Cinq secondes de souffle, et deux IA m'ont récité une phrase

En bref

• Deux transcripteurs (des IA qui écrivent ce qu'elles entendent), sur le son seul, image noire.
• 6 vidéos sur 6 : les deux répliques attendues, mot pour mot, des deux côtés.
• Coût : environ 0,006 $ pour 15 appels à Gemini, 0 $ pour Whisper. Si tu vérifies 100 vidéos : de l'ordre de 0,05 à 0,09 $.
• Règle : une diction n'est annoncée que si les deux outils concordent.

Le souffle qui parlait

Attends, écoute ça. J'ai fabriqué 5 secondes de bruit de fond par ordinateur : un « chhhh » de radio mal réglée, sans voix, sans respiration, rien. Je le glisse dans deux transcripteurs. Les deux me rendent une phrase. Une vraie, avec un sujet et un verbe.

• Gemini : « On part sur le deuxième plat. Ça s'appelle la fleur. »
• Whisper : « Sous-titres réalisés par la communauté d'Amara.org »

Bon. Un plat qui s'appelle la fleur, j'ai déjà mangé pire. Mais remontons le fil.

Où tout a commencé

Dans notre plan « café », deux amies doivent dire : « Tu viens avec moi demain ? » puis « Oui, mais c'est toi qui conduis. » Ma mission : vérifier que la vidéo leur fait dire juste, sans tout écouter à la main.

Le plan : une IA de transcription écrit ce qu'elle entend, je compare. Sauf que notre outil habituel, Scribe, hébergé par la plateforme fal (qui fait tourner des IA contre paiement), était bloqué faute de crédit. Il me fallait un remplaçant fiable.

Le son seul, et deux témoins

Premier réflexe : je coupe l'image. Écran noir, bande son gardée. Certains modèles incrustent des sous-titres dans l'image, et un transcripteur qui les voit risque de les recopier au lieu d'écouter. Exemple réel : l'un a écrit « Tu viens avec deamin.. ? » à l'écran alors que la voix disait bien « demain ».

Deuxième réflexe : un seul témoin peut mentir, alors j'en prends deux.

• Gemini, l'IA de Google (modèle gemini-3.8-flash), lancé 2 fois par vidéo, avec la consigne : mot pour mot, sans corriger ni compléter, « inaudible » si un mot ne s'entend pas, « aucune parole » si personne ne parle.
• Whisper, logiciel libre d'OpenAI (version « small », une des tailles du logiciel), qui tourne chez nous, sans internet.

Aucun des deux ne connaît le texte attendu. Deux témoins qui ne se sont pas parlé : s'ils disent la même phrase, mot pour mot, on peut les croire. Un seul peut inventer.

Six vidéos, six fois pareil

Je lance tout sur six vidéos du même plan, faites par trois familles de modèles vidéo : LTX 2.5 (en deux versions de son encodeur de texte, la partie qui lit la consigne), LTX 2.3, et MiniMax H3 (réglage normal, puis mode rapide qui calcule en 4 puis 8 étapes, c'est-à-dire en moins de passes de calcul). Les numéros sont des versions.

Pour les six, les deux transcripteurs rendent exactement :

• « Tu viens avec moi demain ? »
• « Oui, mais c'est toi qui conduis. »

Gemini donne le même texte à ses deux passages. Whisper ajoute les heures : pour LTX 2.5 (encodeur officiel), la première réplique va de 0,0 à 2,0 secondes, la seconde de 2,0 à 4,0.

Six sur six. Trop beau. Je me méfie de moi-même : trois contrôles.

Trois pièges pour me prendre la main dans le sac

1. Étalonnage. Sur 2 vidéos déjà transcrites le 26/10/2026 par Scribe, Gemini et Whisper retrouvent exactement son texte.
2. Coupe. Je coupe le son à 2,2 secondes, au tout début de la seconde réplique (Whisper la date à 2,0 s sur l'une des deux vidéos, LTX 2.3) (2 vidéos coupées). Gemini ne rend que la première réplique, « Tu viens avec moi demain ? ». Il n'invente pas la suite qu'il « devrait » entendre.
3. Bruit pur. Le souffle du début, donc. Il n'a rien à voir avec les vidéos du café, et c'est tout le but : aucune voix dedans. Et là, les deux inventent.

Un transcripteur seul peut donc « entendre » des paroles inexistantes. Pour Whisper, notre hypothèse (pas un fait mesuré) : il a sans doute vu cette phrase d'Amara des milliers de fois à la fin de vidéos sous-titrées pendant son apprentissage.

Alors pourquoi la méthode tient quand même ? Sur nos vidéos, les deux outils ont écrit les mots exacts du scénario, que ni l'un ni l'autre ne connaissait. Inventer la même phrase juste, c'est très improbable (notre raisonnement, pas une mesure). Et sur le bruit, leurs inventions diffèrent : le désaccord se voit.

Combien ça coûte

Gemini. 15 appels : 12 transcriptions (6 vidéos, 2 passes chacune) et 3 contrôles (2 coupes, 1 bruit). Un « jeton » est un petit morceau de texte ou de son que l'IA lit ou écrit : 7 191 lus et 242 écrits au total. Tarif affiché par Google : 0,75 $ le million de jetons lus et 3,75 $ le million de jetons écrits jusqu'au 31/12/2026 (1,50 $ et 7,50 $ dès le 01/01/2027).

Calcul : environ 0,005 $ en lecture plus 0,001 $ en écriture, soit environ 0,006 $ pour les 15 appels. Prudence : la page donne un tarif général ; si Google facture le son autrement, le total peut changer, mais resterait de l'ordre de quelques centimes.

Whisper. 0 $ : il tourne sur notre serveur, déjà payé.

Si tu vérifies 100 vidéos : environ 0,05 $ avec une passe Gemini par vidéo, environ 0,09 $ avec deux passes (notre calcul, à environ 515 jetons lus et 18 écrits par transcription), Whisper en plus pour 0 $. Le prix de l'ancien outil, on ne l'a pas : je ne compare pas.

Ce que mes deux témoins ne voient pas

• La synchronisation des lèvres (la bouche bouge-t-elle au bon moment ?).
• Le timbre, l'accent, l'émotion.
• Qui dit quelle réplique : les deux amies pourraient être inversées.

Ils disent seulement : les mots sont justes et compréhensibles.

La règle, et le cinquième verre de lait

Un transcripteur seul peut inventer. On n'annonce donc une diction juste que si deux outils indépendants concordent, sur le son seul. Ça vaut 4 verres de lait 🥛🥛🥛🥛. Le cinquième, je le garde pour le jour où ils arrêteront d'entendre des voix dans le souffle.

Passages sources

L'autriceMilky

Je ne crois pas une démo. Je refais le test moi-même et je te montre le résultat, même quand il est moche. Et ne me mets pas en colère, tu ne vas pas aimer la suite.

X @MilkAndRiotInstagram @milkandriot_

Tous ses articles →