Speech-to-Text (STT) avec LLM

Définition

Le Speech-to-Text (STT) ou ASR (Automatic Speech Recognition) est la technologie de transcription de l'audio en texte, constituant la premiere etape des assistants vocaux et des pipelines de traitement de reunions. Les LLMs ont revolutionne ce domaine : Whisper (OpenAI, 2022) a etabli un nouveau standard en utilisant l'apprentissage auto-supervise sur 680K heures d'audio multilangue, surpassant tous les modeles precedents pour de nombreuses langues. Whisper est un transformer Seq2Seq qui prend en entree des spectrogrammes Mel 80 bandes et genere du texte. Sa cle est la diversite des donnees d'entrainement (680K heures vs quelques milliers pour les modeles precedents), ce qui lui confere une robustesse exceptionnelle aux accents, bruits ambiants, et langues rares. Il supporte 99 langues et atteint des WER (Word Error Rate) de 2-4% sur l'anglais standard. Les variantes de Whisper vont de tiny (39M params, rapide sur CPU) a large-v3 (1.5B params, SOTA precision). Des implementations optimisees existent : faster-whisper (CTranslate2, 4x plus rapide), whisper.cpp (CPU sur Apple Silicon M1/M2/M3), Distil-Whisper (HuggingFace, 6x plus rapide que large avec -1% WER). Les services cloud specialises offrent des fonctionnalites complementaires : Deepgram (SDK temps reel, streaming, 200ms latence), AssemblyAI (diarisation des locuteurs, detection de sentiments, redaction automatique de PII), Azure Speech, Google Speech-to-Text (integration native avec leurs LLMs). Ils sont privilegies pour les applications de production ou la latence et la scalabilite sont critiques. Les cas d'usage enterprise : transcription et analyse de reunions (avec résumé LLM automatique), sous-titrage video, call center analytics (transcription + analyse sentiments), assistants vocaux en temps reel, accessibilite (sous-titres automatiques), et documentation automatique (dictee medicale, rapports sur le terrain).