Skip to content

fr ASR Backends

Jump to bottom
rcspam edited this page May 12, 2026 · 10 revisions

🌐 Langue : English | Français

Backends ASR

dictée supporte 5 backends de reconnaissance vocale, chacun avec des compromis différents sur précision, couverture linguistique, besoins matériels et capacités de streaming. Le backend par défaut et recommandé est Parakeet-TDT. Un 5e backend — Nemotron — est accessible uniquement en CLI (pour le streaming long format anglais + diarisation).

Le changement de backend est instantané à l'exécution via dictee-switch-backend ou l'assistant de configuration. Tous les backends partagent le même pipeline audio (PipeWire → PulseAudio → ALSA en fallback) et alimentent le même pipeline de post-traitement en 12 étapes.

Assistant — sélection du backend ASR

Table des matières

Table comparative

Backend Langues Taille Latence chaude (GPU) Latence chaude (CPU) Ponctuation Traduction intégrée* Streaming
Parakeet-TDT 0.6B v3 25 ~2,5 Go ~0,16 s ~0,8 s ✅ Native ❌ ⚠ Fichier seul
Canary-1B v2 25 ~5 Go ~0,7 s Impraticable ✅ Native ✅ (48 paires ↔ EN, même passe forward) ❌
faster-whisper 99 500 Mo–3 Go ~0,3 s ~0,5 s ✅ Native ⚠ EN seul (via task=translate) ❌
Vosk 20+ 50 Mo–1,5 Go N/A ~1,5 s ❌ Modèle optionnel ❌ ⚠ Capacité modèle, non exposée par dictée
Nemotron 0.6B (CLI seul) 1 (EN) ~2,5 Go Streaming Impraticable ✅ Native ❌ ✅ Natif (chunked)

* « Traduction intégrée » = traduction effectuée par le modèle ASR lui-même en une seule passe forward. Un ❌ dans cette colonne ne signifie pas que dictée ne peut pas traduire la sortie de ce backend — il indique que le backend ne traduit pas nativement. La traduction est toujours disponible pour tous les backends (Parakeet, Vosk, Whisper…) via l'un des backends de traduction séparés de dictée (Google, Bing, LibreTranslate, Ollama). Voir Traduction.

Latence chaude = temps de la fin de parole à la transcription prête, pour une utterance de 5 s, après que le daemon a chargé le modèle (la latence à froid du premier appel est 2–5× plus élevée).

Quel backend choisir

Situation Backend recommandé
Dictée quotidienne par défaut (FR/EN/DE/ES/IT/PT/RU/UK + 17 autres) Parakeet-TDT
Besoin de traduction intégrée à la transcription Canary-1B (25 langues ↔ anglais)
Langues exotiques (japonais, arabe, chinois, hindi…) faster-whisper (99 langues)
Ressources minimales (sans GPU, 1 Go RAM, Raspberry Pi…) Vosk
Fichier long anglais + diarisation (réunions, podcasts) Nemotron 0.6B via transcribe-stream-diarize (vrai streaming, pas de limite de durée)
Streaming / sous-titres en direct dans l'UI de dictée Aucun backend n'expose pour l'instant les sous-titres en direct dans l'UI principale (le streaming Vosk est niveau modèle seulement ; Nemotron streame mais est CLI-only pour transcription fichier) — prévu pour v1.4+
Précision maximale (en acceptant la latence) Canary-1B sur GPU
Latence minimale Parakeet-TDT sur GPU

Parakeet-TDT

Logo Parakeet

Parakeet-TDT 0.6B v3 est le modèle Token-and-Duration Transducer de NVIDIA avec un encodeur FastConformer. C'est le backend par défaut depuis la v1.3.

Points forts :

  • 25 langues européennes (français, anglais, allemand, espagnol, italien, portugais, néerlandais, ukrainien, russe, polonais, tchèque, slovaque, slovène, croate, bulgare, roumain, hongrois, grec, estonien, letton, lituanien, finnois, suédois, danois, maltais)
  • Ponctuation et capitalisation natives (pas besoin de regex de post-traitement pour la sortie de base)
  • Excellente précision sur audio réel (WER ~5–8 % sur CommonVoice FR/EN)
  • ~0,16 s de latence chaude sur RTX 4070 pour une utterance de 5 s
  • Tourne sur CPU (~0,8 s) ou GPU (~0,16 s)

Compromis :

  • L'outil en ligne de commande brut transcribe ne peut pas traiter d'audio de plus de ~5:20 min sur tout GPU (un bug connu dans le modèle Parakeet-TDT v3). dictee-transcribe (l'interface graphique) contourne ce bug depuis v1.3.4 en découpant automatiquement tout fichier plus long en morceaux plus petits — aucune action manuelle nécessaire.
  • Impossible de streamer — nécessite l'utterance complète avant de démarrer la transcription
  • Pas de traduction intégrée

Approfondissement : Parakeet-TDT-Deep-Dive couvre l'architecture, le détail VRAM, les limites de durée, les défauts connus (premier mot perdu, fausse détection cyrillique), et la fonctionnalité hotwords à venir.

Canary-1B

Logo Canary

NVIDIA Canary-1B v2 est un modèle attention-encoder-decoder (AED) qui transcrit et traduit en une seule passe.

Points forts :

  • 25 langues européennes supportées (même set que Parakeet : EN, FR, DE, ES, IT, PT, NL, UK, RU, PL, CS, SK, SL, HR, BG, RO, HU, EL, ET, LV, LT, FI, SV, DA, MT)
  • Traduction intégrée : chacune des 25 ↔ anglais = 48 paires (pas de paires non-anglaises comme FR→DE)
  • Précision leader sur les langues supportées
  • Ponctuation et capitalisation natives
  • Context-aware du décodeur (tokens de prompt pour langue source + cible)

Compromis :

  • Nécessite un GPU en pratique (inférence CPU impraticablement lente)
  • 5 Go VRAM minimum
  • Le hub de traduction est l'anglais (pour FR→DE il faut faire FR→EN puis EN→DE)
  • Pas de streaming

Exemple CLI :

# Transcription seule (français)
dictee-switch-backend asr canary
DICTEE_LANG_SOURCE=fr dictee

# Transcription + traduction FR → EN
DICTEE_LANG_SOURCE=fr DICTEE_LANG_TARGET=en dictee --translate

L'implémentation Rust de Canary (dans src/canary.rs) a initialement été portée depuis onnx-asr et est désormais entièrement autonome.

faster-whisper

faster-whisper est un portage optimisé CTranslate2 de la famille Whisper d'OpenAI, maintenu par SYSTRAN.

Points forts :

  • 99 langues (couverture la plus large de tous les backends)
  • Plusieurs tailles de modèles — tiny (39 Mo), base (74 Mo), small (244 Mo), medium (769 Mo), large-v3 (1,5 Go), large-v3-turbo (809 Mo), distil-large-v3 (600 Mo)
  • Tourne bien sur CPU comme sur GPU
  • Ponctuation et capitalisation natives
  • Traduction optionnelle via task="translate" → anglais uniquement

Compromis :

  • Hallucine sur audio court/silencieux
  • Timestamps imprécis sur large-v3 et turbo (DTW dégradé) — continuation par audio-context désactivée
  • Pas de streaming

Sélection du modèle :

# Dans dictee.conf ou via environnement
DICTEE_WHISPER_MODEL=large-v3-turbo dictee

Recommandé pour usage quotidien : large-v3-turbo (meilleur compromis qualité/vitesse) ou distil-large-v3 (5× plus rapide, ~95 % de la précision de large-v3).

Vosk

Vosk est un reconnaisseur offline léger basé sur Kaldi, maintenu par Alpha Cephei.

Points forts :

  • Modèles tout petits (50 Mo typique, descend à ~40 Mo pour les variantes mobiles)
  • Modèle streaming-capable — l'API Vosk expose PartialResult() pendant l'enregistrement, mais le daemon de dictée n'appelle actuellement que FinalResult() (transcribe-daemon-vosk:125). L'affichage de texte en direct n'est pas encore exposé dans l'UI.
  • Tourne sur CPU sans matériel spécial (Raspberry Pi 4 testé)
  • Strictement offline — pas besoin de réseau, pas de télémétrie
  • 20+ packs langues disponibles sur alphacephei.com/vosk/models

Compromis :

  • Pas de ponctuation native sur la plupart des modèles (nécessite post-traitement ou l'add-on vosk-recasepunc)
  • Précision inférieure à Parakeet/Canary/Whisper (WER ~15–20 % sur CommonVoice)
  • Loterie de sélection du modèle : dictée prend l'ordre alphabétique si plusieurs sont présents (bug connu)

Répertoire des modèles :

ls ~/.cache/dictee/vosk/
# → vosk-model-fr-0.22/
# → vosk-model-small-en-us-0.22/

Nemotron 0.6B (streaming CLI seul)

NVIDIA Nemotron-Speech-Streaming-EN 0.6B est un modèle ASR streaming spécialisé, anglais uniquement, conçu pour la transcription long format avec chunking naturel.

Points forts :

  • Vrai streaming — traite l'audio en chunks de 10 secondes avec overlap interne ; pas besoin de bufferiser l'utterance complète
  • Anglais seul (1 langue)
  • Modèle ~2,5 Go (encoder.onnx + decoder_joint.onnx)
  • Ponctuation et capitalisation natives
  • Pas de plafond de durée dur — peut traiter des fichiers multi-heures avec VRAM bornée

Où il est utilisé :

  • Le binaire Rust transcribe-stream-diarize couple Nemotron à Sortformer pour la diarisation streaming-friendly de longs fichiers anglais
  • Pas exposé via dictee-switch-backend — vous ne sélectionnez pas « Nemotron » comme backend de dictée
  • CLI seul : invoqué directement pour la transcription batch, pas pour la dictée interactive

📌 Depuis v1.3.0, le modèle Nemotron n'est plus proposé dans dictee-setup — le flow UI streaming est parqué jusqu'en v1.4. Le binaire transcribe-stream-diarize est toujours livré dans les paquets ; les utilisateurs avancés peuvent encore exploiter le pipeline en téléchargeant le modèle manuellement :

mkdir -p ~/.local/share/dictee/nemotron
cd ~/.local/share/dictee/nemotron
for f in encoder.onnx encoder.onnx.data decoder_joint.onnx tokenizer.model; do
  wget "https://huggingface.co/altunenes/parakeet-rs/resolve/main/nemotron-speech-streaming-en-0.6b/$f"
done

Le branchement UI interactif (sous-titres live dans dictee-transcribe / dictee-tray) est sur la roadmap v1.4.

Quand l'utiliser :

  • Enregistrements longs en anglais (podcast 1h+, conférence, cours) où Parakeet/Canary saturent la VRAM
  • Transcriptions multi-locuteurs anglais (pipeline Nemotron + Sortformer)

Compromis :

  • Anglais seul — utiliser Parakeet/Canary/Whisper pour les autres langues
  • Pas de traduction (combiner avec un autre backend de traduction après transcription)
  • Pas câblé dans le daemon / plasmoid / tray — uniquement outil CLI

Exemple CLI :

transcribe-stream-diarize meeting.wav \
  --nemotron-model ~/.local/share/dictee/nemotron/ \
  --sortformer-model /usr/share/dictee/sortformer/ \
  --format=plain

Voir Diarization pour les détails du pipeline.

Benchmarks

Mesurés sur TUXEDO InfinityBook Pro Gen8 (MK2) — Intel Core i7-13700H, RTX 4070 Laptop 8 Go, TUXEDO OS (kernel 6.17, NVIDIA 590.48.01), utterance de 5 s en français, modèle chaud :

Backend Latence GPU Latence CPU VRAM GPU RAM CPU
Parakeet-TDT 0,16 s 0,8 s 1,2 Go 3,1 Go
Canary-1B 0,7 s 4,5 s 5,1 Go 5,8 Go
faster-whisper (large-v3-turbo) 0,3 s 0,5 s 2,1 Go 2,8 Go
Vosk (fr-0.22) N/A 1,5 s N/A 1,9 Go

Latence à froid (premier appel après démarrage daemon) : ajouter ~2 s pour Parakeet/Whisper/Vosk, ~5 s pour Canary.

Changement à l'exécution

Aucun redémarrage nécessaire — le changement de backend est instantané via le helper dictee-switch-backend :

# Afficher les backends actuels
dictee-switch-backend status
# → ASR: parakeet (dictee.service, active)
# → Translate: google (trans)

# Changer l'ASR
dictee-switch-backend asr canary
dictee-switch-backend asr whisper
dictee-switch-backend asr vosk
dictee-switch-backend asr parakeet

# Lister les disponibles
dictee-switch-backend list

Le Tray-Icon et le Plasmoid-Widget incluent des sous-menus pour les backends — pas besoin de terminal.

Coulisses

Chaque backend de dictée tourne comme service systemd utilisateur :

Backend Unité service Binaire daemon
Parakeet dictee.service transcribe-daemon (Rust)
Canary dictee-canary.service transcribe-daemon --canary (Rust)
Whisper dictee-whisper.service dictee-transcribe (Python, faster-whisper)
Vosk dictee-vosk.service dictee-transcribe (Python, vosk-api)
Nemotron (pas de daemon — CLI seul) transcribe-stream-diarize (Rust)

Tous les services écoutent sur le même socket Unix à $XDG_RUNTIME_DIR/transcribe.sock, avec un protocole requête/réponse simple. Un seul service est actif à la fois (les autres sont mutuellement exclusifs via Conflicts= dans leurs unités systemd).

Pour le protocole complet et les internes du daemon, voir Developer-Guide.

Étapes suivantes

📖 dictee Wiki

🇬🇧 Home · 🇫🇷 Accueil

Getting started / Premiers pas

Speech recognition / ASR

Translation / Traduction

Post-processing / Post-traitement

CLI

Reference / Référence

🏠 Repo · 📦 Releases · 🐛 Issues

Clone this wiki locally