Lorsqu'une entreprise achète de la transcription vocale, elle a tendance à ne comparer que « le prix par minute ». Ce qui détermine vraiment la viabilité à long terme, c'est la justesse du volume audio estimé, la capacité des enregistrements à passer la revue de confidentialité, la maîtrise des droits liés aux clés et la clôture des factures et justificatifs. Whisper est souvent utilisé comme nom générique de l'interface de transcription d'OpenAI ; en 2026, cette famille comprend whisper-1 mais aussi des modèles plus récents : ne choisissez pas sur un seul nom.

La liste ci-dessous suit le processus d'achat : usage, confidentialité, droits, facturation, recette, choix de solution et supervision des coûts. Prix et modèles disponibles font foi sur la page Tarifs des modèles et dans la documentation officielle.

Remarque : OpenAI, Whisper et GPT sont des marques de leurs détenteurs respectifs ; cet article ne traite que de l'achat technique et n'implique aucune affiliation ni relation d'agence avec les éditeurs concernés. Conditions, modèles et prix peuvent évoluer ; la documentation officielle et le contrat signé font foi.

1. Calculer le volume audio avant de parler de quota

La première ligne n'est pas le prix unitaire, mais la durée mensuelle à transcrire : heures d'audio par jour ouvré × jours ouvrés, plus les interviews et enregistrements du service client importés ponctuellement, le tout multiplié par 1,2 à 1,3 pour les reprises et les pics.

Source audio Méthode d'estimation Souvent oublié
Réunions enregistrées Sessions × durée moyenne × jours ouvrés Renvois, réenregistrements après réunion
Appels du service client Volume quotidien × durée moyenne Silences, musique d'attente
Contenus Heures hebdomadaires × 4 Reprises d'export, relecture humaine

Le quota se décompose en quatre éléments : taille maximale par fichier, plafond de concurrence ou de débit, quota par projet, comportement en cas de dépassement. La documentation officielle indique actuellement 25 Mo maximum par fichier, avec mp3, mp4, mpeg, mpga, m4a, wav et webm ; les longues réunions doivent être découpées. Les paliers de débit suivent la documentation et la console.

2. Confidentialité et rétention des données

Un audio contient des devis clients, des pièces d'identité, des conversations d'arrière-plan et parfois des empreintes vocales : il est plus sensible qu'un texte. Cinq questions à poser lors de l'achat :

  • Les entrées servent-elles à l'entraînement ? OpenAI indique que depuis le 1er mars 2023, les données API ne servent pas à l'entraînement par défaut, sauf partage volontaire du client.
  • Combien de temps sont conservés les journaux de surveillance des abus ? Le maximum indiqué est de 30 jours, prolongeable pour obligation légale ou prévention d'abus.
  • Une rétention nulle est-elle possible ? À la date de rédaction, le tableau de contrôle des données classe /v1/audio/transcriptions et /v1/audio/translations sans rétention de surveillance des abus et éligibles au ZDR ; le ZDR doit toutefois être demandé séparément et configuré par organisation ou projet.
  • Comment sont organisés sous-traitants, régions de données et transferts transfrontaliers ? Quel est le délai d'effet d'une demande de suppression, et existe-t-il un accusé de réception ?
  • En passant par une passerelle, l'audio et le texte transcrit sont-ils stockés, combien de temps, et qui peut y accéder ?

Archivez les conditions sur les données, l'approbation ZDR et la procédure de suppression. Une équipe qui envoie des enregistrements à l'étranger peut déclencher un processus de transfert transfrontalier : faites valider par le juridique et la sécurité avant de parler d'intégration technique.

3. Comptes, droits et contrôle d'accès

La différence entre compte entreprise et compte personnel ne tient pas au quota, mais au périmètre de responsabilité. Procédez dans cet ordre :

  1. S'inscrire avec un e-mail au domaine de l'entreprise, rattacher l'entité juridique et désigner deux administrateurs.
  2. Activer l'authentification à deux facteurs ; privilégier SSO ou SCIM lorsque la plateforme les propose.
  3. Séparer les projets par environnement : production, test et expérimentation personnelle ne partagent pas de clé.
  4. Émettre une clé par service, limitée aux modèles et interfaces nécessaires.
  5. Stocker les clés uniquement en variable d'environnement serveur ou dans un coffre de secrets, jamais dans le frontend ni dans Git.
  6. Tenir un registre des clés avec responsable, usage et date de révocation, et l'examiner chaque trimestre.

Avec la passerelle ZSQH AI Gateway, vérifiez aussi que les droits des membres, les quotas des sous-comptes, les journaux d'appels et la révocation des clés prennent effet immédiatement. Une couche d'administration supplémentaire ajoute une frontière de données : testez le schéma de droits à l'avance.

4. Facturation, contrat et justificatifs

La transcription vocale se facture à la durée audio, ce qui ne suit pas la même logique que les tokens texte. Avant de signer, confirmez : unité de facturation, arrondi, facturation des silences et des échecs, double facturation des reprises, minimum de consommation. Les taux exacts figurent sur la page Tarifs des modèles et dans le contrat ; n'estimez pas un coût audio à partir du prix d'un modèle texte.

La facturation directe est claire, mais paiement international, change et justificatifs restent à votre charge ; une passerelle locale propose généralement paiement en yuans et facture, dont le type et la périodicité dépendent de la plateforme. Pour un achat entreprise, privilégiez le paiement au nom de la société et conservez contrat, bon de commande, reçu et facture. Remboursement du solde prépayé et préavis de hausse doivent figurer dans le bon de commande.

5. Précision et recette : s'appuyer sur un jeu de référence

La précision de transcription n'est pas un chiffre universel. Une salle de réunion calme et un kit mains libres de voiture, un domaine général et un dossier médical saturé de références et de noms propres peuvent donner des résultats très différents. La recette exige un jeu de référence interne, pas une démonstration.

Prévoyez 50 à 100 extraits stratifiés par accent, bruit, vocabulaire métier, langue, durée et appareil, chacun avec une transcription corrigée à la main ; le test doit être en aveugle, sans donner les réponses au fournisseur. Mesurez au moins cinq indicateurs : taux d'erreur de caractères (CER pour le chinois), ponctuation et segmentation, horodatages, diarisation, et présence de texte halluciné sur les silences ou la musique.

Pour les horodatages, la documentation officielle présente actuellement whisper-1 comme le modèle prenant en charge les granularités mot ou segment ; les modèles plus récents sont plus forts sur les prompts et la sortie en flux, avec d'autres limites. La diarisation dispose de modèles dédiés, et les longs audios exigent une stratégie de découpage : testez séparément l'adéquation aux réunions. La liste des modèles évolue vite ; la documentation officielle fait foi.

6. Direct, passerelle ou auto-hébergement

Solution Cas d'usage Avantages Contrepartie
Connexion directe OpenAI Paiement et conformité à l'international, OpenAI uniquement Chaîne courte, responsabilité claire Réseau transfrontalier, change et factures à gérer
Passerelle IA locale Paiement en yuans, clés unifiées et facture multimodèle Intégration rapide, facture centralisée Une frontière de plus, interface audio à valider point par point
Auto-hébergement open source Données ne devant pas sortir du réseau, ou version de modèle figée Données dans votre environnement GPU, mises à jour et sécurité à votre charge

L'auto-hébergement n'est pas gratuit. Les poids open source de Whisper se déploient sur vos serveurs, mais ressources d'inférence, montée en charge, reprise après incident et évaluation des modèles restent à assumer. Il convient aux équipes à frontière de données très stricte, volume stable et capacité d'exploitation ; pour quelques réunions occasionnelles, une interface hébergée est plus simple.

Pour choisir une passerelle, validez trois points : le transfert complet de l'interface de transcription audio, les modèles et response_format pris en charge, la lisibilité des codes d'erreur. Ne supposez pas que l'interface texte fonctionnelle implique l'audio. Une équipe ayant besoin de paiement en yuans, d'une facture unifiée et de justificatifs peut créer un compte sur la passerelle ZSQH AI Gateway, valider sur un petit volume puis augmenter.

7. Tolérance aux pannes, supervision des coûts et liste de pilote

La transcription est une tâche par lots : l'échec n'est pas grave, l'ignorance l'est. En production, prévoyez au moins quatre niveaux : déduplication avant envoi, backoff après échec, file de messages morts au-delà du seuil, bascule vers un canal de secours si le principal est indisponible. Découpez les longs audios aux silences ou à durée fixe, avec 1 à 2 secondes de chevauchement.

Ne regardez pas seulement la facture de fin de mois. Consignez chaque jour, par projet, les minutes traitées, le taux d'échec, le coût par session et les heures de relecture, avec des alertes à 50 %, 80 % et en cas de dépassement. Le script ci-dessous calcule la durée totale d'un lot pour la comparer au budget :

import json
import pathlib
import subprocess

total = 0.0
for path in pathlib.Path("audio").glob("*.mp3"):
    info = subprocess.check_output([
        "ffprobe", "-v", "quiet", "-print_format", "json",
        "-show_format", str(path),
    ])
    total += float(json.loads(info)["format"]["duration"])

print(f"Durée totale : {total / 60:.1f} minutes")

Pour le pilote, ne vous contentez pas d'une requête réussie : validez chaque point de la liste.

  1. Estimation mensuelle faite, pics et coefficient de reprise inscrits au budget.
  2. Questionnaire de confidentialité, conditions sur les données et conclusion ZDR archivés, transfert transfrontalier validé par le juridique.
  3. Procédure de droits et de révocation des clés testée.
  4. Test en aveugle sur le jeu de référence au niveau métier, avec évaluation séparée du bruit et des accents.
  5. Découpage, fusion et alignement des horodatages validés sur un audio de plus de 25 Mo.
  6. Chemins de dégradation testés pour coupure réseau, limitation et timeout.
  7. Facture rapprochée de l'usage réel, type de facture et périodicité confirmés.
  8. Alertes de coût, relecture humaine et responsables nommés.

S'il manque une pièce sur un point, mieux vaut ne pas passer en production. La transcription touche aux réunions, au service client et à la publication de contenus : un incident a un impact plus direct qu'une requête texte.

Questions fréquentes

L'API Whisper facture-t-elle à la minute ou au token ?

Elle se facture généralement à la durée audio ; l'unité exacte, l'arrondi et l'unité minimale suivent la page officielle. Via une passerelle, consultez la page Tarifs des modèles du site. N'estimez pas un coût audio à partir d'un prix texte.

L'audio envoyé à l'API sert-il à l'entraînement ?

OpenAI indique que depuis le 1er mars 2023, les données API ne servent pas à l'entraînement par défaut, sauf partage volontaire. Les journaux de surveillance des abus sont conservés 30 jours au maximum ; les interfaces de transcription et de traduction sont actuellement indiquées sans rétention de surveillance et éligibles au ZDR, sur demande séparée.

Que faire d'une réunion de plus de 25 Mo ?

La limite officielle par fichier est de 25 Mo. Découpez aux silences ou à durée fixe, avec 1 à 2 secondes de chevauchement, puis fusionnez selon les horodatages ; vous pouvez aussi réduire le débit. Le découpage raccourcit le contexte : vérifiez particulièrement les termes propres et la cohérence des locuteurs.

Une équipe locale doit-elle se connecter en direct ou passer par une passerelle ?

Avec un canal de paiement international, une conformité validée et un usage limité à OpenAI, la connexion directe est plus courte. Avec un besoin de paiement en yuans et de facture unifiée, la passerelle est plus simple, à condition de vérifier le périmètre de l'interface audio, la rétention et la bascule en cas d'incident.

Que faire si la précision ne répond pas au seuil ?

Distinguez d'abord qualité audio, accent, vocabulaire métier et capacité du modèle. Ce que vous pouvez corriger : matériel d'enregistrement, réduction de bruit, prompt ou lexique. Si le seuil n'est toujours pas atteint, changez de modèle ou évaluez l'auto-hébergement. La recette se juge sur l'ensemble du jeu de référence, jamais sur un seul exemple.

Articles liés :