Une heure d'audio transcrite pour 10 centimes : où est le piège ?

Microsoft a sorti mercredi un nouveau modèle de transcription, MAI-Transcribe-2. Tu lui donnes un enregistrement, il te rend le texte.

Le prix affiché : 10 cents de l'heure d'audio.

Prends une seconde pour te représenter ce que ça veut dire. Les quatre-vingts heures de réunions que tu as enregistrées cette année et jamais réécoutées : 8 dollars. Les cassettes de ta grand-mère que ta mère te réclame depuis trois Noëls : le prix d'un café. Une saison entière de podcast : moins qu'un sandwich.

Une pièce de dix centimes d'un côté. De l'autre, tout ce qu'elle paie maintenant.

D'abord, ce que ces 10 centimes remplacent

La génération précédente du même modèle était sortie à 36 cents de l'heure. On passe donc à moins d'un tiers du prix en une génération, ce qui, même dans ce métier où tout dégringole, se remarque.

Mais la vraie comparaison n'est pas celle-là. La vraie comparaison, c'est ce que ça coûtait de faire taper un enregistrement par quelqu'un : compte plusieurs dizaines d'euros de l'heure, et un délai de quelques jours. On est passé de « c'est un budget, on va y réfléchir » à « je le lance et je vais chercher le pain ».

Et c'est ça qui change tout, plus que la technique. Une dépense qui tombe sous le seuil où on se pose la question, ce n'est plus une dépense, c'est une habitude. Personne ne réfléchit avant d'allumer une lampe.

5,2 %, c'est bien ou c'est nul ?

Le chiffre que tout le monde cite dans ce domaine s'appelle le taux d'erreur sur les mots. On fait lire au modèle un enregistrement dont on connaît la transcription exacte, on compare, et on compte les mots ratés, ajoutés ou inventés. Plus c'est bas, mieux c'est.

MAI-Transcribe-2 annonce 5,2 % en moyenne sur soixante langues, sur une épreuve de référence appelée FLEURS, et il y arrive premier.

Concrètement, 5,2 %, c'est un mot faux sur vingt. Sur une phrase de vingt mots, il y en a un qui cloche. C'est très correct, et ça reste loin d'être parfait : tu ne publies pas ça sans le relire. En revanche, pour retrouver un passage dans trois heures d'enregistrement, ou pour se faire une idée de ce qui s'est dit dans une réunion, c'est largement suffisant.

Petite précision d'honnêteté, parce que Microsoft ne la met pas en avant : sur le classement indépendant d'Artificial Analysis, qui mesure la même chose de son côté, le modèle arrive deuxième et pas premier. Premier chez soi, deuxième chez l'arbitre. Ça reste une très bonne place.

La vitesse, c'est là que ça devient marrant

Microsoft annonce jusqu'à dix fois plus rapide que le modèle de transcription d'OpenAI, sept fois plus rapide que celui d'ElevenLabs et cinq fois plus rapide que celui de Google.

Même heure d'enregistrement, quatre files d'attente. Devine laquelle Microsoft a mise sur l'affiche.

Sur un fichier de deux minutes, franchement, tu t'en fiches. Sur l'enregistrement de trois heures d'une réunion, ou sur les quarante vidéos qui dorment dans un dossier depuis 2019, ce n'est plus le même métier. Ce qui prenait une soirée prend le temps de faire couler un café.

Les deux options qui font vraiment la différence

Le prix et la vitesse, c'est ce qui fait les titres. Mais deux fonctions ajoutées dans cette version comptent davantage à l'usage.

La première, c'est la séparation des voix : le modèle ne rend pas un bloc de texte, il te dit qui parle. Une réunion à six devient un dialogue lisible au lieu d'une bouillie où on ne sait plus qui a promis quoi. Si tu as déjà relu le compte rendu automatique d'une visio, tu sais exactement de quoi je parle.

Avant : un pavé de texte où six personnes parlent en même temps. Après : on sait enfin qui a promis de s'en occuper.

La seconde, c'est l'horodatage mot par mot. Le modèle ne dit pas seulement ce qui a été dit, il dit à quelle milliseconde chaque mot a été prononcé. Ça a l'air d'un détail de technicien, et c'est pourtant ce qui sépare un sous-titre qui colle parfaitement à la bouche d'un sous-titre qui traîne une seconde derrière et rend la vidéo pénible à regarder. Pour quiconque bricole des sous-titres de vidéo, c'est la fonction qui compte.

Il y a aussi de quoi lui donner à l'avance une liste de mots qu'il doit reconnaître, ce qui sauve les noms propres, les marques et le vocabulaire d'un métier, et il se débrouille quand quelqu'un change de langue au milieu d'une phrase, ce qui, en Belgique, n'est pas exactement un cas d'école.

Bon, alors, le piège ?

Il y en a un, et il est écrit noir sur blanc dans l'annonce, à condition de descendre assez bas dans la page.

Les 10 cents sont un tarif de lancement, valable jusqu'au 31 décembre 2026. Après, ce sera autre chose, et Microsoft n'a pas dit quoi. Donc si tu construis quelque chose là-dessus, garde en tête que le prix sur lequel tu calcules ton budget a une date de péremption dans quatre mois.

Le principe de l'étiquette de promotion : le prix en gros, la date de fin en tout petit.

C'est de bonne guerre, remarque. Tout le monde fait pareil, et pour une fois la date est annoncée au lieu d'arriver par surprise dans un mail un mardi matin.

Ce que j'en fais, moi

Il y a des trucs que je remets à plus tard depuis des années uniquement parce que ça coûtait trop cher en temps ou en argent. Ranger et retrouver ce qui s'est dit dans une réunion, par exemple. Ou les vieux enregistrements de famille que personne n'a jamais rouverts.

À 10 cents de l'heure, l'excuse tombe. Et c'est exactement ce que je reprochais aux deux modèles de transcription qu'OpenAI avait sortis il y a un mois : ils étaient bons, mais pas au point de justifier qu'on refasse toute sa tuyauterie. Là, la question ne se pose plus dans le même sens. Ce n'est plus « est-ce que ça vaut le coup de migrer », c'est « pourquoi je ne transcris pas tout, tout le temps, systématiquement ».

J'ai d'ailleurs créé un petit logiciel gratuit que je vous recommande pour transcrire vos fichiers audio ou vos films en sous-titres SubRip : c'est AiSrt, une ligne de commande qui utilise le modèle Whisper et qui coûte pas un rond pour transcrire vos fichiers.

Donc bon, merci Microsoft, mais je vais continuer avec Whisper en local, qui fait très bien son boulot gratuitement. Pour les réunions à 6 personnes, à voir si ça peut intéresser mon boss lors de ses réunions avec ses sbires.

Sources

• Microsoft AI : MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world, 3 septembre 2026, l'annonce d'origine, le taux d'erreur de 5,2 % sur FLEURS, les comparaisons de vitesse, les nouvelles fonctions et le tarif de lancement jusqu'au 31 décembre
• VentureBeat : Microsoft AI's MAI-Transcribe-2 undercuts OpenAI, Google and ElevenLabs on price and speed, le prix de la génération précédente, la deuxième place sur le classement indépendant d'Artificial Analysis et le caractère temporaire du tarif
• Neowin : Microsoft's MAI-Transcribe-2 model beats OpenAI and Google while costing just $0.10 per hour, la couverture des soixante langues et les points de comparaison avec la concurrence