Pour un agent vocal de production en 2026 : utilisez Parakeet TDT v3 si votre audio est des commandes anglaises courtes sur CPU, utilisez Whisper Large-v3-Turbo (via Groq ou auto-hébergé) si vos utilisateurs ont un accent ou du vocabulaire de domaine, utilisez Qwen3-ASR si vous avez besoin du multilingue à langues mêlées. La réponse complète dépend de ce à quoi ressemble vraiment votre audio — et c’est là que les chiffres de benchmark cessent d’être utiles.
Les benchmarks disent Parakeet. Les retours de production disent « ça dépend ». Les deux ont raison. Voici à quoi ressemble vraiment cette dépendance.
Les chiffres de WER du tableau ci-dessus sont des valeurs approximatives du jeu de test anglais propre de LibriSpeech selon les benchmarks publiés de NVIDIA et OpenAI. Le WER de production varie beaucoup avec les conditions audio, l’accent et le vocabulaire de domaine.
Les trois modèles et ce qu’ils cherchent à faire
Parakeet TDT v3 est le modèle ASR streaming-natif de NVIDIA. TDT signifie Token-and-Duration Transducer — une architecture bâtie pour l’inférence temps réel plutôt que la transcription hors ligne. La version v3 couvre 25 langues à 0,6B paramètres. Parakeet v2 est anglais seul à la même taille et est systématiquement plus rapide sur CPU que v3 parce qu’il ne porte pas la surcharge multilingue. Les deux livrent des facteurs de temps réel bien sous 0,1 sur CPU moderne — c’est-à-dire qu’un clip de 10 secondes se transcrit en moins d’1 seconde sans GPU.
Whisper Large-v3-Turbo est la version compressée de Large-v3 par OpenAI, entraînée pour tourner à environ la moitié du coût de calcul tout en récupérant l’essentiel de la précision. Il n’est pas aussi rapide que Parakeet sur CPU, mais il a deux choses que Parakeet n’a pas : 99 langues avec de bonnes performances sur toutes, et quatre ans de déploiement en production à travers des centaines d’apps en aval, ce qui veut dire que ses modes de défaillance sont bien documentés. Sur le matériel d’inférence de Groq, Whisper Turbo hébergé livre 300 ms de latence de bout en bout par requête — plus rapide que ce que la plupart des configurations auto-hébergées gèrent sur des GPU grand public.
Qwen3-ASR est la famille de modèles ASR multilingues 2026 d’Alibaba, avec la plus petite variante à 0,5B paramètres. Elle rivalise avec Parakeet sur la taille et avec Whisper sur l’étendue linguistique. Sa capacité phare, c’est le support des langues mêlées — de l’audio qui mélange hindi et anglais, ou espagnol et anglais, dans le même énoncé. C’est un vrai problème difficile pour Whisper (dont les données d’entraînement sont surtout monolingues par segment) et c’est là que l’approche d’entraînement de Qwen3-ASR lui donne l’avantage.
Nemotron ASR 3.5 — absent de la question d’origine mais apparaissant dans les fils de production dès juin 2026 — est le remplaçant streaming-first de la famille Canary chez NVIDIA. Conçu pour un déploiement NVIDIA NIM, il se mesure plus vite que Parakeet et gère 400+ sessions concurrentes par H100 selon les premiers retours de production. Il a un artefact de démarrage à froid documenté où les premières 1-2 secondes de chaque session sont moins précises, ce qui compte plus dans un agent vocal que dans un pipeline de transcription par lots.
La précision en chiffres. Sur le jeu de test anglais propre de LibriSpeech, Parakeet TDT v2 (anglais seul) atteint environ 2,5-4 % de WER, Parakeet TDT v3 environ 3-5 % de WER (la surcharge multilingue ajoute un petit coût de précision pour l’anglais), Whisper Large-v3-Turbo environ 2-3 % de WER, et Qwen3-ASR 0,5B environ 3-5 % de WER. Whisper Large-v3 (complet, 1,5B paramètres) atteint environ 2 % de WER — le plafond de précision à un coût de calcul notable. Ces chiffres viennent des benchmarks publiés de NVIDIA et OpenAI sur le jeu de test académique standard. L’écart entre les modèles se resserre nettement sur l’audio de production avec des accents, du bruit de fond, ou des phrases conversationnelles courtes.
Le problème avec les comparaisons de benchmark
Chaque fois que quelqu’un publie un benchmark comparant ces modèles, la section commentaires produit invariablement deux observations :
- « Parakeet gagne en vitesse et en WER sur le jeu de test LibriSpeech. »
- « Oui, mais mon audio de production, ce n’est pas LibriSpeech. »
Les deux sont vraies. Le jeu de test propre de LibriSpeech, c’est de la parole lue de livres audio — articulée, calme, neutre d’accent, phrases complètes. L’audio d’agent vocal, c’est de la parole conversationnelle, souvent depuis un micro de téléphone ou de portable, souvent avec du bruit de fond, souvent de locuteurs non natifs, souvent des phrases de commande de 1-3 secondes plutôt que des paragraphes de 10-30 secondes.
Ces deux types d’audio favorisent des modèles différents.
Pour les commandes conversationnelles courtes (1-3 secondes, « Quel temps fait-il » ou « Mets un minuteur de 10 minutes »), l’avantage architectural de Parakeet est substantiel. La fenêtre de contexte de 30 secondes de Whisper est conçue autour d’audio de longueur documentaire. Sur des clips très courts, Whisper paie toute la surcharge de contexte pour une toute petite quantité de parole réelle. L’architecture transducer de Parakeet traite chaque token à mesure qu’il arrive — elle ne met pas en tampon jusqu’à 30 secondes. Le résultat pratique, c’est ce qu’un déployeur en production a décrit comme un « bond énorme du WER » en passant de Whisper Turbo à Parakeet pour des phrases de commande de 1-2 secondes.
Pour la parole accentuée et le vocabulaire spécifique à un domaine, la direction s’inverse. Le corpus d’entraînement de Whisper est énormément plus grand et plus varié. Il a vu de l’anglais indien, britannique, australien, à accent allemand, et des centaines d’autres variantes en énorme quantité. Parakeet v3 est solide sur l’anglais accentué mais plus étroit en données d’entraînement. Quand le vocabulaire inclut de la terminologie propre à une entreprise, des noms de produit, des sigles techniques, et d’autres mots de domaine qui apparaissent rarement dans les données d’entraînement, la fenêtre de contexte plus large de Whisper et sa distribution d’entraînement plus riche gagnent systématiquement.
C’est pourquoi la même personne peut dire en toute sincérité « j’ai benchmarké Parakeet et il est meilleur » et « dans mon agent de production, Whisper est meilleur » — elle optimise pour des distributions d’audio différentes.
À quoi ressemblent vraiment les déploiements en production
Un schéma émerge à travers les fils de déploiement en production :
Whisper Turbo hébergé chez Groq pour la concurrence faible à moyenne. À 0,04 $ par heure d’audio, le point de terminaison hébergé de Groq est difficile à battre pour les agents vocaux sous quelques centaines de sessions concurrentes. La latence aller-retour de 300 ms est compétitive avec l’inférence GPU auto-hébergée sur du matériel grand public, et l’expérience de développement supprime entièrement le problème de provisionnement GPU. Pour une équipe qui construit un produit plutôt que d’exploiter une infrastructure GPU, c’est le choix par défaut pratique en 2026.
Parakeet auto-hébergé pour les déploiements en périphérie et limités par le CPU. Si vous faites tourner l’inférence sur des appareils en périphérie (NVIDIA Jetson, portables grand public, SoC mobiles), Parakeet v2 (anglais seul INT8) à ~600 Mo de RAM est la meilleure option actuelle. Un facteur de temps réel sous 0,1 signifie qu’une commande vocale de 2 secondes se transcrit avant que l’utilisateur ait fini de traiter sa propre pensée. Rien d’autre à cette taille de modèle ne l’égale.
Faster-Whisper (BF16) pour GPU auto-hébergé avec la précision de Whisper. Faster-whisper est une réimplémentation de Whisper basée sur CTranslate2 qui tourne 4× plus vite que l’implémentation Python d’origine sur le même matériel — le chemin de production qui revenait sans cesse pour les équipes qui ont besoin de la qualité Whisper avec une latence auto-hébergée, pas whisper.cpp. La quantification BF16 sur une A100 ou H100 atteint une latence sous la seconde pour des clips courts tout en gardant la précision proche de la référence FP16. La quantification Whisper FP8-dynamic de RedHatAI est une expérience active pour aller plus loin.
Modèles de domaine affinés pour le vocabulaire spécialisé. Le conseil constant des ingénieurs qui ont livré des agents vocaux en production : choisissez n’importe lequel des trois modèles de base, collectez 500-2000 exemples de votre audio de production réel (avec vos accents, votre terminologie et votre profil de bruit spécifiques), affinez, quantifiez en INT8 avec ONNX, et déployez. Les gains du fine-tuning sur des données de domaine sont plus grands que les gains d’un changement de modèle de base. Les trois modèles gèrent bien les conversations générales d’emblée. Les mots techniques, la terminologie propre à une entreprise, et les sigles de domaine sont là où aucun d’eux n’est fiable sans fine-tuning — l’écart entre un modèle générique et un modèle affiné sur du vocabulaire spécialisé est nettement plus grand que l’écart entre Parakeet et Whisper sur les mêmes données de domaine.
Le calcul de la latence
Pour un agent vocal temps réel avec un pipeline STT → LLM → TTS, l’étape STT doit contribuer bien moins de 500 ms de latence perçue pour sembler réactive. Voici à quoi ressemblent les chiffres réalistes :
Parakeet TDT v3 sur CPU (portable moderne, clip de 1-3 secondes) : 50-150 ms. C’est assez rapide pour que le goulot d’étranglement se déplace entièrement vers votre inférence LLM. Si vous faites tourner un petit LLM local et que votre TTS est rapide, Parakeet sur CPU peut produire un pipeline entièrement local qui semble réactif.
Whisper Turbo via Groq (clip de 1-3 secondes) : 200-350 ms aller-retour réseau compris. Assez rapide pour la plupart des agents vocaux. La latence réseau est la variable — si vos utilisateurs sont géographiquement éloignés des centres de données de Groq, cela peut s’allonger.
Whisper Turbo auto-hébergé (L40S ou H100 via cloud) : 150-400 ms selon que le modèle est chaud, la taille de lot, et la longueur du clip. Le problème de démarrage à froid du GPU — la latence de chargement du modèle — compte si vous démarrez et arrêtez les instances d’inférence de façon dynamique.
Qwen3-ASR 0,5B sur CPU (clip de 1-3 secondes) : 300-800 ms selon le matériel. Plus lent que Parakeet sur CPU, plus rapide que le gros Whisper, compétitif avec Whisper Turbo sur du matériel correct.
Nemotron ASR 3.5 via NIM (H100) : sous 100 ms à l’échelle, avec l’artefact de démarrage à froid dans les premières 1-2 secondes de chaque session. Le chiffre de 400+ sessions concurrentes par H100 est ce qui le rend attractif pour les déploiements à gros volume.
La question du multilingue et de l’accent
La question de la manière dont ces modèles gèrent l’anglais non neutre est la plus lourde de conséquences pour les déploiements en production et la moins bien servie par les benchmarks publiés.
Anglais à accent indien
L’anglais à accent indien est l’accent anglais non américain au plus gros volume sur internet et le point de mire explicite de plusieurs fils de déploiement en production. Les retours de production en 2026 penchent systématiquement vers Whisper. La combinaison de l’accent, de la variation de débit, et du vocabulaire mixte technique/conversationnel (identifiants de code, noms de produit d’entreprise, alternance codique hinglish) est là où l’étendue d’entraînement de Whisper se voit. Plusieurs équipes rapportent être passées de faster-whisper (pour la latence) à Whisper hébergé chez Groq (pour la précision sur l’accent indien) et accepter la dépendance hébergée comme le bon compromis.
Parole à langues mêlées (hinglish, spanglish)
Qwen3-ASR est particulièrement intéressant pour les énoncés qui basculent réellement d’une langue à l’autre en milieu de phrase. Whisper gère l’alternance codique de façon moins fiable parce que ses segments d’entraînement sont surtout monolingues. La couverture 25 langues de Parakeet v3 améliore v2 mais n’est pas conçue pour la bascule au sein d’un énoncé. Qwen3-ASR a été entraîné sur des données à langues mêlées et les gère structurellement mieux. Pour un agent vocal où les utilisateurs mêlent naturellement hindi et anglais dans la même phrase, Qwen3-ASR mérite un benchmark sur votre audio réel avant de vous engager sur Whisper.
Anglais à accent européen
Pour les accents allemand, français, espagnol et néerlandais à un niveau de vocabulaire technique, la domination des données d’entraînement de Whisper tient. Les trois modèles gèrent bien les accents européens propres au niveau phonémique ; la divergence se voit dans le vocabulaire de domaine — noms d’entreprise, identifiants de produit, et sigles techniques qui apparaissent rarement dans les données d’entraînement de n’importe quel modèle.
Quand utiliser chaque modèle
Utilisez Parakeet TDT v3 quand :
- Votre agent vocal gère des commandes courtes (moins de 3 secondes) de locuteurs anglais
- Vous déployez sur CPU ou du matériel en périphérie où le budget de latence est serré
- Votre audio est relativement propre et la variation d’accent est limitée
- Vous avez besoin d’anglais seul et voulez v2 pour la vitesse CPU maximale
Utilisez Whisper Turbo (via Groq ou auto-hébergé) quand :
- Vos utilisateurs ont un anglais accentué ou vous avez besoin de plusieurs langues
- Votre vocabulaire inclut des termes de domaine, des sigles, ou des noms propres
- Vous voulez un modèle éprouvé avec des milliers de déploiements en production et des modes de défaillance connus
- Votre concurrence est faible à moyenne et l’hébergement géré est acceptable
Utilisez Qwen3-ASR quand :
- Vous avez affaire à des langues mêlées (hinglish, spanglish, etc.)
- Vous voulez une couverture multilingue compétitive à une petite taille de modèle
- Vous êtes prêt à accepter un modèle moins testé par la communauté en échange de l’avantage multilingue
Envisagez Nemotron ASR 3.5 quand :
- Vous faites tourner une infrastructure GPU NVIDIA et voulez un déploiement NIM
- La forte concurrence (des centaines de sessions par GPU) est une exigence dure
- Vous pouvez contourner ou détecter l’artefact de démarrage à froid
La décision du fine-tuning
Chaque guide pratique sur l’ASR de production arrive au bout du compte à la même conclusion : si la précision sur votre audio spécifique est la contrainte, le fine-tuning bat la sélection de modèle. Ce n’est pas une réserve — c’est un fait structurel sur la façon dont ces modèles fonctionnent.
Les modèles de base sont entraînés à généraliser sur tous les types d’audio. Votre audio de production n’est pas tous les types d’audio — c’est vos utilisateurs, dans votre cas d’usage, avec votre vocabulaire. L’information dans votre audio de production qui distingue votre domaine du cas général n’est pas dans le modèle de base, parce qu’elle ne pouvait pas l’être — votre produit n’existait pas quand le modèle a été entraîné.
Collecter 500-2000 exemples de votre audio de production réel, les étiqueter (ou utiliser un modèle existant pour du pseudo-étiquetage puis corriger les erreurs), et affiner pendant 1-10 heures de calcul sur une seule A100 est à portée de n’importe quelle équipe avec un budget d’ingénierie. Les gains de précision du fine-tuning sur 1000 exemples de domaine dépassent systématiquement le passage d’un modèle de pointe à un autre.
La quantification INT8 via ONNX après le fine-tuning vous apporte l’efficacité de déploiement sans perte de précision substantielle sur le domaine cible.
Où SnailText s’inscrit dans ce tableau
SnailText est une app de dictée de bureau, pas un produit d’infrastructure d’agent vocal, mais il embarque Whisper et Parakeet TDT dans le même binaire — ce qui veut dire que nous faisons exactement cette comparaison sur du vrai matériel grand public à l’échelle.
La leçon pratique qui en découle : pour la dictée de bureau (phrases de 5-30 secondes, bureau à domicile calme, langue unique, dominante anglaise), Parakeet TDT v3 et Whisper Medium atterrissent à une précision similaire pour la plupart des utilisateurs. Parakeet est plus rapide sur CPU. Les gros modèles Whisper améliorent nettement la précision pour la parole accentuée. Le bon modèle dépend du matériel devant vous, pas d’un benchmark lancé sur le serveur de quelqu’un d’autre.
Vous pouvez essayer les deux en local sur Mac ou Windows avec l’offre gratuite — Whisper Tiny et Base sont inclus, Parakeet et les plus gros modèles Whisper sont dans Pro. La différence entre modèles est quelque chose que vous ressentez immédiatement sur votre propre voix, ce qui est le seul benchmark qui compte au bout du compte pour vos utilisateurs spécifiques.
La question de l’agent vocal de production est plus difficile parce que la diversité de l’audio est plus large et les contraintes de latence plus strictes. Mais la leçon sous-jacente est la même : le modèle qui gagne sur votre audio est celui à livrer, et vous le découvrez en testant sur votre audio, pas en lisant un benchmark.