MAI‑Transcribe‑2 coûte 0,10 $ l’heure, mais le français reste à éprouver
L’annonce de Microsoft Foundry du 3 septembre 2026 confirme la disponibilité de MAI‑Transcribe‑2 en préversion publique dans Azure Speech, la prise en charge de 60 langues et un tarif de lancement de 0,10 dollar par heure audio jusqu’au 31 décembre 2026.
Le modèle réunit détection automatique de la langue, séparation des locuteurs, horodatage mot à mot et deux styles de transcription. Son taux d’erreur moyen de 5,2 % sur FLEURS ne permet toutefois pas de déduire sa précision en français conversationnel : l’analyse de VentureBeat rappelle que ce benchmark repose sur de la parole lue et ne publie pas de résultat propre au français.
Le prix réduit fortement le coût brut de transcription
La tarification porte sur la durée de l’enregistrement. Au prix de lancement, dix heures audio reviennent donc à 1 dollar, cent heures à 10 dollars et mille heures à 100 dollars. Ces exemples sont de simples calculs hors taxes, conversion en euros, stockage et autres frais d’infrastructure.
L’offre est temporaire. Un budget préparé pour 2027 ne peut pas reprendre automatiquement ce tarif, puisque le prix qui s’appliquera après le 31 décembre n’est pas encore indiqué dans les pages de lancement examinées.
Ce coût brut ne mesure pas non plus la dépense complète d’une transcription exploitable. Si une équipe doit reprendre de nombreux noms propres, corriger l’attribution des voix ou réaligner les repères temporels, le temps de révision humaine peut peser davantage que le traitement audio lui-même.
Le français est proposé avec les fonctions principales
La présentation officielle de MAI‑Transcribe‑2 inclut explicitement le français parmi les langues disponibles et décrit la détection automatique, la diarisation, les horodatages mot à mot, le biaisage par mots-clés ainsi que la transcription d’audio bruité ou mêlant plusieurs langues.
La diarisation sert à distinguer les personnes et à rattacher les mots au bon locuteur. Les horodatages permettent de retrouver un passage dans l’enregistrement, tandis que le biaisage par mots-clés donne au modèle des termes difficiles à reconnaître hors contexte, comme des noms, des sigles ou du vocabulaire spécialisé.
Deux styles de sortie sont proposés. Le mode « verbatim » conserve notamment les hésitations et les faux départs ; le mode « clean » retire les disfluences pour rendre le texte plus lisible. Ce choix agit sur la présentation du résultat, mais ne garantit ni l’exactitude des mots et des nombres ni la bonne attribution des interventions.
La compatibilité avec le français ne renseigne pas sur les écarts éventuels entre le français de France, du Canada, de Belgique, de Suisse ou d’autres espaces francophones. Elle ne démontre pas davantage la qualité lors d’une alternance entre le français et une autre langue au milieu d’une conversation.
FLEURS mesure la parole lue, pas toute la difficulté d’un échange
Le taux d’erreur sur les mots, ou WER, compte les substitutions, suppressions et insertions par rapport à une transcription de référence. La moyenne publiée agrège plusieurs langues : elle peut donc masquer des performances différentes selon la langue, l’accent ou la quantité de données disponible.
La nature des enregistrements est tout aussi importante. Des phrases lues par des locuteurs natifs offrent un cadre plus régulier qu’une visioconférence compressée, un entretien dans un café ou un appel où les participants s’interrompent. Le classement sur FLEURS apporte un élément de comparaison multilingue, mais il ne constitue pas une preuve directe de robustesse dans ces situations.
Le WER ne couvre par ailleurs qu’une partie du résultat attendu. Une transcription peut contenir les bons mots tout en les attribuant à la mauvaise personne ; cet indicateur ne mesure pas non plus la précision des horodatages, la ponctuation, la casse des sigles ou les transformations effectuées par le mode « clean ».
Une validation francophone doit reproduire les fichiers visés
Pour déterminer si MAI‑Transcribe‑2 convient à un usage francophone, la comparaison doit porter sur un corpus autorisé et représentatif des futurs enregistrements. Celui-ci peut réunir plusieurs accents, des microphones et téléphones différents, des environnements calmes ou bruyants, ainsi que de la parole préparée et des échanges spontanés.
Les mêmes extraits doivent être confrontés à des transcriptions de référence vérifiées par des francophones. La recette peut alors séparer les dimensions que la moyenne FLEURS confond ou ne mesure pas :
- le taux d’erreur sur les mots par variété de français, environnement sonore et type d’enregistrement ;
- les erreurs d’attribution des locuteurs pendant les interruptions et les chevauchements ;
- la reconnaissance des noms de personnes, lieux, marques, nombres et termes professionnels ;
- la précision des horodatages et les écarts entre les modes « verbatim » et « clean » ;
- le temps de correction nécessaire pour atteindre le niveau de qualité attendu.
Le dernier critère relie directement la qualité au coût réel. Une sortie peu chère à produire peut rester coûteuse si elle exige une révision lourde ; quelques erreurs sans conséquence peuvent, à l’inverse, être acceptables pour des notes de travail.
À ce stade, le tarif promotionnel, la couverture linguistique et les principales fonctions de MAI‑Transcribe‑2 sont documentés. Il manque encore des résultats détaillés par variété de français, des mesures publiques de diarisation en conversation réelle et le tarif appelé à remplacer l’offre de lancement.
À lire aussi:
Abonnez-vous à notre newsletter
Recevez directement les dernières actualités sur le Web3, l’IA et les cryptomonnaies.