Transcription vidéo en français : comparatif des IA en 2026 (Whisper, Deepgram, AssemblyAI)

La transcription automatique en français a fait un bond en 2 ans. Mais tous les modèles ne se valent pas sur les accents régionaux, la ponctuation et les termes métier. On a testé les 4 principaux pour Castli.

Whisper (OpenAI) : la référence qualité/prix

Modèle open-source, disponible via l'API OpenAI (0,006 $/minute). Excellente précision sur le français standard, gère bien les accents (parisien, méridional, québécois). Faiblesse : ponctuation parfois hasardeuse sur les longs monologues.

Chez Castli, on utilise Whisper Large-v3 avec un prompt spécialisé français qui injecte le vocabulaire métier de l'utilisateur.

Deepgram Nova-3 : le plus rapide

Le plus rapide en temps réel (<200 ms de latence). Bon en français mais moins précis que Whisper sur les mots techniques. Prix ~0,0043 $/minute. Utile si tu fais du live captioning.

AssemblyAI Universal-2

Bon équilibre entre précision et fonctionnalités (speaker diarization, sentiment analysis, résumés). Prix ~0,015 $/minute, plus cher. Pertinent si tu as besoin de features avancées au-delà du transcript brut.

Google Speech-to-Text

Bonne précision, mais interface d'API vieillissante et prix élevé (~0,024 $/minute). À réserver si tu es déjà dans l'écosystème GCP.

Verdict pour un usage screencast async

Pour un enregistrement vidéo de 3-10 minutes destiné à être partagé, Whisper Large-v3 offre le meilleur rapport qualité/prix. C'est ce que Castli utilise, avec un pipeline maison qui injecte le vocabulaire perso de l'utilisateur pour éviter les fautes sur les noms propres et le jargon métier.