OpenAI lance deux nouveaux modèles de transcription : faut-il vraiment migrer ?

Fin juillet, OpenAI a envoyé un mail à ses développeurs pour annoncer deux nouveaux modèles de transcription, c'est-à-dire deux moteurs qui transforment la voix en texte. gpt-transcribe traite les fichiers déjà enregistrés. gpt-live-transcribe s'occupe du direct. La démonstration qui accompagne l'annonce est franchement culottée : dans la vidéo de présentation, un type joue de la guitare en chantant, tandis que le texte s'affiche correctement à l'écran. Sa propre guitare lui hurle dessus, et la machine suit quand même.

Si tu utilises déjà whisper-1 dans un projet, la vraie question n'est pas de savoir si la démonstration est impressionnante. Tu veux savoir si tu dois migrer. J'ai regardé les performances, les tarifs et surtout les fonctions qui disparaissent au passage. Curieusement, le mail insiste moins sur cette partie.

Deux modèles parce qu'il y a deux métiers

On confond souvent la transcription d'un fichier et celle d'une conversation en direct. Pourtant, ce ne sont pas les mêmes usages.

gpt-transcribe travaille sur un fichier terminé. Tu lui envoies un enregistrement, il te renvoie le texte. C'est le mode adapté à un podcast, un compte rendu de réunion, un mémo vocal ou une vidéo à sous-titrer. Il traite l'audio à environ 34 fois sa vitesse réelle. Une heure d'enregistrement est donc transcrite en moins de deux minutes.

gpt-live-transcribe fonctionne autrement. Il maintient une connexion ouverte et renvoie le texte au fur et à mesure que la personne parle, morceau par morceau. C'est le modèle prévu pour des sous-titres en direct ou un assistant vocal. Tu peux aussi choisir entre vitesse et exactitude grâce à cinq réglages, de minimal à xhigh. Plus tu attends, plus le modèle dispose de contexte et moins il se trompe.

Ce sont deux endpoints, c'est-à-dire deux points d'accès distincts dans l'API. Le second coûte quatre fois plus cher que le premier. Donc non, on ne choisit pas le direct « au cas où ».

Les chiffres, et ce qu'ils ne disent pas

OpenAI publie ses résultats sur son propre banc d'essai, nommé Real World Audio Benchmark. La mesure utilisée est le taux d'erreur sur les mots. Autrement dit, le pourcentage de mots que la machine écrit incorrectement.

Le mode fichier fait presque deux fois moins de fautes. Le mode direct, lui, gagne surtout le droit de dire qu'il a progressé.

Sur un autre banc d'essai, fondé sur les voix de Common Voice dans 22 langues, l'écart est encore plus marqué. L'ancien Whisper se trompait sur 40,37 pour cent des mots. Le nouveau tombe à 19,27 pour cent. Il fait donc moins de la moitié des fautes sur exactement le même audio.

Maintenant, la douche froide. Un article qui se contente de répéter les chiffres du vendeur ne sert à rien. Dans un classement indépendant relayé par The Decoder, gpt-transcribe arrive quatrième. Son taux d'erreur atteint 3,31 pour cent, contre 2,3 pour Scribe v2 d'ElevenLabs, 2,9 pour Gemini 3 Pro et 3,0 pour Voxtral Small de Mistral. OpenAI a progressé. OpenAI n'a pas gagné.

Dernière précaution, et c'est la plus utile : ces pourcentages sont des moyennes obtenues sur un son propre. Avec un enregistrement d'entreprise vraiment difficile, comme une conférence téléphonique à plusieurs, les taux d'erreur peuvent monter jusqu'à 43,8 pour cent. Aucun modèle ne peut sauver un mauvais micro. Un bon micro à 60 euros améliorera toujours davantage ta transcription qu'un changement de modèle.

Le prix, qui est la bonne surprise

Pour une fois, le plus récent est aussi moins cher. Profitons-en, ça n'arrive pas tous les jours.

Une heure d'audio transcrite coûte 36 centimes avec whisper-1, contre 27 centimes avec le nouveau modèle. C'est 25 pour cent de moins pour un résultat nettement meilleur, ce qui reste assez rare dans ce métier. Le direct coûte 1,02 dollar de l'heure, soit presque quatre fois le tarif du mode fichier. À ce prix, une réunion de deux heures sous-titrée en direct revient au prix d'un café.

Ce que tu gagnes vraiment : tu peux enfin briefer le modèle

La baisse de prix est agréable, mais le principal changement est ailleurs. Tu peux désormais donner du contexte au modèle avant qu'il écoute l'enregistrement.

Le modèle n'a jamais entendu le nom de ton produit. Maintenant, tu peux le lui donner avant, au lieu de tout corriger après.

Trois paramètres permettent de le guider. prompt décrit la situation en une phrase libre. keywords contient les mots que la machine ne peut pas deviner seule : noms propres, références de produits, sigles ou jargon métier. languages indique les langues attendues. Cela évite qu'une phrase en anglais, glissée au milieu d'une réunion en français, parte en vrille.

from openai import OpenAI
client = OpenAI()

with open("reunion.mp3", "rb") as audio:
    result = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=audio,
        response_format="json",
        prompt="Reunion technique sur un logiciel de facturation.",
        extra_body={
            "keywords": ["Digital3D", "AC-42", "PostgreSQL"],
            "languages": ["fr", "en"],
        },
    )
print(result.text)

Si tu as déjà passé des soirées à corriger le même nom propre, massacré par Whisper à chaque occurrence, tu comprends pourquoi ce paragraphe est le plus important de l'article. Il reste deux détails à connaître. Chaque mot-clé doit tenir sur une seule ligne et ne doit pas contenir les caractères < et >. Il ne faut pas non plus envoyer à la fois l'ancien paramètre language, au singulier, et le nouveau languages, au pluriel.

Ce que tu perds en quittant whisper-1

Voilà la partie que le mail d'OpenAI oublie soigneusement de mentionner. C'est pourtant elle qui peut décider de la migration.

• Les horodatages mot par mot disparaissent. Si ton projet surligne le mot lu ou replace l'audio lorsqu'on clique sur un mot, cette fonction ne marche plus.
• Les formats de sous-titres SRT et VTT disparaissent aussi. Le nouveau modèle renvoie du texte, pas un fichier de sous-titres prêt à être chargé dans un lecteur vidéo.
• La traduction vers l'anglais n'est plus disponible de la même manière. L'ancien endpoint de traduction n'est pas compatible. Il faut ensuite utiliser un véritable modèle de traduction.
• L'identification des locuteurs permet de savoir qui parle et à quel moment. Elle existe encore, mais sur un troisième modèle : gpt-4o-transcribe-diarize.

Autrement dit, whisper-1 n'est pas devenu inutile. Il est devenu spécialisé. Chez OpenAI, il reste le seul à proposer toutes ces fonctions.

Profitons-en pour tuer une rumeur : non, whisper-1 n'est pas condamné. J'ai vérifié la page officielle des retraits, parce qu'on lit le contraire un peu partout. L'annonce du 20 juillet 2026 prévoit le retrait de plusieurs modèles audio le 20 janvier 2027, mais elle ne cite jamais whisper-1. Il n'est donc pas urgent de fuir. Il peut être intéressant de migrer, ce qui n'est pas du tout la même chose.

Alors, on migre ou pas

Pour le mode fichier, l'adresse d'appel ne change pas. Tu utilises toujours POST /v1/audio/transcriptions. Tu modifies le nom du modèle, et c'est réglé. OpenAI propose un guide de la transcription et une recette de migration qui vont droit au but. Voici la réponse courte, dans l'ordre des questions à se poser :

• Tu transcris des fichiers et tu veux seulement récupérer du texte : migre sans hésiter. C'est moins cher, plus précis et l'appel reste le même.
• Tu as besoin des horodatages, des sous-titres ou de la traduction : reste sur l'ancien modèle. Il n'existe pas de remplacement direct. Tu perdrais une fonction pour en gagner une autre.
• Tu veux du direct : c'est un chantier, pas une simple migration. Il faut un autre endpoint, une connexion permanente, de l'audio en PCM à 24 000 Hz et un budget quatre fois plus élevé. Ne le fais que si le direct est vraiment au cœur du produit.
• Ton audio est mauvais et rempli de jargon : teste avant de choisir. C'est justement dans cette situation que le nouveau modèle peut prendre le plus d'avance, grâce aux mots-clés.

Dans tous les cas, garde une porte de sortie dans ton code. Le nom du modèle doit se trouver dans un fichier de configuration, pas au milieu de tes appels. En ce moment, les modèles changent plus vite que les projets qui les utilisent.

Et la synthèse vocale, dans tout ça

Si ton application parle aussi avec gpt-4o-mini-tts, le modèle qui transforme un texte en voix, rien ne change de ce côté. Aucune nouveauté n'a été annoncée. Le tarif reste autour de 0,015 dollar par minute générée.

En revanche, un piège vicieux mérite trente secondes de vérification. Si tu as choisi une version datée du modèle plutôt que son nom générique, la version gpt-4o-mini-tts-2025-03-20 a été débranchée le 23 juillet 2026. Elle a été remplacée par gpt-4o-mini-tts-2025-12-15. Regarde précisément ce que contient ta configuration. Un appel qui échoue en production un dimanche soir pour cette raison, c'est le genre de soirée qu'on n'oublie pas.

Concrètement, ça change quoi pour toi

Tu n'écris pas de code et tout ce qui précède t'a semblé incompréhensible ? Voici ce que ces changements peuvent produire dans ta vie, sans que tu aies quoi que ce soit à configurer.

La différence entre un texte qu'on doit déchiffrer et un texte qu'on peut simplement lire. C'est tout, et c'est énorme.

1. Les messages vocaux deviennent lisibles

Tu connais ce message vocal de deux minutes que tu ne peux pas écouter parce que tu es dans le train. Ton téléphone le transcrit déjà, mais il le fait mal. Les prénoms sont massacrés, les chiffres sont inventés et tu finis par écouter le message malgré tout. Passer de 15 à 9 pour cent de mots incorrects n'est pas une statistique abstraite. C'est la différence entre un texte que tu déchiffres et un texte que tu lis.

2. Les sous-titres sur les vidéos où personne n'articule

Les sous-titres automatiques fonctionnent très bien avec un présentateur qui parle clairement en studio. Ils s'écroulent devant la vidéo d'un cousin qui explique quelque chose dans une cuisine bruyante, avec un accent et des phrases inachevées. Les nouveaux modèles visent précisément ce type d'audio. La démonstration à la guitare sert à le montrer. Pour une personne qui entend mal, ce n'est pas du confort. C'est une question d'accès.

3. Le rendez-vous chez le médecin

Beaucoup de médecins dictent leur compte rendu après une visite. Un nom de médicament mal transcrit peut avoir de vraies conséquences. Ce n'est pas une simple coquille. Donner au modèle, avant la transcription, les noms des médicaments et le vocabulaire du métier permet précisément de réduire ce problème. Ce n'est pas la partie la plus spectaculaire de l'annonce. C'est probablement la plus utile.

Soyons honnêtes : rien de tout cela n'apparaîtra demain matin. Ce sont des briques que les applications pourront intégrer dans les mois qui viennent, sans forcément le crier sur les toits. Tu ne verras peut-être aucune annonce. Tu remarqueras simplement, un jour, que la transcription de tes messages vocaux t'énerve moins.

Ce que j'en pense

La vraie nouveauté n'est pas le taux d'erreur. Elle se trouve dans les mots-clés. Pendant des années, la transcription fonctionnait comme une boîte noire : tu envoyais du son, tu recevais du texte. Si le nom de ta boîte ressortait écorché, il ne te restait qu'à lancer un rechercher-remplacer. Pouvoir indiquer au modèle ce qu'il va entendre règle, en une ligne de code, l'un des problèmes les plus rageants de la transcription.

Pour le reste, restons lucides. OpenAI est quatrième dans le classement sur l'exactitude, Mistral reste moins cher et OpenAI vient surtout de rattraper son retard. La démonstration à la guitare est réussie, mais elle a été choisie et filmée par le vendeur. La seule mesure qui compte vraiment est la tienne. Prends dix minutes de ton pire enregistrement, avec l'accent, le bruit et les noms propres impossibles. Fais-le passer dans les deux modèles. Cela coûte moins d'un centime et t'en apprendra davantage que tous les bancs d'essai du monde.