Transcription et traduction en temps réel expliquées : fonctionnement de la reconnaissance vocale en direct, décalage, précision et coût.
La transcription en temps réel transforme la parole en texte pendant que la personne parle encore. Les mots apparaissent à l’écran un instant après avoir été prononcés, se figent en lignes définitives, et peuvent être lus par tous ceux qui suivent. Ajoutez la traduction en temps réel et chaque lecteur peut suivre le même discours dans sa propre langue, en texte ou lu à voix haute.
Ce guide aborde la transcription et la traduction en temps réel sous les deux angles : ce que voit un auditeur, d’où peut venir l’audio, ce qui détermine la précision, ce que les développeurs obtiennent d’une API et ce que cela coûte.
La transcription en temps réel, aussi appelée transcription en direct ou reconnaissance vocale en direct, est une reconnaissance de la parole qui s’exécute pendant que le son arrive encore. Un fichier enregistré peut être transcrit avec l’enregistrement entier en main. Une transcription en direct doit s’engager sur des mots en n’ayant que les toutes dernières secondes pour s’appuyer, et suivre le locuteur aussi longtemps qu’il parle.
Les sous-titres en direct sont la même chose affichée en courtes lignes sur une vidéo ou sur un écran.
Sur VocalStack, une transcription en direct peut écouter en 100 langues. Elle détecte seule la langue parlée et suit le locuteur s’il en change, ce qu’explique comment fonctionne la détection automatique de la langue, avec les cas où il vaut mieux nommer la langue à l’avance.
Le texte arrive en deux temps. Les mots les plus récents apparaissent d’abord en brouillon, qui peut encore changer à mesure que du son arrive. Un instant plus tard, le brouillon se fige en une ligne définitive qui ne change plus.
Le brouillon existe parce qu’un système de reconnaissance décide d’un mot en partie d’après ce qui le suit. « Ice cream » et « I scream » se ressemblent jusqu’à l’arrivée du mot suivant. Montrer l’hypothèse tôt, c’est ce qui donne à une transcription son allure de direct.
Le retard du texte sur le locuteur dépend de l’étape :
Deux retards se situent en dehors de cette chaîne. Quand la source est un flux public plutôt qu’un microphone, le flux traîne déjà derrière son bord en direct : une à trois secondes pour une simple radio en ligne, et de plusieurs secondes à une demi-minute pour du HLS. Et avec le Paiement à l’usage, une transcription en direct peut mettre jusqu’à 15 secondes à démarrer. Le détail complet, y compris les modes de latence Auto, Fast et Accuracy, se trouve dans latence de la traduction en direct, expliquée.
La traduction s’appuie sur la transcription. Une transcription en direct peut être traduite dans jusqu’à 10 langues à la fois, choisies parmi 100. Chaque auditeur en choisit une sur son propre appareil et peut en changer à tout moment ; la transcription déjà diffusée s’affiche à nouveau dans la nouvelle langue.
Toutes les langues sont traduites à partir de la même transcription : chaque auditeur reçoit donc les mêmes mots, et une correction les atteint tous.
Un auditeur qui préfère écouter plutôt que lire peut faire lire chaque ligne traduite à voix haute. Par défaut, chaque locuteur reçoit une voix prédéfinie distincte du même genre, si bien qu’un panel sonne toujours comme plusieurs personnes. Avec l’accord d’un locuteur, un hôte peut cloner sa voix à partir d’environ 30 secondes où il parle seul, et la traduction est alors lue avec sa propre voix.
La règle pour les voix est volontairement stricte. Une voix ne lit jamais que ce que cette même personne a dit, traduit dans une langue choisie par l’auditeur. Elle ne lit jamais un texte saisi par quelqu’un, et ne lit jamais les mots d’un locuteur avec la voix d’un autre.
La manière dont cela fonctionne pour toute une salle, de la mise en place de l’hôte à l’arrivée tardive d’un auditeur, est décrite dans un lien, toutes les langues.
Une transcription en direct a besoin d’une source audio. Voici celles que VocalStack accepte aujourd’hui :
Les sous-titres dans le lecteur propre de YouTube, via son bouton CC, arrivent bientôt. D’ici là, les spectateurs d’un direct YouTube suivent les sous-titres sur le lien de la diffusion.
Si vous avez besoin de transcription en direct sous Windows dès aujourd’hui, l’extension Chrome ou Edge, le plugin OBS et le tableau de bord dans un navigateur y fonctionnent.
Une diffusion est la façon dont d’autres personnes suivent une transcription en direct. C’est un lien et un code QR. Les auditeurs l’ouvrent dans un navigateur, choisissent une langue et lisent. Ils n’ont besoin d’aucun compte, n’installent rien, et ne coûtent rien : la facture ne change pas avec le nombre d’auditeurs ou de langues.
Une diffusion est publique par défaut et peut être protégée par un mot de passe. Si vous renommez son lien, l’ancien continue de fonctionner, si bien qu’un code QR imprimé sur un programme ne devient pas obsolète. Une même diffusion peut porter plusieurs transcriptions en direct : deux scènes peuvent donc partager un lien.
Un auditeur qui arrive en retard voit tout ce qui a été dit avant son arrivée, puis suit en direct. Ensuite, la vue Audience montre qui a écouté, dans quelle langue et à quel moment il a rejoint.
Pour les événements, la liste de contrôle pour une conférence multilingue couvre le son, les scènes et le budget, et transcription en direct pour les églises, les amphithéâtres et les salles du conseil couvre la version hebdomadaire de la même installation.
Tout ce qui précède peut se faire depuis du code. Pour du son en direct dans votre propre application, l’API propose des sessions temps réel : votre serveur fait un appel à POST /v1/realtime/sessions avec une clé d’API et reçoit en retour un streamUrl de courte durée. Votre client ouvre un WebSocket vers celui-ci, envoie l’audio brut au fur et à mesure de sa capture, et lit la transcription en retour sous forme de trames JSON.
Les trames suivent les deux mêmes étapes que celles qu’un lecteur voit. Un transcript.draft remplace la fin en direct, un transcript.committed ajoute une ligne définitive, et lorsque la traduction est activée, des phrases entières arrivent avec leurs traductions attachées. Les langues cibles, les étiquettes de locuteurs et le mode de latence peuvent être modifiés en cours de session avec session.update.
Une session temps réel ne stocke rien. Quand vous voulez que les mots soient conservés, corrigés et partagés avec un public, vous publiez l’audio vers une transcription en direct et une diffusion. Des SDK officiels pour TypeScript, Python et PHP encapsulent les deux, et un serveur MCP permet à un assistant d’IA d’utiliser le même compte.
Le tutoriel WebSocket construit pas à pas une vue de sous-titres fonctionnelle, et la référence de l’API détaille chaque champ. L’usage de l’API est facturé au même tarif que le tableau de bord.
La précision se décide surtout avant qu’un système de reconnaissance ne tourne, par le son qu’on lui donne. Quatre éléments font la plus grande différence.
Le microphone. Un microphone proche du locuteur, ou une sortie de la table de mixage de la salle, transporte la voix avec peu de la pièce. Un téléphone posé sur une table entend le locuteur plus l’écho, les chaises et les toux. C’est le facteur le plus important, et pourquoi un téléphone ne suffit pas pour une salle en explique la raison.
Bruit et chevauchement. Le bruit de fond provoque des mots perdus et des mots inventés, et deux personnes qui parlent en même temps brouillent à la fois les mots et l’identité de celui qui les a dits. Erreurs de transcription audio énumère sept causes courantes, à quoi chacune ressemble et comment la corriger.
Un script de référence. Les noms et termes connus sont reconnus tels quels. Les noms de produits d’une entreprise, un acronyme interne ou le nom de famille inhabituel d’un invité ne peuvent pas être connus à l’avance ; ajoutez donc un script ou des diapositives avant de commencer, et les noms et termes qu’ils contiennent sont écrits exactement comme vous les avez orthographiés.
Étiquettes de locuteurs. Les étiquettes peuvent être Off, On ou When Needed, ce qui les active dès qu’un second locuteur est entendu. Diarisation des locuteurs et reconnaissance vocale explique en quoi les deux réponses, ce qui a été dit et qui l’a dit, sont distinctes et se corrigent séparément.
Le mode de latence compte aussi : Fast fait sortir le texte plus tôt mais le révise davantage, Accuracy attend un peu plus longtemps.
Un chiffre de précision isolé en dit moins qu’il n’y paraît. Le taux d’erreur sur les mots compte un nom erroné comme un « le » omis, ce qui explique pourquoi ce que mesure le taux d’erreur sur les mots, et ce qu’il ne voit pas plaide pour juger un système aux erreurs qu’il vous permet de repérer et de corriger.
Aucune transcription en direct n’est parfaite ; l’écran de l’hôte comporte donc un onglet Fix. Il peut marquer les mots dont le système de reconnaissance n’était pas sûr, et toute ligne peut être ouverte et corrigée. Une seconde personne à la table peut les passer en revue pendant que le locuteur poursuit.
Quand l’hôte réécrit un mot ou une ligne, même une ligne encore en cours de prononciation, chaque auditeur voit la correction, dans chaque langue. Une ligne entendue avec trop peu de confiance est masquée aux auditeurs sous la mention « Audio unclear » plutôt que montrée fausse ; l’hôte, lui, la voit toujours.
L’enregistrement est conservé avec sa transcription, ses corrections et ses traductions. Ensuite, vous pouvez :
La durée de conservation de l’audio et des transcriptions dépend de la formule, et la page Tarifs l’indique.
La plupart des outils de transcription en direct se ressemblent lors d’une démonstration ; les différences apparaissent dans les questions ci-dessous. La colonne de droite décrit VocalStack tel qu’il est aujourd’hui.
| Question | Pourquoi c’est important | VocalStack |
|---|---|---|
| Quelles langues peut-il entendre ? | Un outil qui ne peut pas transcrire la langue du locuteur ne peut pas aider, aussi bonne que soit sa traduction. | 100 langues, détectées automatiquement, avec changement en cours de discours |
| Quel est le retard du texte sur le locuteur ? | Les lecteurs remarquent davantage un écart qui grandit qu’un mot erroné de temps en temps. | Texte d’origine avec une fraction de seconde de retard, traduction une à deux secondes plus tard ; trois modes de latence |
| Traduit-il, et qui choisit la langue ? | Une seule langue de sous-titres sur un seul écran laisse tous les autres de côté. | Jusqu’à 10 langues par transcription, chaque auditeur choisit la sienne |
| Peut-il dire la traduction à voix haute ? | Certains auditeurs ne peuvent pas lire, ou préfèrent ne pas le faire. | Voix prédéfinies par défaut ; la voix clonée d’un locuteur avec son consentement |
| Comment le public y accède-t-il ? | Les applications et les comptes font perdre des gens dès la porte. | Un lien et un code QR, sans compte, mot de passe facultatif |
| Peut-on corriger les erreurs en direct ? | Un nom mal entendu répété pendant une heure fait de vrais dégâts. | Corrections en direct transmises à chaque auditeur |
| D’où peut venir l’audio ? | Votre installation ne devrait pas avoir à changer pour s’adapter à l’outil. | Microphone, extensions de navigateur, application de bureau, OBS, RTMP, liens de flux |
| Y a-t-il une API ? | Vous voudrez peut-être des sous-titres dans votre propre produit. | API REST et WebSocket, SDK, serveur MCP, même tarif que le tableau de bord |
| Quelle est la tarification ? | Une tarification par auditeur ou par poste grossit avec votre audience. | À la seconde d’audio ; auditeurs et langues gratuits |
Sur VocalStack, vous payez à la seconde d’audio transcrite. À la date de rédaction, la transcription en direct coûte $0.60 de l’heure et les fichiers $0.20 de l’heure, sur toutes les formules, dans le tableau de bord comme par l’API. La traduction, les voix, les résumés, la diffusion et les auditeurs n’ajoutent jamais rien à la facture : une intervention d’une heure lue par 200 personnes en cinq langues coûte donc les mêmes $0.60 que si personne ne la lisait.
Les formules diffèrent sur quelques points :
Si personne n’a besoin de lire au fil de l’eau, importez l’enregistrement après coup au tarif fichier. Les tarifs, la durée de conservation et les limites en vigueur pour chaque formule figurent sur la page Tarifs.
Un nouveau compte VocalStack inclut $5 de crédit d’inscription et ne demande aucune carte. À $0.60 de l’heure, cela représente environ huit heures de transcription en direct, traduction et diffusion comprises. Ensuite, vous payez à la seconde. Les auditeurs sont toujours gratuits.
Oui. Une transcription en direct peut être traduite dans jusqu’à 10 langues à la fois pendant que la personne parle. La traduction apparaît une seconde ou deux après le texte d’origine, et chaque auditeur choisit sa propre langue.
Elle dépend surtout de l’audio. Un microphone proche ou une sortie de table, peu de bruit de fond, une seule personne qui parle à la fois et un script de référence contenant les noms donnent les meilleurs résultats. Les corrections en direct permettent à un hôte de rectifier ce qui reste faux pendant que l’intervention se poursuit.
Le texte dans la langue d’origine suit le locuteur avec une fraction de seconde de retard, et les traductions arrivent une seconde ou deux plus tard. Un flux public ajoute son propre retard avant que le son n’atteigne VocalStack.
Oui, avec l’extension Chrome ou Edge, le plugin OBS Studio, ou le tableau de bord dans un navigateur. L’application de bureau existe aujourd’hui sous macOS, Windows arrive bientôt.
Non. Les auditeurs ouvrent le lien de la diffusion ou scannent son code QR dans un navigateur, choisissent une langue et lisent. Il n’y a rien à installer.
Ouvrez le tableau de bord, lancez une transcription en direct depuis votre microphone et ouvrez son lien de diffusion sur votre téléphone. Le crédit d’inscription couvre vos premières heures, et vous pouvez voir par vous-même les brouillons se figer et la traduction suivre.