Avant d’installer une app de dictée locale, la plupart des gens posent la même question : ai-je besoin d’une carte graphique de gaming, ou mon portable va-t-il s’en sortir ? L’angoisse du GPU est compréhensible — « IA » et « GPU » sont devenus synonymes dans l’actualité. Mais faire tourner un modèle fini sur votre propre machine pour transcrire votre propre voix est une tâche complètement différente de l’entraînement de modèles dans un centre de données, et les besoins matériels sont d’un ordre de grandeur plus petits.
La réponse directe : le modèle Parakeet TDT de NVIDIA tourne à RTF 0,033 sur un CPU Intel i7 ordinaire — 30 fois plus vite que le temps réel, sans GPU. Whisper small avec quantification int8 tourne environ 7,8× le temps réel sur la même classe de matériel. Pour la dictée du quotidien, c’est largement assez rapide. Voici le tableau complet, avec de vrais chiffres de benchmark.
Pourquoi les gens croient qu’il leur faut un GPU
L’association est mal placée mais compréhensible. Les GPU que vous voyez dans les titres sur l’IA font l’une de deux choses : entraîner des modèles à partir de zéro sur des pétaoctets de données dans un centre de données, ou servir des milliers d’utilisateurs simultanés via une API cloud. Les deux tâches ont réellement besoin de racks de cartes graphiques.
Faire tourner un modèle fini et quantifié sur votre propre machine pour transcrire quelques secondes de votre propre voix est une charge de travail complètement différente. Vous faites de l’inférence sur l’audio d’une seule personne, quelques secondes à la fois. Le besoin de calcul est d’ordres de grandeur plus petit.
L’autre source de confusion, ce sont les benchmarks de 2022 du Whisper original d’OpenAI en Python sur CPU. Cette implémentation était réellement lente — un utilisateur avec un Ryzen 5 3600 a rapporté 11 minutes pour traiter 31 secondes d’audio avec le modèle medium. Ce benchmark est cité en permanence et reste exact pour Whisper en Python, mais il n’a rien à voir avec l’implémentation whisper.cpp qu’utilisent aujourd’hui les apps de dictée. whisper.cpp avec des modèles quantifiés sur un CPU moderne est une expérience complètement différente.
Ce que la voix vers texte demande réellement
Les vrais besoins sont modestes :
- Un CPU moderne. N’importe quel processeur d’environ la dernière décennie avec les instructions AVX — soit presque tous les portables et ordinateurs de bureau vendus depuis 2015.
- Quelques gigaoctets de RAM libre. C’est la contrainte principale, et elle est plus petite que ce que les gens attendent (voir le tableau ci-dessous).
- De l’espace disque pour le modèle. Un téléchargement unique, typiquement de 75 Mo à 3 Go selon le modèle que vous choisissez.
Aucune carte graphique n’apparaît nulle part dans cette liste.
Besoins en RAM par modèle (selon le projet whisper.cpp) :
| Modèle | Disque (GGML) | RAM en usage |
|---|---|---|
| Whisper tiny | 75 Mo | ~273 Mo |
| Whisper base | 142 Mo | ~388 Mo |
| Whisper small | 466 Mo | ~852 Mo |
| Whisper medium | 1,5 Go | ~2,1 Go |
| Whisper large-v3 | 2,9 Go | ~3,9 Go |
| Parakeet TDT v3 | ~2,3 Go | ~1,5 Go |
Une machine avec 8 Go de RAM au total et 4 Go libres fait tourner Whisper small ou Parakeet confortablement. C’est une machine assez modeste selon les standards de 2026.
Les vrais chiffres de benchmark
Voici ce que les modèles font réellement tourner sur différents matériels. Un RTF (facteur de temps réel) sous 1,0 signifie plus rapide que le temps réel — le modèle transcrit l’audio plus vite qu’il ne se lit. RTF 3,0 signifie qu’1 minute d’audio prend 3 minutes à traiter.
Le vainqueur en performance n’est pas celui que la plupart des gens attendent. Parakeet TDT v3 de NVIDIA sur un CPU Intel i7 moderne (i7-12700KF) atteint RTF 0,033 — environ 30× plus vite que le temps réel. À titre de comparaison, faster-whisper faisant tourner le modèle large-v2 sur un GPU RTX 3070 Ti atteint RTF ~0,076 — environ 13× le temps réel. Parakeet sur CPU est plus rapide que Whisper sur un GPU de milieu de gamme.
La raison est architecturale. Parakeet TDT est un Token-and-Duration Transducer — un modèle non autorégressif qui fait passer tout l’audio par le encoder en une seule passe avant. Whisper utilise un decoder autorégressif qui génère les tokens un par un dans une boucle, ce qui est intrinsèquement séquentiel et plus lent. Pour les clips audio courts, cela compte beaucoup.
Apple Silicon est un cas particulier. Chaque Mac avec une puce de la série M (M1 à M4) utilise automatiquement l’accélération GPU Metal dans whisper.cpp et dans SnailText. Un Mac M1 faisant tourner Whisper large-v3 via Metal atteint à peu près le temps réel (RTF ~1,0) — assez bon pour dicter sans aucun GPU discret. Un M2 Pro avec Metal fait tourner large-v3 à 2,5× le temps réel. Les utilisateurs de MacBook n’ont pas de problème de GPU.
Les utilisateurs de Windows sans GPU discret ont un tableau plus nuancé. Un i7 moderne (12e/13e gén) fait tourner Whisper small à environ 7 à 8× le temps réel — confortable pour dicter là où chaque phrase dure 5 à 15 secondes. Un CPU Ryzen de milieu de gamme fait tourner large-v3 à RTF ~3,0 — trop lent pour la dictée interactive. La bonne réponse pour Windows CPU seul est : Parakeet TDT (30× le temps réel) ou Whisper small (7 à 8× le temps réel). Pas Whisper large.
Un développement de plus à connaître : whisper.cpp 1.8.3 a ajouté le support du GPU intégré via Vulkan, apportant un gain de performance d’environ 12× sur les graphiques intégrés AMD Radeon 680M et Intel Arc. Si votre portable Windows a un AMD Ryzen moderne (6000+) ou un Intel 12e gén et après, whisper.cpp peut utiliser ce GPU intégré automatiquement — faisant baisser la latence de façon notable, même sans carte discrète.
« Le CPU est trop lent » dépend entièrement du modèle
Les gens disent « la dictée locale est lente sur CPU » comme si la puce était le problème. La variable, c’est le modèle.
Les plus petits modèles Whisper — tiny, base, small — tournent au niveau du temps réel ou plus vite sur tout CPU de portable de 2020 et après. L’expérience est rapide. Les gros modèles Whisper — medium et large-v3 — sont réellement lents sur CPU : plusieurs fois plus lents que le temps réel sur du matériel typique. C’est le cas dont les gens se souviennent et qu’ils rapportent, et il donne au CPU une mauvaise réputation que les plus petits modèles ne méritent pas.
La quantification fait aussi une différence notable. La version quantifiée int8 d’un modèle tourne bien plus vite que la version float16 sur CPU avec une perte de précision négligeable. Les benchmarks de faster-whisper montrent le modèle small int8 traitant 13 minutes d’audio en 102 secondes sur un i7-12700K — la version float32 prend 157 secondes pour le même fichier. Choisir la version quantifiée d’un modèle, c’est de la vitesse gratuite.
Quand un GPU vaut réellement le coup
Pour être juste avec l’autre camp : un GPU dédié est une vraie amélioration dans des situations précises.
Faire tourner large-v3 en temps réel sous Windows. Une RTX 3090 traite 1 minute d’audio en environ 11 secondes (RTF ~0,19). La même tâche sur CPU sur un Ryzen 7 prend environ 3 minutes. Si la précision de large-v3 est votre exigence et que vous êtes sous Windows sans Apple Silicon, un GPU n’est pas optionnel — c’est la seule façon d’y arriver.
Transcrire par lots de longs enregistrements. 1 heure d’audio sur une RTX 3090 avec large-v3 prend environ 5 minutes. Sur un CPU Ryzen 7, le même travail prend environ 3 heures. Si vous transcrivez régulièrement des podcasts, des cours ou de longues réunions, un GPU fait gagner du temps réel sur la semaine.
Dictée multilingue de haute précision. Si vous dictez dans une langue où les plus petits modèles ont des taux d’erreur nettement plus élevés, vous aurez peut-être besoin de medium ou large — et c’est là que le GPU compte.
Pour la dictée du quotidien — phrases courtes, une personne, arrête-et-transcris — vous ne remarquerez pas le GPU.
Les quatre situations matérielles
MacBook (n’importe quelle puce de la série M) : Aucune préoccupation de GPU. L’accélération Metal est automatique. Le M1 gère large-v3 en temps réel. Le M2 Pro le gère à 2,5× le temps réel. Utilisez SnailText, choisissez n’importe quel modèle, et ça marche. La seule décision est de savoir si vous voulez la vitesse d’un plus petit modèle ou le plafond de précision de large.
Portable Windows, graphiques intégrés seulement (pas de GPU discret) : Utilisez Parakeet TDT pour l’anglais — 30× le temps réel sur CPU, sans GPU. Ou utilisez Whisper small (7 à 8× le temps réel). Si votre puce prend en charge Vulkan (AMD Ryzen 6000+ ou Intel 12e gén et après), whisper.cpp utilisera votre GPU intégré automatiquement pour une accélération supplémentaire. Évitez Whisper large — il est trop lent sans carte discrète.
Bureau ou portable Windows avec GPU discret NVIDIA/AMD : Tout modèle tourne bien. Whisper large-v3-turbo sur une RTX 2080 Ti traite 13 minutes d’audio en 19 secondes. Large-v3 sur une RTX 3090 prend 11 secondes par minute d’audio. Choisissez votre niveau de précision et le GPU s’en charge.
Vieux matériel (avant 2015, ou ARM basse consommation) : Whisper tiny ou base seulement. Le modèle tiny de whisper.cpp tourne sur un Raspberry Pi 4 à peu près en temps réel avec des réglages optimisés (-ac 512). Un Intel très ancien (Core i5-460M, 2010) atteint RTF ~0,86 avec base — juste sous le temps réel. Utilisable pour le bon cas, mais l’expérience est lente selon les standards d’aujourd’hui.
Comment SnailText gère cela
SnailText exécute Whisper et Parakeet TDT en local sur Mac et Windows, sur le matériel que vous avez. Quand vous l’installez pour la première fois, SnailText détecte votre matériel — génération de CPU, GPU disponible, VRAM — et recommande un modèle qui convient à votre machine.
Sur un MacBook série M, il recommande un modèle qui tire parti de Metal. Sur une machine Windows avec GPU discret, il recommande un modèle Whisper plus grand et utilise l’accélération GPU Vulkan. Sur une machine Windows CPU seul, il recommande Parakeet TDT (30× le temps réel sur CPU, anglais) ou Whisper small — des modèles qui restent rapides sans carte graphique.
Cette recommandation est un point de départ, pas une cage. Vous pouvez basculer vers n’importe quel modèle disponible à tout moment depuis les Réglages — un plus petit et plus rapide si vous valorisez la réponse instantanée, ou un plus grand et plus précis si votre machine peut le gérer.
SnailText est gratuit pour commencer, ne demande aucun compte, et tourne entièrement sur votre appareil. Le modèle se télécharge une fois puis fonctionne hors ligne. La réponse pratique à « ai-je besoin d’un GPU ? » pour dicter est non — mais SnailText vous dira exactement quel modèle convient à votre machine précise.
L’offre Pro ajoute Parakeet TDT et les plus gros modèles Whisper ($7.49 / month · $89 / year), avec un post-traitement par LLM local qui nettoie automatiquement les termes techniques et le style des identifiants. L’offre gratuite inclut Whisper compact et base — rapides sur tout CPU, sans compte.
La version courte
Vous n’avez pas besoin d’un GPU pour la voix vers texte. Un CPU moderne et 4 Go de RAM libre suffisent pour une dictée locale rapide et précise. Le Parakeet TDT de NVIDIA tourne à 30× le temps réel sur un i7 ordinaire — plus rapide sur CPU que Whisper sur un GPU de milieu de gamme. Whisper small tourne à 7 à 8× le temps réel sur Intel/AMD modernes. La croyance qu’il « faut un GPU pour l’IA » vient des charges d’entraînement en centre de données, pas de la transcription de votre propre voix.
Là où un GPU compte réellement : faire tourner Whisper large-v3 en temps réel sous Windows, transcrire par lots des heures d’audio, ou les déploiements serveur à forte concurrence. Pour arrête-et-dicte une phrase à la fois — le cas d’usage central des apps de dictée — le CPU est le bon outil pour la plupart des gens.
Accordez le modèle à votre machine, ou laissez SnailText le faire automatiquement, et la dictée sur CPU est rapide.
Sources des benchmarks : whisper.cpp README (tableau RAM) ; whisper.cpp GitHub discussions #89, #166, #3752 ; JustVoice Apple Silicon benchmarks ; Parakeet TDT DeepWiki benchmarks ; faster-whisper README ; 1qubit.de GPU benchmarks ; Phoronix whisper.cpp 1.8.3 iGPU.