Quelle est la précision de la transcription IA selon la langue ? Benchmarks WER par langue (2026)
La précision de la transcription IA varie énormément selon la langue. Nous avons compilé les taux d’erreur de mots par langue du benchmark FLEURS publié dans l’article Whisper : quelles langues approchent le niveau humain, lesquelles exigent une relecture et lesquelles les modèles généralistes ne peuvent pratiquement pas transcrire.
La précision de la transcription varie fortement selon la langue. Sur le benchmark FLEURS, Whisper d’OpenAI obtient des taux d’erreur de mots d’environ 3-5 % en anglais, espagnol, italien et allemand, des valeurs à un chiffre élevé pour des langues moyennement dotées comme le néerlandais, le turc et le vietnamien, et plus de 75 % dans de nombreuses langues peu dotées comme l’amharique, le yoruba et le birman, où un modèle généraliste ne peut pratiquement pas produire de texte utilisable. L’écart vient du volume de données d’entraînement, de la complexité phonétique et du système d’écriture.
Ce guide présente des WER par langue compilés à partir des résultats FLEURS publiés dans l’article Whisper (OpenAI, 2022), organisés par niveau de précision. Si vous évaluez la transcription pour une langue précise, ou si vous vous demandez pourquoi votre audio allemand est transcrit presque parfaitement alors que votre audio thaï ne l’est pas, les données ci-dessous expliquent l’écart.
Ce que ces chiffres sont (et ne sont pas). Tous les chiffres ci-dessous sont des WER de Whisper large-v2 sur le benchmark FLEURS, issus de l’annexe D.2.4 de l’article Whisper, la table WER par langue la plus complète publiée par un grand laboratoire. Il s’agit d’un modèle sur un benchmark de parole lue, pas d’un test en conditions réelles que nous aurions exécuté. Considérez-les comme une base de comparaison, pas comme le meilleur résultat actuel : des systèmes plus récents (Whisper large-v3, NVIDIA Canary et des fournisseurs spécialisés par langue) font nettement mieux dans beaucoup de langues difficiles ; par exemple, large-v3 fait passer le maltais d’environ 77 % WER à environ 26 % de taux d’erreur de caractères. Pour le chinois, le japonais, le thaï, le lao et le birman, l’article Whisper insère des espaces entre les caractères et rapporte un taux d’erreur de caractères (CER) ; ces valeurs sont donc déjà au niveau caractère, pas au niveau mot. Le coréen utilise l’espacement normal des mots : sa valeur est donc un vrai WER, même si elle est gonflée par les conventions d’espacement coréennes.
TL;DR : niveaux de précision en un coup d’œil
| Niveau | Plage WER | Langues (représentatives) | À quoi s’attendre |
|---|---|---|---|
| Niveau 1 | moins de ~6 % WER | Anglais, espagnol, italien, allemand, japonais (CER), polonais, russe | Précision proche de l’humain sur audio propre |
| Niveau 2 | ~6-11 % WER | Néerlandais, indonésien, catalan, français, turc, suédois, malais, vietnamien | Qualité production, corrections mineures |
| Niveau 3 | ~11-16 % WER | Thaï, grec, tchèque, croate, danois, coréen, roumain, mandarin (CER), arabe | Utilisable, mais prévoir une vraie relecture |
| Niveau 4 | ~16-40 % WER | Tamoul, hindi, ourdou, hébreu, serbe, kannada, marathi, swahili | Qualité brouillon, révision humaine requise |
| Niveau 5 | ~45 % à >100 % WER | Népalais, maltais, yoruba, khmer, lao, bengali, birman, amharique | Les modèles généralistes comme Whisper échouent en pratique ; modèles spécialisés nécessaires |
Les chiffres sont les WER FLEURS de Whisper large-v2 (OpenAI, 2022). Les tableaux par niveau ci-dessous donnent les valeurs exactes et les limites à garder en tête.
Comment les benchmarks WER sont mesurés
Comprendre ce que teste chaque benchmark évite l’erreur fréquente consistant à comparer un score de laboratoire à une performance en conditions réelles.
LibriSpeech (anglais uniquement) utilise des enregistrements propres de livres audio. C’est le benchmark courant le plus facile : ses chiffres représentent donc le plancher de ce qu’un modèle peut faire en conditions idéales. Le WER de pointe en anglais sur LibriSpeech test-clean se situe autour de 1,4-2,7 %.
FLEURS (Few-shot Learning Evaluation of Universal Representations of Speech) couvre 102 langues avec environ 12 heures de parole par langue, en utilisant les mêmes phrases dans toutes les langues (des traductions de contenus Wikipedia/FLoRes), ce qui rend la comparaison interlangues pertinente. C’est le benchmark multilingue le plus cité et la source des chiffres par langue de ce guide.
Common Voice (Mozilla) contient des enregistrements participatifs dans plus de 100 langues. Comme les locuteurs ne sont pas professionnels et enregistrent dans des environnements variés, le WER Common Voice est généralement plus élevé que FLEURS pour la même langue et le même modèle.
L’audio réel, avec accents, chevauchements de voix, bruit de fond et matériel imparfait, ajoute généralement 5-15 points WER à ces valeurs de benchmark. Un modèle à 5 % sur FLEURS peut donner 10-15 % sur un enregistrement Zoom typique.
Niveau 1 : très haute précision (moins de ~6 % WER)
Ces langues disposent des plus grands corpus d’entraînement et reçoivent le plus d’attention des développeurs de modèles. Sur audio propre, attendez-vous à des transcriptions prêtes pour la production avec très peu de retouches.
| Langue | Whisper large-v2 FLEURS WER | Notes |
|---|---|---|
| Espagnol | 3,0 % | Parmi les meilleurs scores de tous les benchmarks |
| Italien | 4,0 % | L’une des langues européennes les mieux couvertes |
| Anglais | 4,2 % | Langue de référence ; la plupart des benchmarks se concentrent dessus |
| Allemand | 4,5 % | Fort en allemand standard ; les dialectes suisses et autrichiens dégradent |
| Japonais | 5,3 % (CER) | Whisper mesure le japonais au niveau caractère ; la qualité des phrases est excellente |
| Polonais | 5,4 % | Exceptionnellement fort pour une langue slave |
| Russe | 5,6 % | Bon en russe standard ; les accents régionaux dégradent |
Si vous transcrivez l’une de ces langues sur audio propre, le modèle compte souvent moins que la qualité audio fournie.
Niveau 2 : haute précision (~6-11 % WER)
Ces langues disposent de données d’entraînement significatives, mais avec moins de volume que le Niveau 1 ou davantage de complexité phonétique. La plupart des cas de production fonctionnent bien ; prévoyez surtout quelques corrections de noms propres et de termes techniques.
| Langue | Whisper large-v2 FLEURS WER | Notes |
|---|---|---|
| Néerlandais | 6,7 % | Bénéficie de sa proximité avec les données allemandes et anglaises |
| Indonésien | 7,1 % | Solide pour son niveau de ressources |
| Catalan | 7,3 % | Surperforme par rapport à son nombre de locuteurs grâce à des jeux dédiés |
| Français | 8,3 % | Le français européen domine les données d’entraînement |
| Turc | 8,4 % | La morphologie agglutinante ajoute de la complexité |
| Suédois | 8,5 % | Les corpus nordiques sont bien curés |
| Ukrainien | 8,6 % | S’est nettement amélioré après 2022 avec la croissance des jeux de données |
| Malais | 8,7 % | Partage des traits avec l’indonésien |
| Vietnamien | 10,3 % | Langue tonale ; les erreurs de ton sont le principal mode d’échec |
Niveau 3 : précision moyenne (~11-16 % WER)
C’est ici que la transcription IA devient visiblement imparfaite. Les transcriptions restent utilisables comme premier jet, mais il faut corriger plusieurs erreurs par minute, surtout sur les entités nommées et les nombres.
| Langue | Whisper large-v2 FLEURS WER | Notes |
|---|---|---|
| Thaï | 11,5 % (CER) | Mesuré au niveau caractère dans l’article Whisper, car il n’y a pas d’espaces entre les mots |
| Grec | 12,5 % | Corpus d’entraînement plus petit que d’autres langues européennes |
| Tchèque | 13,3 % | Solide malgré une morphologie lourde |
| Croate | 13,4 % | Les traits partagés avec les langues slaves du Sud aident |
| Danois | 13,8 % | Phonétique difficile, mais bien représenté |
| Roumain | 14,4 % | S’améliore à mesure que les jeux de données grandissent |
| Bulgare | 14,6 % | Langue slave moyennement dotée |
| Coréen | 14,3 % | L’espacement des mots gonfle le WER coréen ; la précision au niveau caractère est nettement meilleure, mais l’article ne publie pas de CER coréen |
| Mandarin | 14,7 % (CER) | Niveau caractère ; plus élevé que sa réputation sur parole lue FLEURS |
| Arabe | 16,0 % | Arabe standard moderne ; les dialectes égyptien, levantin et du Golfe sont beaucoup plus difficiles |
Le chiffre du mandarin surprend souvent : sur un audio propre et dans le bon domaine, beaucoup d’outils font mieux, mais sur la mesure FLEURS standardisée au niveau caractère, Whisper large-v2 se situe au milieu des dizaines. Les modèles plus récents réduisent cet écart.
Niveau 4 : faible précision (~16-40 % WER)
Ces langues comptent souvent des centaines de millions de locuteurs, mais peu de données d’entraînement annotées. La sortie est un brouillon qui exige une relecture humaine substantielle.
| Langue | Whisper large-v2 FLEURS WER | Notes |
|---|---|---|
| Tamoul | 17,5 % | Langue dravidienne à morphologie complexe |
| Hindi | 21,5 % | Forte variance selon les accents et le code-switching avec l’anglais |
| Ourdou | 22,6 % | Proche du hindi, mais écrit en alphabet perso-arabe |
| Hébreu | 27,1 % | Écriture de droite à gauche, morphologie riche |
| Serbe | 33,9 % | Nettement plus difficile que les langues slaves voisines sur FLEURS |
| Kannada | 37,0 % | Famille dravidienne, sous-représentée |
| Marathi | 38,3 % | Indo-aryen, ressources modérées |
| Swahili | 39,3 % | Langue véhiculaire d’Afrique de l’Est ; le jeu de données progresse |
Pour le Niveau 4, les workflows hybrides sont généralement les plus efficaces : l’IA produit le premier jet, puis un relecteur natif le nettoie.
Niveau 5 : là où les modèles généralistes échouent en pratique (~45 % à >100 % WER)
C’est le niveau où les chiffres rassurants de "~40-50 %" que l’on voit ailleurs deviennent très trompeurs. Sur FLEURS, Whisper large-v2 ne produit pas un brouillon approximatif mais utilisable pour ces langues : il produit un WER égal ou supérieur à 75 %, souvent au-dessus de 100 %, ce qui signifie plus d’erreurs que de mots. Elles sont pratiquement intranscriptibles par un modèle généraliste sans spécialisation.
| Langue | Whisper large-v2 FLEURS WER | Notes |
|---|---|---|
| Népalais | 47,1 % | Limite ; relecture lourde nécessaire |
| Maltais | 76,6 % | large-v3 améliore fortement ce point (~26 % CER) |
| Yoruba | 94,8 % | Tonal ; large-v3 atteint ~49 % CER, toujours difficile |
| Khmer | 99,7 % | Whisper large-v2 produit peu de sortie utilisable |
| Lao | 101,5 % | Pratiquement intranscriptible avec large-v2 |
| Bengali | 104,1 % | Base de locuteurs immense, mais Whisper large-v2 échoue ; large-v3 CER ~34 % |
| Birman | 115,7 % | Pratiquement intranscriptible avec large-v2 |
| Amharique | 140,3 % | Plus d’erreurs que de mots ; nécessite un modèle spécialisé |
Deux points comptent ici. D’abord, les modèles plus récents et spécialisés comblent une grande partie de l’écart : Whisper large-v3, ainsi que des fournisseurs entraînés sur des données propres à la langue, peuvent transformer un résultat large-v2 inutilisable en brouillon éditable (le maltais et le bengali en sont de bons exemples). Ensuite, le cinghalais n’est pas inclus dans l’évaluation FLEURS de Whisper ; tout chiffre précis de "WER cinghalais" pour Whisper n’est donc pas étayé par ce benchmark. Traitez cette langue comme non testée ici.
Ce qui creuse l’écart de précision
Le volume de données d’entraînement est le prédicteur le plus fort. Whisper a été entraîné sur 680 000 heures d’audio, majoritairement en anglais ; les langues bien dotées reçoivent des dizaines de milliers d’heures, les moins dotées seulement quelques centaines. Plus de données réduit fortement le WER, avec des rendements décroissants quand une langue devient bien couverte.
La complexité phonétique et du système d’écriture crée des plafonds même avec des données. Les langues tonales (mandarin, vietnamien, thaï, yoruba) obligent le modèle à distinguer des mots proches par la hauteur. Les langues agglutinantes (turc, finnois, swahili) construisent de longs mots avec de nombreux morphèmes, ce qui interagit mal avec la tokenisation. Les systèmes logographiques ou sans espaces (chinois, japonais, thaï) déplacent la métrique juste du WER vers le taux d’erreur de caractères.
L’adéquation au domaine audio compte autant que la langue. Un modèle entraîné surtout sur de la parole lue sous-performe sur une conversation spontanée dans la même langue. C’est pourquoi les chiffres FLEURS de parole lue sont un plancher, pas une promesse pour vos enregistrements de réunion.
Comment améliorer la précision dans les langues plus difficiles
Améliorez d’abord l’audio. Réduction du bruit, isolation des locuteurs et niveaux réguliers peuvent économiser plusieurs points WER sur de l’audio réel ; notre guide de transcription d’audio bruité couvre les gains les plus rapides.
Fournissez du contexte métier. De nombreuses API de transcription acceptent une liste de noms propres, de termes techniques ou de phrases probables ; les vocabulaires biaisés réduisent les erreurs de substitution sur le jargon et les entités nommées.
Choisissez le bon modèle par langue. Whisper domine certaines langues, NVIDIA Canary ou des fournisseurs spécialisés en dominent d’autres (notamment le japonais, le coréen et l’arabe). Si une langue est critique pour votre workflow, tester 2-3 fournisseurs sur un échantillon représentatif vaut largement l’heure investie.
Gardez un humain pour la dernière passe. Pour le Niveau 3 et au-dessous, un relecteur natif qui corrige un brouillon IA est plusieurs fois plus rapide qu’une transcription à partir de zéro et permet d’atteindre une précision finale bien supérieure à 98 %.
Des outils comme Vocova transcrivent plus de 100 langues avec détection automatique de la langue ; vous n’avez donc pas besoin d’étiqueter les fichiers à l’avance. Mais comme le montrent les données ci-dessus, la précision réaliste dépend toujours fortement de la langue traitée.
Questions fréquentes
Quelle langue a la transcription IA la plus précise ?
L’anglais, l’espagnol, l’italien et l’allemand dominent le benchmark FLEURS, avec environ 3-5 % de WER Whisper sur parole lue propre, le japonais étant tout proche en taux d’erreur de caractères. Sur de l’audio spontané réel, ajoutez 5-15 points à ces valeurs.
Quelle est la précision de Whisper selon les langues ?
Sur FLEURS, Whisper large-v2 passe sous ~10 % WER pour les langues des Niveaux 1-2 de ce guide, se situe entre la dizaine et la trentaine pour les Niveaux 3-4, et dépasse 75 % pour un groupe de langues peu dotées (amharique, yoruba, khmer, lao, birman, bengali) où il ne peut pratiquement pas transcrire. Le large-v3 plus récent améliore nettement les cas les plus difficiles, mais aucune table WER large-v3 exacte par langue n’a été publiée.
Quel WER est considéré comme "bon" ?
Pour la plupart des usages professionnels, un WER inférieur à 10 % produit une transcription plus rapide à lire et à corriger que l’audio ; sous 5 %, on est proche du niveau humain. Au-dessus de 20 %, une correction manuelle importante est nécessaire avant d’utiliser le texte comme contenu publié. Voir taux d'erreur sur les mots pour le calcul de la métrique.
Pourquoi ma transcription allemande est-elle plus précise que ma transcription thaïe ?
L’allemand est une langue bien dotée (~4,5 % WER FLEURS), avec beaucoup de données et des caractéristiques partagées avec l’anglais. Le thaï est tonal, s’écrit sans espaces entre les mots et dispose de moins de données annotées : son WER est d’environ 11-12 %, et la métrique juste est le taux d’erreur de caractères. Même les meilleurs modèles conservent un écart notable entre les deux.
Les benchmarks FLEURS sont-ils comparables à l’audio réel ?
Pas directement. FLEURS est propre, lu plutôt que spontané, et enregistré professionnellement. L’audio réel (réunions, appels, interviews) produit généralement 5-15 points WER de plus que FLEURS pour la même langue et le même modèle. Utilisez ces chiffres pour comparer les langues, pas pour prédire votre résultat exact.
Résumé
En 2026, la précision de la transcription IA dépend de la langue, de la qualité audio et de l’adéquation modèle-tâche. Sur la base Whisper FLEURS, les langues du Niveau 1 atteignent une précision proche de l’humain sur audio propre ; le Niveau 3 demande une relecture ; et un groupe de langues peu dotées est pratiquement intranscriptible par des modèles généralistes sans spécialisation, bien plus difficile que les chiffres rassurants à deux chiffres souvent cités. Les modèles plus récents et spécialisés par langue réduisent ces écarts, surtout du côté le plus difficile.
Si vous choisissez une chaîne de transcription, le plus utile est de tester votre langue et votre domaine audio précis sur 2-3 échantillons représentatifs. Les benchmarks classent les langues ; ils ne prédisent pas votre résultat exact.
Sources et lectures complémentaires
- OpenAI, "Robust Speech Recognition via Large-Scale Weak Supervision" (article Whisper, 2022) - WER FLEURS par langue, annexe D.2.4 / tableau 13
- Conneau et al., "FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech" (2022)
- FLEURS-SLU (2025) - CER par langue de Whisper large-v3, utilisé ici pour les réserves sur les langues peu dotées
- Mozilla Common Voice datasets
- taux d'erreur sur les mots
- comment l'IA transforme la communication multilingue
