OpenAI: Whisper Large V3 Turbo

Whisper large-v3-turbo, également appelé Turbo, est le modèle de transcription optimisé d’OpenAI dérivé de Whisper large-v3. Son décodeur passe de 32 couches à quatre, tandis que l’encodeur reste à 32 couches. Le modèle publié comporte environ 809 millions de paramètres. L’objectif du développeur est une reconnaissance vocale plus rapide avec un compromis modeste sur la précision, et non un mode différent de génération audio. La parole enregistrée est l’entrée et le texte reconnu constitue le résultat.

L’annonce distingue la préparation de Turbo de celle d’un modèle Whisper distillé séparément : Turbo a été ajusté pendant deux époques supplémentaires sur des données de transcription multilingue, sans données de traduction. Cette distinction est importante en pratique. Le dépôt d’OpenAI précise que Turbo n’est pas entraîné à traduire la parole non anglophone vers l’anglais et peut renvoyer la langue d’origine même lorsqu’une tâche de traduction est demandée. Utilisez cette édition pour une transcription dans la langue d’origine ; une exigence de traduction relève d’un autre modèle adapté ou d’une étape distincte après la transcription.

La détection de la langue source et la sélection explicite de la langue restent des choix utiles de transcription. Si la langue de l’enregistrement est déjà connue, indiquez-la dans la consigne ; sinon, le workflow documenté peut la détecter. Préservez les noms, les quantités et les mots prononcés avant de demander un nettoyage éditorial. Un compte rendu de réunion, une transcription d’entretien ou le texte d’un cours peuvent ensuite faire l’objet d’une recherche, d’annotations ou d’un résumé lors d’une opération ultérieure. La tâche de reconnaissance de Turbo ne doit pas être confondue avec la synthèse vocale, l’imitation d’un locuteur ou un jugement sémantique sur les personnes enregistrées.

Le chargeur audio d’OpenAI décode les fichiers d’entrée en échantillons mono à 16 kHz, et le modèle utilise une fenêtre acoustique de 30 secondes avec 128 bandes de fréquences Mel. Les enregistrements plus longs nécessitent une inférence sur de longs enregistrements. Le traitement séquentiel parcourt les fenêtres dans l’ordre ; une approche par fragments transcrit des portions qui se chevauchent et raccorde leurs limites. La fiche du modèle présente cette dernière comme utile pour le traitement d’un seul fichier long lorsque le délai constitue la priorité principale, tandis que le traitement séquentiel privilégie la précision. Ni la fenêtre ni le nom du modèle n’établissent une taille maximale fixe de fichier envoyé à un service hébergé.

La configuration exacte de Turbo indique 448 positions de décodeur pour une séquence de décodage. Le workflow d’inférence documenté peut fournir les repères temporels des segments ou des mots avec la transcription ; ils servent à la navigation et à la mise en forme ultérieure des sous-titres. Cela n’ajoute pas automatiquement un format de fichier de sous-titres ou des identifications fiables de locuteurs. Précisez si vous souhaitez une transcription simple ou des segments horodatés, et gardez l’enregistrement original disponible pour vérifier les passages contestés. Le traitement des longs enregistrements et la mise en forme finale éventuelle restent distincts de l’identité de la version des poids du modèle.

Turbo réduit le travail de décodage, mais le temps réellement nécessaire dépend du matériel, de la durée de l’enregistrement, de la langue, du débit de parole et des choix d’inférence. Le développeur note une dégradation de qualité plus forte pour certaines langues, notamment le thaï et le cantonais, plutôt qu’un comportement uniforme partout. Comparez un extrait représentatif dans la langue visée avant de considérer le compromis privilégiant la vitesse comme adapté à tous les contenus. Pour une tâche de traitement d’archives, incluez du vocabulaire difficile, des pauses et des passages bruyants ou des paroles qui se chevauchent dans l’échantillon de vérification, et pas seulement une phrase d’ouverture nette.

La fiche publiée reprend les limites importantes de reconnaissance de Whisper : le texte prédit peut contenir des mots qui n’ont pas été prononcés, et des répétitions peuvent apparaître. Les résultats varient selon les langues, les accents et les dialectes, surtout lorsque la couverture d’entraînement est limitée. La fiche n’établit pas la diarisation ou la classification des locuteurs comme des capacités standard robustes du modèle de base. Une vérification pratique porte sur la fidélité à la source : noms et nombres importants, paroles omises, texte inattendu pendant les silences et répétitions. Une transcription lisible reste un résultat à comparer à l’enregistrement, sans garantie de reconnaissance exacte.

Le livrable achevé utile est une transcription dans la langue source avec les repères temporels demandés et un lien clair avec son enregistrement. Gardez la version reconnue séparée de la version éditée pour publication afin de rendre les modifications traçables. Conservez le nom large-v3-turbo lorsque vous comparez les éditions : ce n’est pas le modèle large-v3 complet, et il ne doit pas hériter silencieusement de la tâche de traduction vers l’anglais de large-v3. Cette identité à poids ouverts n’emporte pas non plus les limites d’envoi, les conteneurs de réponse ou les promesses de streaming en direct du service hébergé whisper-1. Choisissez Turbo lorsque le compromis documenté de transcription convient aux contenus réels et au délai souhaité.