portent un DRM qui empêche l'extraction. Les transcrire nécessite d'abord de retirer le DRM, ce qui peut constituer une violation de licence selon votre cas d'usage.

Cas limites à débit variable. Certains fichiers encodés en VBR ont des en-têtes malformés qui perturbent les décodeurs. Réencoder à débit constant (CBR) corrige cela de façon fiable.

Son multicanal surround. Une piste audio 5.1 issue d'un enregistrement de film est inhabituelle comme entrée de transcription. La plupart des outils remixent automatiquement en mono ; certains refusent le fichier.

Mono contre stéréo

Le mono divise par deux la taille du fichier sans aucun coût de précision pour le contenu à un seul locuteur. La parole est intrinsèquement mono : votre voix est le même signal sur les deux canaux d'un enregistrement stéréo.

L'unique exception est l'enregistrement d'interviews sur pistes séparées, où un locuteur est placé sur le canal gauche et un autre sur le droit. Certains outils peuvent exploiter cette séparation de canaux pour la diarisation des locuteurs, en étiquetant les locuteurs par canal sans nécessiter de clustering acoustique. Si votre enregistreur prend en charge les pistes séparées et que votre outil de transcription prend en charge la diarisation par canal, cela vaut la peine de l'activer. Pour tout le reste, enregistrez en mono.

Fréquence d'échantillonnage

La norme des modèles de reconnaissance vocale est 16 kHz. Cette fréquence capture toute la plage de fréquences de la voix humaine (qui se situe en dessous de 8 kHz) avec de la marge. Des fréquences d'échantillonnage plus élevées (44,1 kHz pour l'audio CD, 48 kHz pour la diffusion, 96 kHz pour le matériel de studio) ajoutent de la taille de fichier sans aucun bénéfice de précision pour la reconnaissance vocale.

Pratiquement tous les outils de transcription rééchantillonnent en interne à 16 kHz. Envoyer de l'audio à 44,1 kHz signifie simplement un envoi plus volumineux pour le même résultat. Sur une connexion lente, rééchantillonner avant l'envoi fait gagner du temps :

ffmpeg -i input.wav -ac 1 -ar 16000 output_16k.wav

Taille de fichier et limites pratiques

Les outils de transcription plafonnent la taille ou la durée des fichiers, les offres gratuites étant plus restrictives que les offres payantes. Le schéma est cohérent d'un outil à l'autre : les offres gratuites limitent soit par total de minutes par mois, soit par durée par fichier ; les offres payantes relèvent sensiblement ces plafonds ou les suppriment.

Si votre fichier se heurte à une limite, vos options sont :

1. Convertir vers un format plus efficace. Un WAV de 600 Mo devient environ 50 Mo en MP3 à 192 kbps, souvent suffisant pour passer sous une limite de taille sans aucun coût de précision.
2. Couper le fichier à une pause naturelle. Audacity et FFmpeg savent tous deux le faire.
3. Utiliser l'envoi par URL si disponible. Certains outils, dont ConvertAudioToText, acceptent une URL et téléchargent le fichier côté serveur, contournant entièrement votre bande passante d'envoi.

La porte de secours FFmpeg

Si vous êtes bloqué avec un format problématique, convertir vers un MP3 mono propre via FFmpeg résout presque tous les cas limites :

ffmpeg -i input.weird-format -ac 1 -ar 16000 -b:a 192k output.mp3

Cette commande produit un MP3 mono, 16 kHz, 192 kbps à partir de tout ce que FFmpeg sait lire (c'est-à-dire presque tout).

Carte des formats : référence rapide

Mon avis : la chose la plus utile à retenir de ce tableau est que toutes les lignes Vidéo se ramènent à « extraction de l'audio d'abord ». Une fois cela intégré, l'inquiétude autour du choix du conteneur pour les fichiers vidéo disparaît largement.

Choisir un format quand vous avez le choix

Si vous enregistrez un nouvel audio spécifiquement pour la transcription :

• MP3 à 192 kbps mono pour le contenu uniquement parlé. Petit, universel, précis.
• M4A à 128 kbps AAC si vous êtes sur un appareil Apple et voulez le format natif.
• WAV à 16 kHz mono si vous avez de l'espace de stockage et ne voulez aucune étape avec perte dans la chaîne.

Pour le travail vidéo, le MP4 avec vidéo H.264 et audio AAC à 128 kbps ou plus est le choix sûr par défaut.

FAQ

Le choix du format affecte-t-il réellement la précision de la transcription ?

Rarement en pratique. La qualité de l'enregistrement sous-jacente au format compte bien plus que le conteneur ou le codec. Un MP3 propre et bien enregistré à 192 kbps produira une transcription quasi identique à celle d'un WAV du même audio. Les exceptions sont les débits très faibles (en dessous de 64 kbps), les audios téléphoniques fortement compressés et les fichiers aux en-têtes corrompus.

Dois-je convertir mon fichier en WAV avant de l'envoyer ?

Uniquement si votre source est déjà en WAV ou sans perte. Convertir un format avec perte comme le MP3 ou le M4A en WAV ne restaure aucune donnée audio : les décisions de compression d'origine sont définitives. La conversion ne fait que gonfler la taille du fichier sans aucun bénéfice de précision.

Quel est le meilleur format pour transcrire un mémo vocal iPhone ?

Le M4A, qui est le format natif utilisé par les iPhone. Il n'y a aucune raison de le convertir d'abord. Le M4A utilise le codec AAC et est accepté directement par tous les outils de transcription modernes.

Pourquoi les modèles de transcription préfèrent-ils l'audio à 16 kHz ?

La parole humaine se situe en dessous de 8 kHz. Une fréquence d'échantillonnage de 16 kHz capture toute la plage de fréquences de la voix sans perte pour la reconnaissance vocale. Les fréquences plus élevées (44,1 kHz, 48 kHz) contiennent des fréquences que le modèle ignore : les envoyer signifie simplement un envoi plus lent, sans amélioration de la transcription.

Que faire si mon fichier est trop volumineux pour être envoyé ?

Trois options : convertir vers un format plus efficace (un WAV de 600 Mo devient environ 50 Mo en MP3 à 192 kbps), couper le fichier à une pause naturelle avec Audacity ou FFmpeg, ou vérifier si votre outil de transcription accepte une URL afin qu'il puisse télécharger le fichier côté serveur et contourner entièrement votre bande passante d'envoi.

Sources

• AssemblyAI : les meilleurs formats de fichiers audio pour la transcription - vérifié le 2026-07-02
• Page tarifs de ConvertAudioToText - vérifié le 2026-07-02