Quand on veut faire tourner un modèle vocal sur son propre matériel, on finit presque toujours par hésiter entre Whisper et Parakeet, deux modèles qui reposent sur des idées très différentes. Cet article explique ces idées simplement, compare ensuite la vitesse, les langues, la précision, les horodatages et la tendance aux hallucinations, puis se termine par une règle courte pour choisir. Si vous ne voulez que la règle : Parakeet pour l'anglais et les grandes langues européennes quand la vitesse et la fidélité comptent, Whisper pour tout le reste.
D'où viennent-ils ?
Whisper a été publié par OpenAI en 2022. Entraîné sur une très grande quantité d'audio collecté sur le web, il existe en plusieurs tailles, de tiny à large. Le grand modèle actuel est large-v3, décliné en large-v3-turbo, qui garde l'encodeur et allège le décodeur pour gagner en vitesse. Whisper transcrit une centaine de langues et sait aussi traduire la parole vers l'anglais.
Parakeet est une famille de modèles conçue par l'équipe NeMo de NVIDIA. Quand on parle de « Parakeet », on pense en général à Parakeet TDT 0.6B, un modèle de 600 millions de paramètres. La version 2, uniquement en anglais, s'est fait connaître en occupant la tête (ou presque) du classement Open ASR de Hugging Face, alors qu'elle ne pèse qu'une fraction de Whisper large. La version 3, sortie en 2025, l'étend à 25 langues européennes. Les deux versions sont publiées sous une licence permissive.
Les deux modèles tournent sur un Mac avec puce Apple. Pour savoir ce qu'implique une installation manuelle, voyez exécuter Whisper en local sur Mac (en anglais) et exécuter Parakeet sur puce Apple (en anglais).
L'architecture, simplement
Whisper : écouter, puis écrire
Whisper est un transformeur encodeur-décodeur. L'encodeur écoute une fenêtre de 30 secondes d'audio et la condense en une représentation compacte. Le décodeur écrit ensuite la transcription jeton par jeton, en choisissant chaque nouveau jeton d'après la représentation audio et tout ce qu'il a déjà écrit. Ce second point est essentiel : le décodeur est, en pratique, un modèle de langage qui se trouve être guidé par de l'audio.
Son atout, c'est la fluidité. Whisper produit un texte bien ponctué, avec des majuscules au bon endroit ; il gère les accents et les bruits de fond grâce à l'immense variété de ses données d'entraînement, et peut s'appuyer sur la fenêtre précédente pour garder des noms et une orthographe cohérents. Son point faible : écrire un jeton à la fois prend du temps, et un modèle qui tient en partie du modèle de langage continue parfois d'écrire alors que l'audio ne dit plus rien.
Parakeet : décider à chaque instant
Parakeet TDT associe un encodeur FastConformer à un décodeur de type transducteur. Un transducteur parcourt l'audio trame par trame et, à chaque étape, décide : émettre un morceau de texte, ou émettre un « blanc » qui signifie que rien de nouveau n'a été dit à cet endroit. Le texte est donc ancré dans la chronologie de l'audio : le modèle ne peut pas produire un mot sans une trame audio à laquelle le rattacher.
Le sigle TDT signifie Token-and-Duration Transducer. Un transducteur classique doit examiner chaque trame, alors que la plupart sont des blancs. TDT prédit, en plus de chaque jeton, combien de trames sauter avant la décision suivante. Il enjambe ainsi les silences et le milieu des voyelles longues au lieu de les examiner, et c'est de là que vient une bonne part de sa vitesse.
Résultat : un modèle rapide, qui fournit d'office des temps de mots précis et invente rarement. En contrepartie, il perd la fluidité du modèle de langage : il exploite moins bien le contexte lointain, et il a été entraîné sur un éventail de langues plus restreint.
Vitesse
C'est la différence la moins discutée. À précision égale, Parakeet TDT transcrit plusieurs fois plus vite que Whisper. Sur un GPU de centre de données, le débit publié se chiffre en milliers de fois le temps réel ; sur un Mac récent avec puce Apple, une heure d'audio est traitée en bien moins d'une minute. Sur le même Mac, Whisper large-v3 met de plusieurs minutes à quelques dizaines de minutes selon la puce et le portage utilisé ; small et turbo réduisent l'écart sans le combler.
Si vous transcrivez beaucoup d'audio, ce seul critère peut suffire à trancher.
Langues
Whisper couvre une centaine de langues, avec une précision qui baisse progressivement de l'anglais aux grandes langues européennes et asiatiques, puis aux langues pour lesquelles il existe peu de données d'entraînement. Il détecte aussi la langue automatiquement et peut traduire n'importe laquelle d'entre elles vers l'anglais, une fonction que Parakeet n'a pas.
Parakeet TDT 0.6B v2 ne connaît que l'anglais. La version 3 couvre 25 langues européennes, dont les principales (allemand, français, espagnol, italien, portugais, néerlandais, polonais, russe) et beaucoup d'autres moins parlées, avec détection automatique de la langue parmi elles. Pour le japonais, le chinois, le coréen, l'arabe, le hindi et la majeure partie des autres langues du monde, Whisper est le seul des deux à convenir.
Précision
Sur les tests de référence en anglais, les deux modèles sont proches, et Parakeet l'emporte souvent. Le classement Open ASR crédite Parakeet TDT 0.6B v2 d'un taux d'erreur de mots moyen équivalent ou inférieur à celui de Whisper large-v3, avec cinq fois moins de paramètres. Des modèles ouverts plus récents les ont depuis dépassés tous les deux ; le tableau à jour figure dans le panorama 2026 des modèles vocaux ouverts (en anglais).
Mais les tests de référence utilisent un audio propre. Dans la pratique :
- Les accents marqués et le vocabulaire inhabituel avantagent plutôt les grands modèles Whisper, tout simplement parce qu'ils ont entendu plus de variété.
- Les chiffres, les dates et la mise en forme avantagent Parakeet, entraîné à les écrire comme on les tape.
- Les longs enregistrements avantagent Parakeet, pour une raison subtile expliquée plus bas.
- L'audio téléphonique bruité et les intervenants qui parlent en même temps posent problème aux deux. Aucun ne sépare les intervenants : c'est une étape distincte, appelée diarisation, présentée dans la diarisation expliquée (en anglais).
Le plus honnête est de tester les deux sur dix minutes de votre propre audio. Les différences qui comptent pour vous sauteront aux yeux.
Hallucinations
Le défaut le plus connu de Whisper découle directement de sa conception. Comme son décodeur est un modèle de langage, lui soumettre du silence, de la musique ou du bruit produit parfois un texte fluide et assuré que personne n'a prononcé : une phrase répétée une douzaine de fois, une formule du type « merci d'avoir regardé » en fin de fichier, ou un paragraphe plausible par-dessus une longue pause. Cela se produit surtout au début et à la fin des enregistrements, et autour des blancs. Il existe des parades (détection d'activité vocale pour sauter les silences, désactivation du report du texte précédent, nouvel essai avec une autre température d'échantillonnage) et la plupart des outils qui utilisent Whisper en appliquent une partie. Elles atténuent le problème sans le faire disparaître. Pourquoi Whisper hallucine et se répète (en anglais) détaille le mécanisme.
Le transducteur de Parakeet émet un blanc quand il n'entend rien. Il n'a aucun moyen d'écrire des phrases qui ne soient pas ancrées dans l'audio : le silence donne du silence. Ses erreurs sont d'une autre nature : un mot marmonné sort faux ou disparaît, au lieu d'être remplacé par un mot inventé. Pour une transcription sur laquelle on s'appuiera sans réécouter, un modèle qui omet est plus sûr qu'un modèle qui invente. Dans de très rares cas, sur une entrée pathologique, un transducteur peut tout de même se bloquer en répétant un jeton : aucun modèle ne mérite une confiance aveugle.
Horodatages et ponctuation
Whisper prédit les horodatages sous forme de jetons spéciaux dans sa sortie. Ils suffisent pour des sous-titres phrase par phrase, mais n'ont jamais été entraînés pour être précis, et un calage au mot près exige une étape d'alignement supplémentaire. Chez Parakeet, les temps découlent du transducteur lui-même : chaque jeton émis est rattaché à la trame où il a été décidé, si bien que les horodatages de mots sont précis sans travail supplémentaire. C'est pourquoi les outils qui synchronisent la lecture mot à mot privilégient en général les modèles à transducteur.
Les deux produisent ponctuation et majuscules : celles de Whisper se lisent un peu plus naturellement dans les phrases longues, celles de Parakeet sont régulières.
Longs enregistrements
Whisper traite l'audio par fenêtres de 30 secondes et, par défaut, transmet le texte de la fenêtre précédente comme contexte. L'orthographe reste ainsi cohérente, mais une fenêtre ratée peut contaminer la suivante : une phrase inventée devient du contexte, le modèle la prolonge, et l'erreur se propage. Pour cette raison, les outils qui utilisent Whisper désactivent souvent ce report, au prix d'un peu de cohérence.
Parakeet n'a pas de fenêtre au même sens ; ses versions récentes utilisent une attention locale, si bien qu'un long fichier peut être traité en une seule passe (en pratique, on le découpe souvent en morceaux de quelques minutes). Aucun contexte textuel ne passe d'un morceau à l'autre, donc rien ne se propage.
Les faire tourner soi-même
Les deux familles se téléchargent gratuitement et tiennent sans difficulté en mémoire sur un Mac avec puce Apple. Whisper bénéficie des portages communautaires les plus anciens et les plus nombreux ; Parakeet s'exécute via la boîte à outils NeMo de NVIDIA ou via des conversions communautaires pour le matériel Apple. Dans les deux cas, une installation manuelle suppose un environnement d'exécution, un fichier de modèle de un à trois gigaoctets, la conversion de l'audio, et un suivi régulier à chaque changement de version.
Lequel choisir ?
Choisissez Parakeet TDT quand :
- l'audio est en anglais ou dans l'une des 25 langues européennes de la v3,
- vous voulez la transcription rapidement, ou sur la batterie d'un portable,
- vous avez besoin de temps de mots précis,
- la transcription sera utilisée sans réécoute, et un texte inventé serait pire qu'un mot manquant.
Choisissez Whisper quand :
- la langue ne figure pas dans la liste de Parakeet,
- vous avez besoin d'une traduction vers l'anglais,
- l'audio comporte des accents marqués ou un vocabulaire rare, et vous pouvez vous permettre le grand modèle,
- vous voulez la ponctuation la plus naturelle possible pour une publication.
Pour la question préalable (modèles locaux ou services cloud), voyez transcription audio sur l'appareil ou dans le cloud.
Questions fréquentes
Parakeet est-il meilleur que Whisper ?
Pour l'anglais et les langues européennes qu'il prend en charge, Parakeet TDT est en général aussi précis que le plus grand modèle Whisper, plusieurs fois plus rapide, et bien moins enclin à inventer du texte sur du silence. Whisper fait mieux quand la langue ne figure pas dans la liste de Parakeet, quand vous avez besoin d'une traduction vers l'anglais, ou sur un audio aux accents marqués, où l'étendue du grand modèle aide. Testez les deux sur vos propres enregistrements avant de décider.
Parakeet prend-il en charge d'autres langues que l'anglais ?
La version 2 de Parakeet TDT 0.6B ne connaît que l'anglais. La version 3 ajoute 25 langues européennes avec détection automatique, dont l'allemand, le français, l'espagnol, l'italien, le portugais, le néerlandais et le polonais. Elle ne couvre ni les langues asiatiques, ni celles du Moyen-Orient ou d'Afrique : pour celles-ci, Whisper est le seul des deux qui fonctionne.
Pourquoi Whisper hallucine-t-il ?
Le décodeur de Whisper est entraîné comme un modèle de langage : il choisit chaque mot d'après l'audio et d'après les mots qu'il a déjà écrits. Quand l'audio ne contient pas de parole, ce second signal l'emporte et le modèle produit un texte fluide, crédible, mais jamais prononcé. Le silence, la musique et les fins de fichier en sont les principaux déclencheurs. La détection d'activité vocale et la désactivation du report de texte limitent le phénomène.
Peut-on faire tourner Parakeet sur un Mac ?
Oui. NVIDIA publie les poids, qui s'exécutent via la boîte à outils NeMo ou via des conversions communautaires pour les puces Apple. Il n'existe pas d'installeur officiel en une ligne : une installation manuelle suppose donc un environnement Python ou des outils de développement, un téléchargement d'environ 2,5 Go et un peu de préparation de l'audio.