Transcription sur l'appareil ou dans le cloud

La transcription sur l'appareil signifie que le modèle vocal s'exécute sur votre propre Mac ou iPhone et que l'audio ne le quitte jamais ; la transcription cloud signifie que l'audio est téléversé vers un serveur, traité là-bas, et que le texte revient. Ce choix détermine qui peut écouter vos enregistrements, ce que vous payez par heure d'audio, et si cela fonctionne dans un avion. Cet article explique la mécanique des deux, fait honnêtement le calcul du coût, et nomme les situations où le cloud reste le meilleur outil.

Ce que « sur l'appareil » signifie techniquement

Un système de reconnaissance vocale a deux parties : le modèle, qui est un gros fichier de poids appris, et l'environnement d'exécution, qui fait passer l'audio à travers ces poids pour produire du texte. Dans un service cloud, les deux vivent dans un centre de données. Dans une app sur l'appareil, les deux vivent sur votre matériel.

Concrètement, une app de transcription sur l'appareil :

1. Télécharge les poids du modèle une fois, en général au premier lancement. C'est le seul moment où elle a besoin du réseau pour son travail principal.
2. Les stocke sur le disque, typiquement de quelques centaines de mégaoctets à quelques gigaoctets par modèle.
3. Exécute l'inférence sur le CPU, le GPU local ou, sur du matériel Apple, le Neural Engine. Des cadres comme Core ML et MLX existent pour rendre cela rapide sur Apple Silicon.
4. Écrit le texte dans le stockage local. Aucun audio, et aucun texte, n'est envoyé sur une socket.

Le test pratique est simple. Mettez l'appareil en mode Avion, ou coupez le Wi-Fi, et transcrivez quelque chose. Si cela fonctionne, la reconnaissance est sur l'appareil. Si l'app affiche un indicateur d'attente ou une erreur, elle ne l'est pas, quoi que dise le marketing. Sur un Mac, vous pouvez aller plus loin avec un moniteur réseau et guetter les connexions sortantes pendant la transcription.

Deux choses que l'on confond parfois avec le traitement sur l'appareil :

• « Chiffré pendant le transport » signifie que le téléversement est protégé des écoutes sur le chemin vers le serveur. Le serveur, lui, déchiffre et entend tout.
• « Nous ne conservons pas votre audio » décrit la conservation, pas l'emplacement. L'audio a tout de même été traité sur une machine que vous ne contrôlez pas, par une société qui l'a eu, si brièvement que ce soit.

La dictée d'Apple est un point de repère utile : pour certaines langues elle s'exécute sur l'appareil, et pour d'autres elle envoie encore l'audio vers les serveurs d'Apple. Même fonction, deux histoires de confidentialité très différentes selon la langue que vous parlez, ce qui montre pourquoi la question mérite d'être posée à chaque outil.

Ce que les services de transcription cloud font de votre audio

Un service cloud doit faire ce qui suit, et chaque étape est un endroit où une politique s'applique :

• Recevoir l'audio. Il existe désormais sur leur infrastructure, et en général sur celle d'un fournisseur cloud en dessous, parfois dans un autre pays.
• Le traiter. Les plus gros fournisseurs peuvent confier une partie du travail à des sous-traitants, qui sont listés, quand ils le sont, au fond d'un contrat de traitement des données.
• Renvoyer le texte, et souvent conserver l'audio et le texte pendant une période : pour vous laisser les retélécharger, pour déboguer, ou pour « améliorer le service ». L'entraînement sur les données clients est en général désactivable ou désactivé pour les offres payantes, mais la valeur par défaut varie selon le produit et change avec le temps.
• Supprimer, un jour. Les durées de conservation dans les apps grand public vont de l'immédiat à l'illimité.

Rien de tout cela n'est malveillant. C'est la forme normale d'un produit cloud, et les services sérieux le documentent. Mais cela signifie que « ma transcription est-elle privée » devient une question portant sur la politique d'un fournisseur, sur celle de ses sous-traitants, sur son historique de fuites et sur la juridiction. Avec un traitement sur l'appareil, toute cette chaîne de questions disparaît, parce qu'il n'y a pas de fournisseur dans la chaîne. Pour les professionnels soumis à des contrôles de confidentialité, c'est tout l'enjeu ; la dictée médicale et juridique confidentielle entre dans le détail.

Le calcul du coût

La transcription cloud est facturée à l'usage parce que chaque minute d'audio coûte du calcul au fournisseur. Ce coût vous parvient sous l'une de deux formes : un prix à la minute sur une API, ou un forfait mensuel avec un plafond de minutes.

Les API brutes, au moment de l'écriture, sont bon marché à la minute : de l'ordre d'une fraction de centime à quelques centimes, et ce que coûte réellement la transcription cloud par heure compare les fournisseurs actuels côte à côte. Les apps grand public bâties dessus facturent davantage et ajoutent un quota mensuel de minutes. Pour comparer, raisonnez en heures d'audio par mois.

Audio par mois	À $0.01 la minute	À $0.02 la minute
5 heures	$3	$6
20 heures	$12	$24
40 heures	$24	$48
100 heures	$60	$120

Quelqu'un qui transcrit deux réunions par semaine se situe dans la tranche de 5 à 10 heures, où le cloud est réellement peu coûteux. Quelqu'un qui transcrit chaque appel, chaque cours ou chaque entretien se situe dans la tranche de 40 à 100 heures, où le compteur compte, et où un forfait grand public plafonné force en général à passer au palier supérieur.

La transcription sur l'appareil n'a pas de compteur, parce que le calcul est le vôtre. Vous payez le logiciel une fois, ou par abonnement, et ensuite la centième heure coûte la même chose que la première : rien. À titre de référence, ThinkScribe facture un prix fixe de $9.99 par mois, $79.99 par an, ou $199.99 en une fois, pour une transcription illimitée sur Mac, iPhone, iPad et Apple Watch. Face au tableau ci-dessus, le prix fixe est à peu près à l'équilibre autour de 8 à 16 heures par mois et représente une économie nette au-delà. En dessous de 5 heures par mois, un service facturé à l'usage peut coûter moins cher, et il est juste de le dire.

Latence, vitesse et travail hors ligne

Transcrire un fichier dans le cloud suppose de le téléverser d'abord. Un enregistrement d'une heure à une qualité raisonnable pèse des dizaines de mégaoctets ; sur le Wi-Fi d'un hôtel, ce téléversement peut prendre plus de temps que la transcription. Le sous-titrage cloud en direct ajoute un aller-retour à chaque phrase, ce qui explique pourquoi la dictée cloud semble toujours en retard d'un temps sur votre voix.

La transcription sur l'appareil démarre immédiatement et va aussi vite que la puce locale le permet. Sur les Apple Silicon récents, des modèles modernes comme Parakeet transcrivent bien plus vite que le temps réel, donc une heure d'audio se termine en quelques minutes, sans aucune étape de téléversement. Les modèles plus anciens ou plus petits sont plus lents mais restent utilisables. Le comparatif Whisper ou Parakeet explique quel modèle choisir entre vitesse et couverture linguistique.

Et puis il y a simplement l'absence de réseau. Trains, avions, hôpitaux, tribunaux, sous-sols, sites de terrain, le bureau d'un client dont vous ne voulez pas rejoindre le Wi-Fi invité. Le traitement sur l'appareil fonctionne dans tous ces cas. Le cloud, non, et une fonction qui met en file d'attente pour téléverser plus tard est un contournement, pas une solution.

Là où la transcription cloud garde l'avantage

Être honnête là-dessus est plus utile que de prétendre le contraire.

• Un matériel faible. Sur un portable d'entrée de gamme, un Mac Intel, ou un téléphone avec peu de mémoire, un gros modèle sur l'appareil peut ne pas s'exécuter du tout, ou s'exécuter assez lentement pour être pénible. Un GPU de centre de données se moque de ce que vous possédez.
• Les très gros lots. Transcrire mille heures d'archives d'un coup est un travail de serveurs en parallèle. Votre Mac traite un fichier à la fois.
• Les espaces de travail partagés. Si une équipe a besoin des mêmes transcriptions, commentaires et recherche au même endroit sur le web, un produit cloud offre cela par conception. Une app sur l'appareil peut synchroniser entre vos propres appareils, mais ce n'est pas un serveur de collaboration.
• Certaines langues et certains accents. Les plus gros modèles cloud, entraînés sur plus de données que tout ce qui tient dans un téléphone, gardent une avance pour les langues peu dotées et pour les accents très marqués. Pour l'anglais et les grandes langues européennes et asiatiques, l'écart s'est réduit au point que la plupart des utilisateurs ne font pas la différence.
• Les plateformes. Si votre travail se passe sur Windows ou Android, les options sur l'appareil sont plus rares et un outil cloud dans le navigateur peut être le seul choix pratique.
• Le sous-titrage en direct de grands événements. Diffuser des sous-titres vers des centaines de spectateurs relève d'un serveur.

Si vous faites partie de ces cas, utilisez le cloud en connaissance de cause : lisez la politique de conservation, désactivez l'entraînement quand c'est proposé, et ne téléversez rien que vous n'enverriez pas par e-mail.

Comment savoir si une app traite vraiment sur l'appareil

Une courte liste de vérification, applicable à n'importe quelle app de transcription :

1. Fonctionne-t-elle en mode Avion une fois installée ? C'est le test qui compte.
2. Exige-t-elle un compte ? Une app locale n'a aucune raison de savoir qui vous êtes.
3. Que liste l'étiquette de confidentialité de l'App Store ? « Aucune donnée collectée » est la réponse honnête pour une app locale, avec une exception pour les rapports d'incident facultatifs.
4. Nomme-t-elle les modèles qu'elle exécute ? Des noms de modèles open source (Whisper, Parakeet, Qwen) sont bon signe ; un vague « notre IA » peut signifier n'importe quoi.
5. Y a-t-il une limite à la minute ? Un compteur signifie presque toujours un serveur.

L'option confidentielle en une étape

Il vous laisse choisir le moteur, les modèles sur l'appareil d'Apple, Whisper ou Parakeet, donc les compromis ci-dessus vous appartiennent. Si vous voulez d'abord construire la même chose à la main, transcrire un audio en texte sur Mac parcourt la route open source.

Questions fréquentes

La transcription sur l'appareil est-elle aussi précise que la transcription cloud ?

Pour l'anglais et les grandes langues mondiales, les modèles actuels sur l'appareil comme Whisper et Parakeet sont assez proches des services cloud pour que la différence soit rarement perceptible sur des enregistrements du quotidien. Les modèles cloud gardent un avantage pour les langues peu dotées et les accents très marqués, et pour un audio très bruité les plus gros modèles font encore mieux.

La transcription hors ligne signifie-t-elle que mon audio est privé ?

Si l'app exécute vraiment le modèle localement, l'audio ne quitte jamais l'appareil, donc aucun fournisseur ne pourrait le lire, le conserver ou le laisser fuiter. Le test consiste à vérifier si la transcription fonctionne réseau coupé. La confidentialité se réduit ensuite à la sécurité et aux sauvegardes de votre propre appareil, que vous contrôlez.

Combien coûte la transcription cloud par heure ?

Le tarif brut des API, au moment de l'écriture, revient à environ $0.40 à $1.50 par heure d'audio, et les apps grand public regroupent en général un quota mensuel de minutes à un taux effectif plus élevé. À 20 heures par mois, cela représente environ $12 à $30. Une app sur l'appareil à prix fixe coûte la même chose quel que soit le volume.

La transcription sur l'appareil peut-elle fonctionner sans internet ?

Oui, c'est sa propriété définitoire. Après le téléchargement unique du modèle, la reconnaissance, et dans une app entièrement locale les résumés aussi, s'exécutent sans aucune connexion : en mode Avion, dans un sous-sol, ou dans un bâtiment dont vous ne rejoindrez pas le Wi-Fi.