Transcription de l'anglais accentué : le tableau honnête

Le tableau honnête

La transcription par IA gère l'anglais accentué bien mieux en 2026 qu'il y a cinq ans. L'écart qui était autrefois catastrophique est désormais modeste pour de nombreux accents. Mais « modeste » ne signifie pas « disparu », et pour certains groupes d'accents la disparité reste significative. Cet article documente où se situent ces écarts, pourquoi ils existent et ce que vous pouvez concrètement y faire.

Le mythe : l'IA moderne gère bien tous les accents anglais

La version marketing de cette histoire dit : des modèles plus grands, plus de données, une meilleure précision pour tout le monde. C'est en partie vrai. Mais les recherches évaluées par les pairs et les benchmarks indépendants racontent une histoire plus précise.

L'écart le mieux documenté oppose l'anglais vernaculaire afro-américain (AAVE) à l'anglais américain des locuteurs blancs. Une étude de Stanford publiée dans PNAS en 2020 (Koenecke et al.) a testé cinq grands systèmes ASR commerciaux et a relevé un taux moyen d'erreur de mots de 0,35 pour les locuteurs noirs contre 0,19 pour les locuteurs blancs. Soit environ le double du taux d'erreur, sur la même tâche. Une étude de 2024 portant sur les modèles auto-supervisés a révélé que wav2vec 2.0, HuBERT, WavLM et XLS-R perpétuent tous ce biais, avec des performances dégradées corrélées à la densité de caractéristiques phonologiques et morphosyntaxiques de l'AAVE dans l'audio. Il s'agit de modèles modernes de l'ère des transformers, pas de systèmes hérités.

Cette découverte concernant l'AAVE est importante parce qu'elle dément le récit selon lequel le problème des accents concernerait uniquement les locuteurs « non natifs ». Des locuteurs natifs américains dotés d'une phonologie AAVE marquée subissent un biais mesurable dans des systèmes entraînés pour optimiser l'anglais américain standard.

La réalité : les performances varient sensiblement selon les groupes

Voici une partition honnête de l'espace mondial des accents anglais, fondée sur les données actuelles et non sur le marketing des fournisseurs.

Les plus proches de la distribution d'entraînement (WER le plus faible) :

• Anglais américain, général ainsi que variétés régionales du Midwest et du Nord-Ouest Pacifique
• Anglais canadien
• Anglais du sud de la Grande-Bretagne standard (RP)

Écart réel mais plus faible :

• Anglais australien et néo-zélandais : une étude de 2024 (Graham et Roll) a révélé que les accents britannique et australien affichaient environ 30 % de WER relatif en plus que l'anglais américain ou canadien sur Whisper. Un benchmark a montré que l'API Whisper produisait un WER de 18,21 % sur des échantillons australiens, contre des taux bien plus faibles sur de l'audio américain.
• Anglais écossais et irlandais dans les registres soutenus
• Anglais philippin

Précision variable, souvent liée aux données d'entraînement :

• Anglais indien : très variable. Les locuteurs urbains professionnels de l'acrolecte indien se transcrivent désormais bien. Les variétés régionales (influence tamoule, influence bengalie, dialectes ruraux) produisent encore un WER élevé. Une étude sur le fine-tuning a réduit le WER de l'anglais à accent indien de 8,6 % à 7,1 % grâce à une adaptation spécifique à l'accent, ce qui suggère que l'écart est réel mais réductible.
• Anglais nigérian et ouest-africain en général : sous-représentés dans les corpus d'entraînement. Les recherches qui étiquettent ces locuteurs comme « Non-Natifs » génériques plutôt que comme communautés phonologiques distinctes ont aggravé le problème en le rendant invisible pour les développeurs de modèles.
• Singlish et anglais familier de Singapour
• Anglais L2 marqué chez des locuteurs de langues premières tonales (vietnamien, thaï, influence mandarine) : les études sur Whisper ont montré que ces groupes ont connu la baisse de précision la plus importante de tous les accents testés.
• Anglais américain régional très marqué (Appalachies profondes, zones rurales influencées par le créole louisianais)

Mon avis : la conclusion constante de plusieurs études menées entre 2024 et 2025 est que l'anglais américain et canadien demeure la distribution de référence, et que les performances se dégradent à mesure que la distance acoustique par rapport à cette référence augmente. Un benchmark de janvier 2025 a montré que Google Cloud STT éprouvait le plus de difficultés avec la parole accentuée, tandis que Whisper d'OpenAI et AssemblyAI s'en sortaient mieux, et que le modèle multimodal de Gemini donnait les meilleurs résultats de tous les moteurs sur l'audio fortement accentué. Ce classement vaut la peine d'être connu au moment de choisir un outil.

Pourquoi l'écart ne s'est pas complètement refermé

Trois mécanismes expliquent l'essentiel de la disparité restante.

Les données d'entraînement penchent toujours vers l'anglais américain mainstream. Whisper large-v3 a été entraîné sur environ 5 millions d'heures d'audio (1 million faiblement annotées et 4 millions pseudo-annotées via le modèle précédent), une expansion massive par rapport aux 680 000 heures du Whisper original. Mais l'audio collecté sur le web reflète de manière disproportionnée ceux qui produisent et publient du contenu en ligne. Les communautés qui publient moins d'audio sur le web public sont sous-représentées dans ces données, quel que soit le nombre total d'heures.

Inventaire de phonèmes et différences prosodiques. L'anglais indien tend vers un rythme syllabique plutôt qu'accuentuel, ce qui décale la structure temporelle attendue par le modèle. Les locuteurs dont la langue première est tonale transfèrent leurs schémas de hauteur depuis leur langue maternelle vers l'anglais, créant des signatures acoustiques différentes des attentes du modèle. Un accent qui fusionne des distinctions vocaliques que le modèle a été entraîné à séparer, comme « pen » et « pin » dans certains dialectes, produit des erreurs constantes et prévisibles. Ce ne sont pas des échecs aléatoires ; ce sont des inadéquations structurelles entre systèmes phonologiques.

Le problème de l'étiquetage « non natif ». La recherche académique a souligné que la curation des données regroupe souvent des communautés d'accents distinctes sous une seule catégorie « Anglais non natif ». Un modèle entraîné sur cette étiquette ne peut distinguer l'anglais nigérian de l'anglais à accent vietnamien ni de l'anglais à accent hongrois. La réalité acoustique de chacun est différente. Les traiter comme une seule entité pendant l'entraînement rend la modélisation précise de chacun plus difficile.

Ce que les fournisseurs devraient dire

Le chiffre « 98 % de précision » que vous voyez sur les pages d'accueil provient généralement de benchmarks réalisés sur de l'anglais américain propre. La plupart des fournisseurs ne publient pas de ventilations de précision par accent, ce qui signifie que comparer des outils sur de l'audio accentué exige de tester avec vos propres échantillons.

L'exception est Speechmatics, qui propose un modèle « Global English » explicitement conçu pour gérer n'importe quel accent anglais sans sélection côté utilisateur d'un pack d'accent. S'il surpasse les concurrents agnostiques du moteur sur votre accent spécifique, c'est quelque chose que vous devriez vérifier avec un échantillon de 5 minutes de votre propre audio, pas avec leur page marketing.

Un signe qu'un fournisseur prend cela au sérieux : il expose des fonctionnalités de biaisage par mots-clés et d'indices plutôt que d'attendre du modèle qu'il généralise à partir du seul contexte acoustique.

Ce qui aide vraiment

La qualité d'enregistrement a plus d'effet que vous ne le pensez

La façon la plus fiable d'améliorer la précision de transcription sur de l'audio accentué est d'avoir de meilleures conditions d'enregistrement. Un résumé de benchmark a noté que la proximité du micro compte plus que son prix : un micro directionnel d'entrée de gamme tenu à 8-10 centimètres des lèvres du locuteur surpasse un micro de conférence haut de gamme posé sur un bureau de l'autre côté de la pièce.

Un audio propre donne au modèle un signal plus exploitable. Lorsque le modèle opère déjà à la limite de sa distribution d'entraînement pour un accent donné, réduire le bruit lui fournit les meilleures preuves acoustiques possibles sur lesquelles travailler. Cela aide les locuteurs accentués de manière disproportionnée par rapport aux locuteurs déjà proches de la distribution de référence du modèle.

Voir la précision de transcription expliquée pour une analyse complète de l'interaction entre qualité du signal et WER.

Biaisage par mots-clés et vocabulaire

Whisper et Deepgram Nova-3 prennent tous deux en charge des indices qui orientent le modèle vers le vocabulaire attendu. Deepgram Nova-3 accepte jusqu'à 1 000 termes personnalisés par requête avec des pondérations configurables. Universal-3 Pro d'AssemblyAI accepte des invites de mots-clés en langage naturel allant jusqu'à 1 500 mots. Whisper prend en charge les invites de glossaire.

Pour les locuteurs accentués qui utilisent des noms propres spécifiques, des termes régionaux ou du vocabulaire métier, une liste d'indices peut restaurer la précision sur exactement les mots qui comptent le plus pour la transcription. Si vous transcrivez une conférence fintech à Lagos, fournir directement en indices des termes comme « Naira », « fintech », « NITDA » et les noms d'entreprises pertinents oriente le modèle vers le bon vocabulaire avant même qu'il commence à décoder.

Exécutez deux moteurs sur l'audio à forts enjeux

Pour les dépositions judiciaires, les entretiens journalistiques ou les enregistrements de recherche où chaque mot compte, faire passer le même audio par Whisper Large-v3 et Deepgram Nova-3 puis comparer les résultats permet de repérer les erreurs qu'un moteur commet et que l'autre évite. Les moteurs échouent sur des caractéristiques acoustiques différentes, si bien que les erreurs se chevauchent rarement exactement. Notre article sur Deepgram Nova-3 couvre ce que Nova-3 fait bien.

C'est plus de travail, mais pour de l'audio accentué à la limite de ce que l'IA gère de manière fiable, cela vaut souvent le coût de calcul.

La révision humaine pour les cas les plus difficiles

Pour l'audio situé à la limite de ce que l'IA peut gérer, la transcription humaine reste la bonne réponse. Ce n'est pas un échec de l'IA ; c'est une correspondance exacte entre les capacités actuelles et les cas d'usage actuels. Voir la comparaison honnête dans IA vs transcription humaine.

Le seuil pratique : si la transcription IA de votre échantillon audio nécessite plus de 10 à 15 minutes d'édition par heure d'audio, la transcription assistée par humain sera probablement plus rapide globalement.

Le fine-tuning pour un travail à fort volume centré sur un accent

Pour les organisations qui transcrivent un accent homogène à fort volume, le fine-tuning d'un modèle Whisper de base sur de l'audio annoté issu de votre population de locuteurs peut combler une partie de l'écart restant. Des recherches sur l'anglais à accent indien ont montré une réduction du WER de 8,6 % à 7,1 % grâce à une adaptation ciblée. Une étude du gouvernement britannique sur les dialectes régionaux britanniques (Adapting Whisper for Regional Dialects, 2025) a constaté des gains similaires pour l'anglais glaswégien et gallois avec des jeux de données annotés même modestes.

Le fine-tuning n'est pas une solution miracle : il faut quelques centaines d'heures d'audio annoté pour des gains significatifs, et l'amélioration est spécifique à l'accent plutôt que générale. Mais pour un centre d'appels ou un prestataire de santé traitant une seule population régionale, c'est le bon outil.

La voie de la langue maternelle

Parfois, la meilleure option est de ne pas transcrire l'anglais du tout. Un locuteur plus à l'aise dans sa langue première produit souvent un audio plus clair dans cette langue qu'en anglais accentué, et la sortie de transcription dans la langue maternelle peut être plus précise qu'une transcription en anglais.

Whisper Large-v3 prend en charge 99 langues nativement. Pour les enregistrements multilingues où les locuteurs alternent entre l'anglais et une autre langue, un schéma courant dans les affaires internationales, les moteurs modernes gèrent l'alternance codique mais peuvent produire des sorties confuses aux frontières linguistiques. Quand le cas d'usage le permet, un enregistrement monolingue évite entièrement ce problème. Consultez les guides transcription hindi et alternance codique et transcription espagnole si vos locuteurs sont plus à l'aise dans ces langues.

Le problème plus large : les accents non anglais dans un monde de l'IA centré sur l'anglais

Le biais d'accent dans l'ASR est une facette d'un problème plus large traité dans pourquoi l'IA peine avec les langues peu dotées en ressources : les données d'entraînement reflètent qui a historiquement eu accès aux équipements d'enregistrement, à la bande passante et aux plateformes qui indexent l'audio. Les locuteurs qui ont le plus besoin d'une transcription de haute qualité et abordable sont souvent les moins représentés dans les données qui ont produit le modèle.

Cette boucle de rétroaction commence lentement à se rompre. Des jeux de données de parole en langues africaines comme AfriSpeech-200, des corpus contribnés par les communautés et le fine-tuning d'entreprise sur des données de centres d'appels ajoutent de la couverture. Mais pour les utilisateurs d'Afrique de l'Ouest, d'Asie du Sud ou d'Asie du Sud-Est qui doivent transcrire l'anglais aujourd'hui, ces progrès sont inégaux et en cours. Connaître l'état actuel de la précision pour votre accent spécifique est plus utile que de supposer que le benchmark global s'applique à vous.

Testez d'abord votre propre audio

Si vous avez simplement besoin d'une transcription propre sans bot de réunion ni abonnement par siège, l'offre gratuite de ConvertAudioToText vous permet de tester jusqu'à 10 minutes d'audio réel avant de vous engager. Téléversez un échantillon issu de votre véritable population de locuteurs et examinez le résultat. Votre propre audio prédit mieux la précision en conditions réelles que n'importe quel chiffre de benchmark, car le benchmark reflète une distribution qui inclut ou non votre accent.

Questions fréquentes

La transcription IA moderne gère-t-elle tous les accents anglais aussi bien ?

Non. De multiples études évaluées par les pairs confirment des écarts persistants. L'anglais américain et canadien produit systématiquement le WER le plus bas sur tous les grands moteurs. Les locuteurs d'AAVE font face à un WER environ deux fois supérieur à celui des locuteurs d'anglais américain blancs sur les anciens systèmes commerciaux, et ce biais persiste dans les modèles auto-supervisés modernes. L'anglais australien et britannique affiche environ 30 % de taux d'erreur relatif en plus que l'anglais américain sur Whisper dans certains benchmarks. L'anglais indien et ouest-africain varient considérablement selon la variété régionale et les conditions d'enregistrement.

Quel moteur de transcription gère le mieux l'anglais accentué ?

Cela dépend de votre accent spécifique et de votre cas d'usage. Un benchmark de janvier 2025 a montré que le modèle multimodal de Gemini donnait globalement les meilleurs résultats sur l'audio fortement accentué, avec AssemblyAI et Whisper devant Google Cloud STT et Azure en matière de robustesse aux accents. Speechmatics commercialise explicitement un modèle Global English pour n'importe quel accent. La réponse la plus fiable est de tester avec 5 minutes de votre propre audio sur deux ou trois moteurs avant de vous engager.

La qualité d'enregistrement compte-t-elle plus que l'accent lui-même ?

Pour la plupart des accents, oui. De meilleures conditions d'enregistrement (micro directionnel, pièce silencieuse, proximité immédiate de la bouche du locuteur) fournissent au modèle un signal acoustique plus exploitable. Lorsqu'un modèle opère déjà près de la limite de sa distribution d'entraînement pour un accent donné, un audio propre l'aide à surmonter l'incertitude phonologique. Le gain de WER apporté par un bon enregistrement dépasse souvent l'écart de WER dû à l'accent lui-même, surtout dans la plage de difficulté modérée.

Puis-je améliorer la précision pour mon accent spécifique sans créer un modèle personnalisé ?

Oui, grâce à deux techniques pratiques. D'abord, utilisez le biaisage par mots-clés : Deepgram Nova-3 et Universal-3 Pro d'AssemblyAI acceptent tous deux des listes de vocabulaire personnalisées qui orientent le modèle vers les termes attendus. Ensuite, fournissez dans Whisper une brève invite initiale contenant du vocabulaire représentatif. Ces techniques ne nécessitent aucun entraînement et peuvent récupérer plusieurs points de pourcentage de précision sur la terminologie spécifique au domaine. Pour un usage production à fort volume, le fine-tuning sur quelques centaines d'heures d'audio annoté issues de votre population de locuteurs représente un investissement plus important mais produit des gains plus durables.

Le biais AAVE est-il toujours un problème dans les modèles IA plus récents ?

Oui. Une étude de 2024 a révélé que les modèles d'apprentissage auto-supervisé modernes (wav2vec 2.0, HuBERT, WavLM, XLS-R) produisent tous un WER plus élevé sur les énoncés comportant davantage de caractéristiques phonologiques et morphosyntaxiques de l'AAVE. La disparité observée dans l'étude originale de Koenecke et al. publiée dans PNAS en 2020 (WER de 0,35 pour les locuteurs noirs contre 0,19 pour les locuteurs blancs sur cinq grands systèmes commerciaux) ne s'est pas totalement refermée dans les générations de modèles suivantes. La recherche se poursuit, et plusieurs groupes travaillent sur des jeux de données et des protocoles d'annotation spécifiques aux dialectes pour combler cet écart, mais à mi-2026 il reste bien réel.

Sources

• Koenecke, A. et al. "Racial Disparities in Automated Speech Recognition." PNAS, 2020. https://github.com/stanford-policylab/asr-disparities
• Graham, C. and Roll, J. "Evaluating OpenAI's Whisper ASR: Performance analysis across diverse accents and speaker traits." JASA Express Letters, 2024. https://pubs.aip.org/asa/jel/article/4/2/025206/3267247/
• Kerson AI. "Accent Bias in Speech Recognition: Challenges, Impacts, and Solutions." https://kerson.ai/research/accent-bias-in-speech-recognition-challenges-impacts-and-solutions/
• AssemblyAI. "How accurate is speech-to-text in 2026?" https://www.assemblyai.com/blog/how-accurate-speech-to-text
• ISCA Archive. "Self-supervised Speech Representations Still Struggle with African American Vernacular English." Interspeech 2024. https://www.isca-archive.org/interspeech_2024/chang24d_interspeech.html
• Arxiv. "Adapting Whisper for Regional Dialects: Enhancing Public Services for Vulnerable Populations in the United Kingdom." 2025. https://arxiv.org/pdf/2501.08502
• Deepgram. "Speech Recognition Accuracy: Production Metrics." https://deepgram.com/learn/speech-recognition-accuracy-production-metrics
• OpenAI / Hugging Face. "whisper-large-v3 Model Card." https://huggingface.co/openai/whisper-large-v3
• Deepgram Nova-3 Review, Transcribe Blog. "Is It Still the Fastest STT API in 2026?" https://transcriber.talkflowai.com/blog/deepgram-nova-3-review-benchmarks-pricing