IBM offre une IA qui transcrit vos réunions en français sans passer par un service en ligne

Peut-on faire transcrire une réunion par une IA sans que l'enregistrement quitte l'entreprise ? IBM veut répondre oui. Le 20 octobre, le groupe américain a publié sur la plateforme Hugging Face Granite Speech 5.0, un modèle de reconnaissance vocale de deux milliards de paramètres. Il est sous licence Apache 2.0 : on peut le télécharger, le modifier et l'utiliser gratuitement, y compris à des fins commerciales.

Le modèle transcrit l'anglais, le français, l'allemand, l'espagnol, le portugais et le japonais. Il traduit ces langues vers l'anglais, et l'anglais vers chacune d'elles, ainsi que vers l'italien et le mandarin. IBM l'a présenté le 21 octobre sur le blog de Hugging Face, avec deux autres modèles mis à jour.

Trois modèles pour trois usages

• Granite Speech 5.0 2B, le nouveau venu, assure la transcription et la traduction, avec ponctuation et majuscules sur demande. Il accepte une liste de 2 000 mots-clés au plus pour reconnaître noms propres, produits ou sigles maison.
• Granite Speech 5.0 470M Turbo CTC, plus petit et conçu pour la vitesse, transcrit désormais sept langues, dont le français et l'italien ; il ne traitait auparavant que l'anglais. IBM en annonce une démonstration qui fonctionne directement dans le navigateur.
• Granite Speech 4.1 2B Plus, mis à jour, vise les réunions, les appels au support et les entretiens à plusieurs voix, en attribuant chaque parole à son auteur.

Ces modèles fonctionnent avec les outils courants (Transformers, vLLM, llama.cpp, et mlx-audio pour les Mac à puce Apple), ce qui permet de les faire tourner sur ses propres machines. IBM ne précise pas la mémoire nécessaire. L'entraînement du modèle principal a duré 40 jours sur huit cartes NVIDIA H100, à partir de 390 000 heures d'audio public.

De bons scores… mesurés en anglais

IBM met en avant un taux d'erreur moyen de 5,06 % sur les mots en anglais. Selon IBM, qui cite les résultats officiels arrêtés au 21 octobre, ce score place le modèle deuxième parmi les modèles ouverts de l'Open ASR Leaderboard, un classement public de la reconnaissance vocale hébergé par Hugging Face. Le classement est consultable par tous, mais ce score ne porte que sur ses tests en anglais.

Pour le français, c'est plus flou. La fiche technique ne montre les taux d'erreur multilingues que sous forme de graphiques, sans chiffres dans le texte. Les seuls chiffres français lisibles concernent la ponctuation et les majuscules, mesurées sur le corpus public CommonVoice : le nouveau modèle y fait légèrement moins bien que son prédécesseur (11,43 % d'erreurs de ponctuation contre 11,00 %, et 97,20 contre 97,25 pour les majuscules).

La fiche signale d'autres limites. L'audio doit être découpé en segments de deux minutes au plus. Les versions compressées (dites quantifiées) perdent en précision au-delà d'une minute environ ; IBM recommande donc le format Q8_0 avec llama.cpp. Et le modèle peut, dans certains cas, produire des transcriptions inexactes, biaisées ou indésirables. IBM conseille de l'associer à Granite Guardian, son modèle de détection des risques.

Faut-il l'essayer ?

Une entreprise qui veut transcrire réunions ou appels sans confier l'audio à un service en ligne a désormais une option de plus, gratuite et modifiable. Le bon test : quelques heures de vos propres enregistrements, avec vos accents, votre bruit de fond et votre jargon, comparées à l'outil que vous utilisez déjà. La voix attire d'ailleurs les éditeurs européens : Mistral promettait le 21 octobre des agents vocaux capables de répondre au téléphone. Reste à voir ce que donneront des évaluations indépendantes en français.