Ce à quoi « Whisper » et « Parakeet » renvoient réellement
Ce sont des familles de modèles, pas des produits. Les deux sont publiés sous licences permissives (Whisper sous MIT, Parakeet TDT sous CC-BY-4.0), ce qui veut dire qu’une application peut livrer les poids du modèle dans un installeur et faire tourner l’inférence entièrement hors ligne sans payer aucun fournisseur au tarif à la minute. Ce seul fait est inhabituel en 2026 - la plupart de la reconnaissance vocale de qualité commerciale exige encore un aller-retour cloud et un compteur à la seconde.
Whisper d’OpenAI est sorti en septembre 2022. Cinq tailles de modèle (tiny / base / small / medium / large) avec la variante large entraînée sur 680 000 heures d’audio multilingue faiblement supervisé (selon la publication Whisper originale). L’architecture est un encoder-decoder Transformer classique : fenêtres de mel-spectrogramme de 32 secondes en entrée, séquences de tokens byte-pair en sortie. Cinq itérations ultérieures sont sorties : large-v2 (fin 2022), large-v3 (fin 2023), large-v3-turbo (fin 2024), et une série de variantes distillées de la communauté open source.
Parakeet TDT (Token-and-Duration Transducer) de NVIDIA a été rendu public mi-2025. La variante phare est parakeet-tdt-0.6b-v3 : 600 millions de paramètres, 25 langues prises en charge dont la plupart des grandes langues européennes et des langues asiatiques. L’architecture est encoder FastConformer + decoder TDT - fondamentalement différente du decoder autorégressif de Whisper. NVIDIA publie aussi des variantes RNN-T et CTC de Parakeet ; TDT est celle qui s’est imposée pour l’inférence de bureau grâce à son profil de latence.
Pour les besoins de cet article, quand nous disons « Whisper » nous parlons de la lignée large-v3 / large-v3-turbo, puisque ce sont celles utilisées dans les apps de dictée de production. Quand nous disons « Parakeet » nous parlons de Parakeet TDT 0.6B v3.
L’architecture en un paragraphe
Whisper est autorégressif : le decoder produit un token à la fois, chaque token conditionné par tous les tokens précédents. C’est l’approche transformer standard utilisée par les modèles de langue de type GPT. L’avantage, c’est que le modèle peut produire des sorties arbitrairement longues et intégrer le contexte sur toute la fenêtre audio. L’inconvénient, c’est que le temps de décodage croît avec la longueur de la sortie - un clip audio de 30 secondes produisant 100 mots prend proportionnellement plus longtemps qu’un qui en produit 20.
Parakeet TDT est un transducer : l’encoder tourne une fois sur tout l’audio, produisant une séquence d’embeddings acoustiques, et le decoder émet des tokens de texte plus une prédiction de durée pour chaque token en une seule passe. C’est structurellement plus proche d’un modèle CTC que d’un modèle de langue. L’avantage, c’est que le temps d’inférence est essentiellement fixe par seconde d’audio, quelle que soit la densité de la parole - les chiffres publiés par NVIDIA revendiquent environ 50-100× le temps réel sur un CPU moderne. L’inconvénient, c’est que le modèle a une fenêtre de contexte effective plus courte pour la cohérence inter-phrases.
Quand chacun l’emporte en précision
Sur de l’audio anglais propre, les deux modèles sont statistiquement indiscernables en taux d’erreur de mots. Les benchmarks de NVIDIA sur LibriSpeech placent Parakeet TDT 0.6B à 2,6 % de WER sur le jeu de test clean et 5,1 % sur l’autre jeu. Whisper large-v3 est dans la même fourchette (environ 2,0-2,5 % clean, 4,0-5,0 % other) selon la compilation, d’après la publication Whisper. Un utilisateur qui dicte dans une app de bureau dans une pièce silencieuse ne peut pas dire quel moteur tourne.
Sur de l’anglais accentué ou bruyant, Whisper a l’avantage. Cinq ans de fine-tuning communautaire, des fine-tunes pour des domaines précis (médical, juridique, variantes accentuées), et les plus grandes variantes à 1,5B paramètres donnent à Whisper une longueur d’avance. La communauté Whisper a livré des centaines de modèles dérivés sur Hugging Face ; la communauté Parakeet en a livré une poignée jusqu’ici. Si votre audio est constamment bruyant ou accentué, l’écosystème de Whisper est plus utile en 2026.
Sur le vocabulaire de domaine, il y a un piège au runtime à connaître. Parakeet prend en charge le vocabulaire personnalisé via le framework NeMo de NVIDIA (word boosting, jusqu’à quelques centaines de termes par flux ou des milliers globalement), mais les runtimes ONNX légers que la plupart des apps de bureau livrent n’exposent pas cette fonction. Donc en pratique, une intégration Parakeet de bureau n’a souvent aucun moyen d’apprendre au modèle vos sigles, noms de produit, ou jargon - un développeur qui l’a fait tourner en production a noté qu’il continuait à transcrire « Parakeet » lui-même en « Parakit ». La réponse de Whisper est différente mais aussi indirecte : vous remplacez par un fine-tune de domaine. Dans les deux cas, pour le vocabulaire spécialisé la solution courante en 2026 est une passe de post-traitement par LLM local qui corrige les termes après la transcription, quel que soit le moteur qui a produit le texte.
Sur la couverture multilingue, Whisper prend en charge 99 langues, Parakeet TDT v3 en prend en charge 25. La couverture de Whisper est plus large en nombre brut mais la longue traîne (vietnamien, bengali, télougou) a une qualité faible. Les 25 langues de Parakeet ont été choisies délibérément, mais la qualité n’est pas uniforme entre elles - le modèle publie un WER agrégé de 6,34 %, et les résultats par langue varient. Pour les plus grandes langues européennes (anglais, français, allemand, espagnol) Parakeet égale ou dépasse généralement Whisper ; pour les plus petites, l’écart est plus large. Une équipe qui a fait tourner Parakeet v3 en production pendant un mois a rapporté que l’anglais et le français marchaient très bien tandis que le néerlandais ressortait nettement plus grossier, ce qui colle au tableau « choisi délibérément mais entraîné de façon inégale ». Pour les langues à faibles ressources hors des 25, Whisper est le seul choix.
Sur le formatage, Parakeet a un avantage intégré majeur. Le modèle produit la ponctuation, les majuscules, et la normalisation de texte inverse (écrire « twenty fifteen » en « 2015 ») dans le cadre de sa sortie de décodage. Whisper produit tout cela seulement aux grandes tailles de modèle et tend à laisser tomber la ponctuation sur les clips courts. Pour obtenir un formatage fiable de Whisper, les déploiements de production ajoutent un post-traitement de ponctuation séparé - Silero TE est le choix courant. C’est un composant de moins dans un pipeline basé sur Parakeet.
Quand chacun l’emporte en latence
C’est là que les deux modèles divergent réellement.
Le coût d’inférence de Whisper est dominé par l’encoder, qui tourne en temps approximativement fixe par fenêtre de 30 secondes, quelle que soit la densité de la parole. Le coût du decoder est proportionnel au nombre de tokens de sortie. De bout en bout, un portable de bureau typique faisant tourner Whisper Small via whisper.cpp transcrit un clip de 10 secondes en 0,3 à 1,5 seconde selon la disponibilité du GPU. Un clip de 30 secondes fait 0,7 à 4 secondes. La dépendance à la longueur de sortie est réelle mais rarement dominante.
Whisper large-v3-turbo change quelque peu ce calcul. C’est une version distillée de large-v3 avec la plupart des couches du decoder retirées, donc il tourne plusieurs fois plus vite que large-v3 nature tout en gardant l’essentiel de la précision. Sur GPU, il rend le gros modèle Whisper interactif ; sur CPU, il aide mais n’égale pas un transducer. Turbo est le bon choix quand vous voulez la couverture 99 langues et la licence MIT de Whisper mais à plus grande vitesse que large-v3. Il réduit l’écart avec Parakeet sans le fermer sur CPU.
Le coût d’inférence de Parakeet TDT est dominé par la passe de l’encoder sur l’audio, avec le decoder TDT essentiellement gratuit en comparaison. Les chiffres publiés par NVIDIA et les benchmarks tiers indépendants placent Parakeet TDT à 50-100× le temps réel sur un CPU moderne pour l’anglais. Le même matériel faisant tourner Whisper Small via whisper.cpp serait à 2-5× le temps réel sur CPU.
Pour la dictée interactive - où l’utilisateur s’attend au résultat dans la seconde qui suit la fin d’une phrase - la différence compte le plus sur du matériel CPU seul. Sur un portable récent sans GPU discret, Whisper Small peut sembler lent sur les phrases longues. Parakeet sur le même matériel atterrit bien sous la seconde. Sur les machines équipées d’un GPU, les deux modèles sont assez rapides pour que l’utilisateur les perçoive comme instantanés ; la différence est réelle à la mesure mais invisible à l’usage.
Il y a aussi une histoire de coût de démarrage. L’initialisation GPU de whisper.cpp sur Vulkan peut prendre 5 à 30 secondes selon le matériel et l’état du pilote. Parakeet tournant sur ONNX Runtime CPU démarre en moins d’une seconde. Pour une app qui monte un modèle paresseusement à la première utilisation, la latence perçue du premier enregistrement est nettement meilleure avec Parakeet sur CPU qu’avec Whisper sur GPU.
Ce que ça signifie dans notre propre produit
Nous livrons les deux moteurs dans la même app de bureau, donc la conversation sur la latence est une conversation qu’on doit avoir à chaque version. Deux observations de production ressortent, formulées comme des schémas plutôt que des chiffres pour lesquels nous avons publié des benchmarks. D’abord, l’inférence en streaming sur une machine équipée d’un GPU réduit l’attente après l’arrêt sur Whisper à environ une seconde ou deux même pour les longues dictées — l’essentiel de l’inférence se fait pendant l’enregistrement lui-même, donc l’utilisateur n’attend que le dernier morceau partiel. Ensuite, sur du matériel CPU seul, l’écart entre les deux moteurs est assez grand pour sembler catégorique, pas incrémental — Parakeet sur CPU semble systématiquement interactif sur les longues dictées là où Whisper Small sur le même matériel ne l’est pas.
Nous ne publions volontairement pas encore de tableaux de comparaison en temps réel pour les deux moteurs. Un tête-à-tête reproductible a besoin d’une méthodologie fixe — même échantillon audio, même compilation de modèle, même matériel dans un état connu — et cette méthodologie est quelque chose que nous finalisons encore. Quand nous publierons la nôtre, elle vivra sur une page de méthodologie séparée vers laquelle cet article renverra.
Taille du modèle et ce qui tient dans un installeur
Whisper se livre en cinq tailles :
- Tiny : 75 Mo FP16, environ 39 Mo quantifié Q5_1
- Base : 142 Mo FP16, environ 74 Mo quantifié
- Small : 466 Mo FP16, environ 244 Mo quantifié
- Medium : 1,5 Go FP16, environ 769 Mo quantifié
- Large : 3 Go FP16, environ 1,5 Go quantifié
Parakeet TDT 0.6B v3 se livre à environ 640 Mo au format INT8 ONNX. NVIDIA publie aussi une variante 1.1B qui fait environ 1,2 Go en ONNX.
En pratique, l’installeur d’une application de bureau peut confortablement livrer Whisper Tiny ou Base regroupé, en demandant à l’utilisateur de télécharger Whisper Small / Medium / Large à la première utilisation. Parakeet se situe entre Whisper Small et Medium en taille, donc un modèle Parakeet regroupé est faisable mais pousse l’installeur au-delà de 600 Mo à lui seul.
Licences
Les deux modèles sont favorables à l’usage commercial mais avec des exigences d’attribution différentes.
Whisper est sous licence MIT. L’attribution n’est requise que dans les distributions de sources ; les distributions binaires peuvent livrer les poids du modèle sans aucun crédit visible par l’utilisateur. C’est l’option la plus permissive de tout modèle vocal open de qualité production.
Parakeet TDT est sous licence CC-BY-4.0. L’usage commercial est explicitement permis, mais l’attribution doit apparaître quelque part où les utilisateurs peuvent la trouver - typiquement une section « À propos » / « Crédits » listant « Utilise NVIDIA Parakeet-TDT-0.6B-v3 (CC-BY-4.0) ». Ce n’est pas contraignant, mais c’est une étape que les apps doivent franchir et que Whisper n’exige pas.
Les deux licences permettent la livraison dans un logiciel commercial payant, la dérivation de variantes affinées, et la vente d’abonnements à des apps qui utilisent les modèles.
L’histoire multilingue en détail
Pour une application qui doit gérer plusieurs langues, le choix dépend de quelles 25 langues Parakeet prend en charge et quelles autres comptent.
Les langues prises en charge par Parakeet TDT v3 couvrent le grand ensemble européen (anglais, espagnol, français, allemand, italien, portugais, néerlandais, polonais, russe, ukrainien, tchèque, hongrois, suédois, norvégien, danois, finnois, grec, roumain, croate, bulgare, catalan, basque) plus une poignée de langues asiatiques (japonais, coréen, mandarin) et quelques autres. La liste complète est sur la fiche modèle Parakeet de Hugging Face.
Ce que Parakeet ne prend pas en charge : la plupart des langues d’Asie du Sud et du Sud-Est (vietnamien, thaï, hindi, bengali, télougou, tamoul), la plupart des langues africaines, la plupart des langues du Moyen-Orient hormis l’arabe.
Whisper prend en charge toutes celles-là plus 80 autres, quoique avec une qualité nettement plus faible sur la longue traîne. Pour le vietnamien en particulier, Whisper produit une sortie utilisable et Parakeet ne tournerait pas du tout.
Un schéma pratique en 2026 est de livrer les deux moteurs : Parakeet pour les 25 langues qu’il gère bien, Whisper en repli pour le reste. Cela ajoute de la complexité d’installation mais donne la meilleure qualité par langue.
Réalité de production - ce que les apps de bureau font vraiment
D’après ce qui est publiquement visible en 2026 :
- SuperWhisper livre Whisper comme défaut du mode local, avec les API cloud en Pro opt-in.
- MacWhisper livre Whisper exclusivement.
- Voibe livre Whisper.
- Wispr Flow est basé cloud, ne fait tourner aucun des deux modèles sur l’appareil.
- SnailText livre Whisper par défaut avec Parakeet TDT disponible en option pour les utilisateurs qui veulent une latence plus basse sur CPU et une ponctuation intégrée.
Le schéma, c’est que Whisper détient encore la place par défaut parce que son écosystème est plus mature et ses bizarreries mieux comprises. Parakeet est le challenger montant ; il est réellement meilleur sur certains axes (latence sur CPU, formatage, débit) mais les fine-tunes et l’outillage communautaires rattrapent encore.
Pour un nouveau projet qui démarre aujourd’hui, la question est en gros : avez-vous besoin de la couverture linguistique plus large de Whisper ou de la latence plus basse de Parakeet ? La plupart des équipes choisissent Whisper pour la couverture linguistique et acceptent le coût de latence. Les équipes qui optimisent spécifiquement pour la dictée de bureau anglais d’abord choisissent de plus en plus Parakeet.
Matrice de décision — quel moteur pour quel cas d’usage
Si vous voulez une réponse d’une page à « lequel utiliser ? », cette matrice, c’est ça. Chaque ligne est une vraie situation produit dont nous avons vu des développeurs se soucier ; la colonne de droite est le modèle que nous choisirions si nous démarrions le projet aujourd’hui.
| Situation | Choix | Pourquoi |
|---|---|---|
| App de podcast ou transcript anglais seul | Parakeet | Ponctuation native + 50-100× temps réel CPU = sert de longs fichiers sans file d’attente |
| Notes de réunion multilingues (10-25 langues) | Parakeet | Meilleure qualité par langue que Whisper dans l’ensemble pris en charge |
| App multilingue ayant besoin de vietnamien / hindi / thaï / etc. | Whisper | Seul choix — Parakeet ne prend pas en charge ces langues |
| Dictée de bureau sur portables CPU seul | Parakeet | Whisper Small sur CPU est à la limite de l’interactif ; Parakeet atterrit sous la seconde |
| Dictée de bureau sur machines équipées d’un GPU | L’un ou l’autre | Les deux semblent instantanés en usage interactif ; choisissez selon la couverture linguistique |
| Industrie réglementée (médical, juridique) avec vocabulaire de domaine | Whisper | Fine-tunes existants pour la terminologie médicale / juridique ; la communauté Parakeet n’en a pas encore |
| Appareil embarqué / en périphérie (Raspberry Pi, mobile) | Whisper | whisper.cpp a des années de réglage embarqué ; l’ONNX Parakeet est plus lourd |
| Codage à la voix (Cursor, Copilot, terminal) | L’un ou l’autre | Les deux marchent ; le formatage intégré de Parakeet est un petit plus pour le style snake_case |
Quand choisir Whisper
Choisissez Whisper si vous avez besoin de l’une de ces choses, et que la latence CPU seul est acceptable.
- Des langues hors des 25 de Parakeet. Vietnamien, hindi, bengali, thaï, tamoul, la plupart des langues africaines, la plupart des langues du Moyen-Orient — Whisper est la seule option réaliste, même si la qualité sur la longue traîne est plus faible que pour les grandes langues.
- Un fine-tune communautaire qui correspond à votre domaine. Médical, juridique, anglais accentué, langues à faibles ressources — l’écosystème Hugging Face de Whisper a des centaines de modèles dérivés. L’écosystème de fine-tunes de Parakeet est encore petit.
- Une licence maximalement permissive. MIT signifie aucune exigence d’attribution, aucune obligation de divulgation en section « À propos ». Pour certaines distributions commerciales, ça compte.
- Déploiement embarqué ou en périphérie. whisper.cpp a été réglé pendant des années pour tourner sur Raspberry Pi, iOS, Android. Le chemin ONNX de Parakeet est utilisable mais moins éprouvé dans ces environnements.
Quand choisir Parakeet
Choisissez Parakeet si votre cas d’usage est anglais d’abord ou couvert par ses 25 langues, et que la latence CPU compte.
- Inférence CPU soutenue. Le chiffre de 50-100× le temps réel sur un CPU de portable moderne n’est pas théorique — il rend la transcription de longs fichiers instantanée d’une façon que Whisper Small ne peut simplement pas égaler sans GPU.
- Ponctuation et casse intégrées. Whisper aux petites tailles laisse tomber la ponctuation ; le schéma Whisper-plus-Silero-TE marche mais ajoute une étape de post-traitement. Parakeet émet la ponctuation dans la même passe de décodage.
- Une précision anglaise proche du sommet du domaine des modèles open. 2,6 % de WER sur LibriSpeech clean est compétitif avec Whisper large-v3 (environ 2,0-2,5 %) — assez proche pour que la plupart des utilisateurs ne voient pas la différence.
- Vous démarrez un nouveau projet en 2026. Parakeet est sorti en 2025 et est réellement plus moderne. Si vous n’avez pas de code de pipeline Whisper hérité à maintenir, démarrer sur Parakeet pour les apps anglais d’abord est le bon défaut.
La question « ai-je besoin des deux ? »
Si vous avez l’effort d’intégration à revendre, livrer les deux et laisser l’utilisateur choisir est la réponse de la plus haute qualité. La raison la plus courante de le faire : donner aux utilisateurs avancés un mode anglais-rapide (Parakeet) tout en prenant encore en charge leur longue traîne de langues moins courantes (Whisper). C’est ce que nous avons fait chez SnailText — les deux moteurs se livrent dans une seule app de dictée hors ligne et vous choisissez selon le cas d’usage.
Nous n’avons pas démarré avec les deux. Whisper est sorti d’abord parce que son écosystème était plus avancé et que nous voulions une parité Mac et Windows dès le premier jour. L’intégration de Parakeet est venue plus tard, quand nous entendions sans cesse la même plainte des utilisateurs Windows anglais seul sans GPU discret : « la transcription est bonne mais l’attente tue le flux ». Mettre Parakeet sur le même matériel Windows a rendu l’attente nettement plus courte — assez pour que la plainte change de forme, de « l’attente tue le flux » à « ça semble normal » — et la ponctuation s’est améliorée sans post-traitement séparé. Ce seul changement dans la réaction des utilisateurs a justifié le travail à deux runtimes. Si votre situation est monolingue et la plainte de latence la même, vous pouvez sans doute sauter Whisper entièrement et ne livrer que Parakeet ; nous avons gardé les deux parce que notre base d’utilisateurs est multilingue.
Ce que vous abandonnez avec chacun
Choisir Whisper exclusivement signifie :
- Une inférence CPU plus lente (compte plus sur les portables anciens)
- Un post-traitement de ponctuation manuel dans beaucoup de configurations
- L’acceptation d’hallucinations occasionnelles sur de l’audio silencieux ou à faible signal (atténuées par le VAD mais jamais nulles)
- Un fichier de modèle plus grand pour la même précision en anglais
Choisir Parakeet exclusivement signifie :
- La perte de 74 des 99 langues prises en charge par Whisper
- Moins d’outillage communautaire et moins de fine-tunes
- Un écosystème plus récent avec moins d’exemples aboutis et de réponses Stack Overflow
- Un seul fournisseur (NVIDIA) contrôlant les futures publications de modèles (contre OpenAI plus toute la communauté de distillation open source pour Whisper)
Et les API cloud ?
Cet article porte sur les modèles open que vous livrez hors ligne. Pour être complet : les grandes API cloud en 2026 sont l’API Whisper d’OpenAI, l’API audio d’Anthropic, Google Speech-to-Text, AWS Transcribe, Azure Speech, AssemblyAI, Deepgram, et ElevenLabs Scribe. Elles ne sont pas directement comparables à Whisper-le-modèle ou Parakeet-le-modèle. Elles tournent sur du matériel serveur que les apps de bureau ne peuvent pas égaler en débit brut, mais elles exigent un aller-retour réseau par enregistrement et un compteur à la seconde, ce qui les place dans une catégorie opérationnelle différente. Le choix entre STT cloud et local est la plus grande décision d’architecture ; le choix entre Whisper et Parakeet est en aval de « nous voulons du local ».
Si vous avez déjà tranché « nous voulons du local » et voulez juste dicter, SnailText livre les deux moteurs dans une seule app et vous laisse basculer selon le cas d’usage. Téléchargez-le — gratuit pour commencer, tourne hors ligne, sans compte.