Test de TranscriptionSuite : reconnaissance vocale locale gratuite avec étiquettes de locuteurs

TranscriptionSuite se compose de deux parties : un tableau de bord que vous installez et un serveur que l’application télécharge et gère pour vous. Les fichiers sont joints à la dernière version GitHub ; les lignes ci-dessous vont de la voie la plus simple à la plus complexe.

TranscriptionSuite est une application de transcription, pas un robot de réunion ni un service cloud. Le README décrit un tableau de bord Electron associé à un backend Python qui prend en charge des modèles Whisper, NVIDIA NeMo, VibeVoice-ASR, SenseVoice, whisper.cpp et MLX, accélérés par CUDA, Apple Metal ou Vulkan, ou simplement sur le processeur.

L’auteur le décrit comme un outil personnel devenu projet de loisir, conçu par un ingénieur en mécanique qui n’est pas ingénieur logiciel ; selon les mots du README, « this whole thing is vibecoded », mais pas aveuglément. L’auteur dit l’utiliser lui-même et ne pas vouloir l’abandonner.

Ce test s’appuie sur le site, le README et les versions GitHub. Il n’a donné lieu à aucun essai pratique : la précision, la vitesse et la stabilité ne sont donc pas évaluées ici.

La mise en route consiste à installer le tableau de bord, puis à démarrer le serveur depuis l’application. Les étapes suivent le README.

La liste des fonctionnalités est large pour un projet d’une seule personne. Tout ce qui suit provient du README et du site.

Vous choisissez le modèle vocal ; l’application détecte votre matériel et grise les options incompatibles. Sur les plateformes Docker, le choix comprend WhisperX (modèles faster-whisper), NVIDIA Parakeet v3 et Canary v2, VibeVoice-ASR, SenseVoice et whisper.cpp ; sur Apple silicon, ce sont les versions MLX de Whisper, Parakeet, Canary et VibeVoice-ASR.

La couverture linguistique dépend du modèle : Whisper gère plus de 90 langues et peut traduire vers l’anglais, Parakeet et Canary couvrent 25 langues européennes, VibeVoice 51 et SenseVoice cinq. Les modèles NeMo ne tournent pas sur l’environnement CPU, et VibeVoice-ASR est un modèle de 9 milliards de paramètres d’environ 16 Go.

Le développeur affirme qu’une demi-heure d’audio est transcrite en moins d’une minute avec Whisper sur une RTX 3060 ; ce test n’a pas reproduit ce chiffre. Le README ne publie aucune exigence minimale de RAM ou de VRAM.

Selon le README, tout s’exécute sur votre ordinateur et l’audio comme les transcriptions ne le quittent jamais. Internet n’est nécessaire que pour télécharger l’application et les poids des modèles à la première utilisation ; ensuite, tout fonctionne hors ligne. Les étiquettes de locuteurs avec Whisper ou NeMo reposent sur des modèles PyAnnote, qui exigent un jeton Hugging Face gratuit.

L’assistant IA du carnet peut dialoguer avec tout fournisseur compatible OpenAI, y compris des services cloud comme Groq, OpenAI et OpenRouter ; ce que vous y envoyez sort de l’affirmation « uniquement local ». Le README indique aussi que l’application recherche chaque semaine les nouvelles versions.

Le code est sous GPL-3.0 ou ultérieure et l’application est gratuite. Aucune page de politique de confidentialité dédiée n’a été trouvée. Ce test n’a pas inspecté le trafic réseau : ces affirmations sont donc celles du développeur.

Voici les outils de reconnaissance vocale les plus proches dans l’annuaire : un autre transcripteur de réunions, une application de dictée pour Mac et deux moteurs sur lesquels construire.

TranscriptionSuite convient bien à ceux qui veulent une transcription locale et privée avec étiquettes de locuteurs et sont à l’aise avec Docker, ou qui possèdent un Mac Apple silicon où la version intégrée supprime cette étape.

Les réserves tiennent à la maturité et à la transparence : un seul mainteneur qui se décrit comme « vibe-codeur », pas de politique de confidentialité, aucun benchmark de précision en dehors de l’affirmation de vitesse de l’auteur, et une application macOS non signée. Essayez-la d’abord sur des enregistrements non sensibles.