Les équipes qui appellent l'API Whisper depuis la Chine pour transcrire de l'audio n'ont pas affaire à une interface complexe : une requête multipart, un fichier audio, un texte en retour. Ce qui détermine réellement l'expérience, c'est le chemin réseau : liaison transfrontalière en journée, perte de paquets aux heures de pointe, fichier de plusieurs dizaines de mégaoctets coupé en cours de transfert transforment une interface simple en problème d'exploitation.

Cet article compare trois solutions — connexion directe, proxy et passerelle — en insistant sur les uploads volumineux, les timeouts et reprises, la stratégie de découpage, ainsi que la liste de validation avant mise en production.

Remarque : OpenAI et Whisper sont des marques de leurs détenteurs respectifs ; cet article est purement technique et n'implique aucune affiliation, relation d'agence ou partenariat avec OpenAI. Les limites d'interface, modèles disponibles et règles de facturation suivent la documentation officielle et celle du site.

1. Trois chemins, trois périmètres de responsabilité

  • Direct : le code appelle api.openai.com, sans couche intermédiaire.
  • Proxy : un VPS avec proxy inverse auto-hébergé, ou une adresse de transfert fournie par un tiers.
  • Passerelle : une entrée compatible OpenAI telle que ZSQH AI Gateway, avec clés, solde, facturation et justificatifs unifiés.
Dimension Direct Proxy auto-hébergé Passerelle
Contrôle du chemin Dépend de l'opérateur Plutôt élevé Assuré par le fournisseur
Stabilité Variable Dépend du datacenter et de la ligne Généralement multilingne
Coût de maintenance Faible Élevé, astreinte nécessaire Faible
Facturation et justificatifs Dollars, à gérer soi-même Facture amont, à gérer aussi Yuans, facture de la plateforme
Cas d'usage Faible fréquence, reprise acceptable Équipe avec capacité d'exploitation Équipes locales et production

La différence centrale entre les trois chemins n'est pas « est-ce que ça passe », mais qui diagnostique et qui assume en cas d'incident. Clarifiez ce point avant de comparer des chiffres de latence.

2. Connexion directe : passer ne signifie pas être stable

La connexion directe supprime la couche intermédiaire, mais la qualité de la liaison transfrontalière ne dépend pas de vous. Symptômes fréquents :

  • Fonctionnement normal en journée, taux de timeout en hausse aux heures de pointe ;
  • Résolution DNS parfois lente, poignée de main TLS allongée ;
  • Connexion réinitialisée pendant l'upload d'un gros fichier, renvoi reparti de zéro ;
  • Le même code fonctionne au bureau mais pas sur le serveur cloud.

Ne vous contentez pas d'un ping depuis une connexion domestique. Lancez un lot de requêtes réelles sur le serveur de production, enregistrez taux de réussite, latences p50 et p95, durée d'upload, et observez plusieurs jours. Pour une tâche asynchrone, la connexion directe reste acceptable si le métier tolère une reprise après échec ; pour des sous-titres en direct ou une réunion en temps réel, la variation du réseau devient une gêne visible pour l'utilisateur.

3. Proxy : serveur bon marché, maintenance coûteuse

Un proxy auto-hébergé consiste souvent à installer nginx sur un VPS en proxy inverse, avec domaine et certificat. Il fixe le chemin des requêtes, mais ajoute des points de panne :

  • Bande passante de sortie insuffisante : plusieurs uploads simultanés font la queue ;
  • Limite de corps de requête non relevée : un fichier de plusieurs dizaines de Mo reçoit un 413 ;
  • Timeout du proxy plus court que la transcription : le backend travaille encore, la connexion est déjà coupée ;
  • Certificat expiré, IP limitée, interface amont modifiée : tout exige une intervention manuelle.

Vérifiez au minimum client_max_body_size, proxy_read_timeout et les réglages de tampon. Une adresse de proxy partagée présente un risque supplémentaire : vous ignorez qui utilise la même sortie, et une limitation ou un blocage peut toucher tous les utilisateurs. Si la clé est transférée au niveau du proxy, assurez-vous que les journaux n'écrivent pas l'en-tête d'authentification en clair.

4. Passerelle : transformer un problème réseau en service

Une passerelle fournit une URL de base compatible OpenAI ; le code ne change généralement que base_url et la clé. Pour une équipe locale, trois bénéfices concrets : le chemin est maintenu par le fournisseur ; texte, audio et embeddings partagent un solde ; paiement en yuans et facture.

Pour choisir une passerelle, ne vous arrêtez pas à « compatible Whisper ». Vérifiez :

  • La prise en charge complète de la transcription audio, response_format et horodatages inclus ;
  • Les limites de taille par fichier, de concurrence et de timeout ;
  • La facturation des requêtes échouées et la fourniture d'un ID de requête ;
  • La politique de conservation des journaux et la procédure de suppression ;
  • La clarté des règles de facturation sur la page Tarifs.

Une passerelle règle le chemin et la facture, pas tous les problèmes d'ingénierie. Un audio au-delà de la limite doit toujours être découpé, et une instabilité réseau toujours reprise. Traitez-la comme une infrastructure avec engagement de service, pas comme un accélérateur universel.

5. Gros uploads : pourquoi un fichier sous 25 Mo échoue parfois

La limite courante par fichier de l'interface Whisper est de 25 Mo, à confirmer dans la documentation officielle. Beaucoup pensent qu'un fichier sous la limite passera ; en pratique, l'échec survient souvent pendant le transfert.

Avec une bande montante de 1 Mbit/s, un fichier de 25 Mo demande déjà environ 200 secondes de transfert ; ajoutez la poignée de main TLS, la file serveur et la transcription, et le timeout du proxy ou du client est vite atteint. Réseau mobile, liaison transfrontalière et bande partagée allongent encore ce délai.

L'ordre pour réduire les échecs : compresser d'abord, découper ensuite, envisager la reprise en dernier.

  • Convertir en 16 kHz mono : la transcription vocale n'exige pas un taux d'échantillonnage élevé ;
  • Utiliser du mp3 à 64 kbit/s : 25 Mo contiennent alors un peu plus de cinquante minutes de parole ;
  • Au-delà de 10 minutes, découper en segments de 5 à 10 minutes, avec 0,5 à 1 seconde de chevauchement ;
  • Couper de préférence aux silences pour ne pas séparer un mot en deux.

Ces valeurs sont des repères d'ingénierie, pas des engagements d'interface ; faites foi sur les résultats mesurés dans votre environnement.

6. Timeouts, reprises et découpage

Découpage avec ffmpeg :

ffmpeg -i input.mp3 -f segment -segment_time 600 \
  -ac 1 -ar 16000 -b:a 64k part_%03d.mp3

Stratégie de reprise, dans cet ordre :

  1. Ne réessayer que les erreurs réseau, 408, 429 et 5xx ; réessayer un 400, 401 ou 413 n'a pas de sens ;
  2. Backoff exponentiel avec jitter, par exemple 1, 2, 4, 8 secondes, trois à cinq fois au maximum ;
  3. Journaliser à chaque requête le nom du fichier audio, l'index du segment et l'ID de requête pour le rapprochement ;
  4. À la fusion, concaténer les textes dans l'ordre et rajouter le décalage de départ aux horodatages ;
  5. Dédupliquer les chevauchements en conservant la phrase la plus complète ;
  6. Limiter la concurrence des lots pour laisser au 429 le temps de se résorber.

L'interface audio n'a généralement pas de clé d'idempotence ; après un timeout, le serveur peut avoir terminé et facturé. Avant de réessayer, consultez les journaux d'usage, confirmez que vous acceptez une faible double facturation, puis fixez le nombre de tentatives. Pour les équipes sensibles au coût, stockez les segments échoués à part et relancez après vérification manuelle.

7. Paiement, facture et conformité

La combinaison courante en Chine : recharge en yuans sur la passerelle, facture en yuans émise par la plateforme, virement d'entreprise conforme au processus d'achat. Avant de payer, vérifiez que l'entité du contrat correspond au compte bénéficiaire, que le montant facturé suit le paiement réel ou le crédit reçu, et où sont écrites les règles de remboursement et de réédition. Le détail figure dans les instructions de recharge du site.

Trois points de conformité :

  • Un audio peut contenir nom, téléphone, pathologie ou information de transaction : informez et obtenez l'autorisation avant l'envoi ;
  • Masquez les contenus sensibles, ou passez à une solution déployable en privé ;
  • Vérifiez l'existence d'un transfert transfrontalier et les mécanismes de conservation et de suppression du fournisseur.

La propriété des résultats dépend du contenu audio et des conditions de la plateforme. Pour des enregistrements de réunion, des cours ou des appels du service client impliquant des droits de tiers, confirmez l'autorisation avant tout usage commercial.

8. Liste de validation avant mise en production

  • Faire passer un audio de dix secondes avec une réponse 200 ;
  • Vérifier sur cinq minutes d'audio la reconnaissance du chinois et la ponctuation ;
  • Tester un fichier proche de 25 Mo : durée d'upload et timeout ;
  • Simuler 429 et 5xx pour confirmer l'effet du backoff ;
  • Simuler une coupure réseau pour vérifier que la reprise ne boucle pas indéfiniment ;
  • Contrôler le décalage d'horodatage après fusion des segments ;
  • Vérifier le plafond de concurrence et la longueur de file ;
  • Confirmer alerte de solde, facture et processus de rapprochement ;
  • Confirmer que la clé n'existe que côté serveur, avec rotation et révocation.

La liste est courte, mais chaque point correspond à un incident réel. Faites tourner une semaine à faible volume avant d'augmenter la concurrence : c'est plus sûr qu'une montée en charge immédiate.

Questions fréquentes

La connexion directe à l'API Whisper depuis la Chine est-elle stable ?

Il n'y a pas de réponse unique : tout dépend de l'opérateur, de l'heure et de l'emplacement du serveur. Testez plusieurs jours en production et regardez taux de réussite et latence p95, pas une requête isolée.

Quelle différence entre une passerelle et un proxy ?

Un proxy transfère généralement le trafic, la facturation et l'exploitation restant en amont ; une passerelle fournit en plus compte, solde, gestion des clés, paiement en yuans et facture, avec un périmètre de responsabilité plus complet.

Que faire d'un audio de plus de 25 Mo ?

Le convertir d'abord en mp3 16 kHz mono pour réduire le volume, puis le découper en segments de 5 à 10 minutes, aux silences, en rajoutant le décalage temporel à la fusion.

Une reprise après timeout peut-elle être facturée deux fois ?

Oui, c'est possible : le serveur a peut-être déjà terminé. Consultez les journaux d'usage avant de réessayer et fixez un plafond de tentatives.

Quels points de conformité surveiller pour l'accès depuis la Chine ?

Surtout les données personnelles contenues dans l'audio, le transfert transfrontalier, la politique de conservation du fournisseur et l'autorisation des contenus. Pour les données sensibles, privilégiez le masquage ou un déploiement privé.

Pour aller plus loin

Validez d'abord le chemin avec un audio court, puis testez découpage et fusion sur un véritable long enregistrement, et seulement ensuite branchez les lots. Une équipe ayant besoin de recharge en yuans, de facture unifiée et de justificatifs peut créer un compte sur la passerelle ZSQH AI Gateway ; modèles audio et règles de facturation figurent sur la page Tarifs des modèles.

Articles liés :