Vosk : la reconnaissance vocale en direct, hors ligne

#Ce que Vosk fait autrement

Les modèles de transcription de référence traitent des fichiers : on leur donne un enregistrement complet, ils rendent un texte. Vosk traite un flux : il reçoit l'audio par petits morceaux et produit des résultats partiels puis définitifs au fil de la parole, avec une latence de l'ordre de la fraction de seconde.

Cette différence d'architecture explique tout le reste : des modèles minuscules, une exécution sur processeur sans effort, une empreinte mémoire compatible avec un Raspberry Pi ou un téléphone, et une qualité de texte inférieure à celle des grands modèles sur de l'audio difficile.

#Le direct, sa vraie spécialité

Latence

Le texte apparaît pendant qu'on parle, ce qui autorise les commandes vocales et le sous-titrage en direct.

Résultats partiels

L'application peut réagir avant la fin de la phrase — indispensable pour un mot de réveil ou une commande courte.

Empreinte

Quelques dizaines de mégaoctets par langue, contre plusieurs gigaoctets pour un grand modèle.

Vocabulaire restreint

On peut limiter la reconnaissance à une liste de mots attendus, ce qui augmente fortement la précision sur des commandes.

Ce dernier point est sous-estimé. Pour piloter une application par la voix, restreindre le vocabulaire à cinquante commandes possibles transforme un moteur moyen en moteur très fiable — là où un grand modèle généraliste continuera d'hésiter entre des homophones.

#Vosk ou Whisper

Il n'y a pas de vainqueur général. Une chaîne sérieuse utilise souvent les deux : Vosk pour détecter une commande ou afficher un retour immédiat, un modèle plus lourd pour produire la transcription définitive une fois l'enregistrement terminé.

#Les cas où il gagne

1. 01
   Commande vocale d'une application
2. 02
   Sous-titrage en direct
3. 03
   Matériel embarqué
4. 04
   Confidentialité stricte sans GPU

#Mise en œuvre

Le fonctionnement est simple : on télécharge un modèle pour la langue voulue, on ouvre un flux audio, on pousse des morceaux dans le moteur, on lit les résultats partiels puis définitifs. Des liaisons existent pour les langages courants, et un serveur WebSocket permet de brancher une page web ou une application mobile sur un moteur qui tourne sur votre machine.

Deux points d'attention : la qualité dépend fortement du modèle de langue choisi — vérifiez ce qui existe pour le français avant de bâtir dessus — et le taux d'échantillonnage de l'audio doit correspondre à ce qu'attend le modèle, faute de quoi la reconnaissance se dégrade sans message d'erreur explicite.

• Assistant vocal local : la chaîne complète
• Transcrire des fichiers rapidement en local

#FAQ