Premiers pas avec Whisper en local

Par Emmanuel Sauvage · Publié le · Mis à jour le

Cette page peut contenir des liens partenaires Amazon : si vous achetez après un clic, le site peut percevoir une commission sans surcoût pour vous. Nos conseils restent indépendants. En savoir plus.

Whisper est un modèle de reconnaissance vocale (speech-to-text, conversion parole → texte) publié en open source : il transforme un fichier audio en texte, sans envoyer votre voix à un cloud si vous l’exécutez sur votre PC. Ce n’est pas un LLM (large language model, modèle de langage pour le chat) comme Ollama : vous n’« discutez » pas avec Whisper, vous obtenez une transcription.

Suite logique après première IA locale en 15 minutes : une fois le chat texte validé, vous ajoutez la voix. Ce tutoriel couvre le premier fichier transcrit ; pour medium, dossiers entiers et ffmpeg avancé, enchaînez avec Whisper transcription FR hors ligne dès que test_fr.wav affiche du texte lisible en français.

Pour qui ?

Profil Parcours conseillé Prérequis
Débutant sans Python, Windows ou Linux 3A whisper.cpp Aucun ; téléchargement binaire + modèle
À l’aise avec pip et un venv 3B faster-whisper Python 3.10+, ffmpeg
Préfère une interface graphique 3C LM Studio LM Studio déjà installé ou prêt à l’installer

Notes vocales, réunions familiales ou chaîne n8n + LLM local : le parcours 3A ou 3B reste le plus simple à automatiser.

Durée (1re fois, hors téléchargement du modèle) — 3A ~25 min · 3B ~40 min (Python + venv + ffmpeg) · 3C ~30 min si LM Studio est déjà en place.

Choisissez votre parcours — 3A (whisper.cpp) si vous refusez Python et voulez une commande unique · 3B (faster-whisper) si vous acceptez Python 3.10+ · 3C (LM Studio) pour glisser-déposer un fichier (confort UI, pas le plus léger pour un batch n8n — préférez 3A ou 3B en production).

Choisir son parcours (sans Python ou avec Python)

Parcours Durée (1re fois) Vous si… Première commande
whisper.cpp (recommandé sans Python) ~25 min Vous voulez un exécutable et une ligne de commande Télécharger la release + ggml-small.bin
faster-whisper ~40 min Vous acceptez Python 3.10+ et pip pip install faster-whisper dans un venv
LM Studio (interface) ~30 min Vous préférez glisser-déposer un fichier audio Installer LM Studio → onglet chat / import audio

Ce dont vous avez besoin (CPU / RAM)

Ressource Indication
CPU Quasi tout PC récent ; pas de GPU obligatoire
RAM 8 Go minimum ; 16 Go confortable pour medium
Disque ~150 Mo (small) à ~1,5 Go (medium) selon outil — voir SSD modèles
Logiciel ffmpeg pour convertir MP3/M4A si l’outil le demande

Pas de tableau GGUF (format quantifié des LLM) ni de VRAM ici : voir VRAM et quel modèle seulement si vous ajoutez ensuite un LLM sur le même serveur.

Workflow maison (texte → résumé)

  1. Déposez vos enregistrements dans un dossier vocaux_a_transcrire/.
  2. Lancez Whisper (modèle small, langue fr).
  3. Récupérez le transcript (fichier .txt ou sortie terminal).
  4. Optionnel : envoyez le texte à Ollama pour résumer — choisir premier modèle.
  5. Optionnel : n8n surveille le dossier et enchaîne transcription + résumé.

Étapes numérotées

1. Préparer un fichier audio test

Si vous ne suivez que le parcours 3B (faster-whisper) : installez Python et le venv ci-dessous, puis revenez enchaîner avec l’étape 2. Pour 3A (whisper.cpp) ou 3C (LM Studio) : passez directement à l’étape 2 — inutile d’installer Python ici.

Enregistrez 30 à 60 secondes en français (dictée du quotidien). Nommez le fichier test_fr.wav. Formats courants : WAV, MP3, M4A.

Python + venv (étape 3B uniquement) — copiez une ligne à la fois dans Invite de commandes (cmd) :

winget install -e --id Python.Python.3.12
python -m venv %USERPROFILE%\whisper-venv
%USERPROFILE%\whisper-venv\Scripts\activate.bat
python -m pip install --upgrade pip

PowerShell (équivalent — une ligne à la fois ; ne modifiez pas les $env:…) :

winget install -e --id Python.Python.3.12
python -m venv "$env:USERPROFILE\whisper-venv"
& "$env:USERPROFILE\whisper-venv\Scripts\Activate.ps1"
python -m pip install --upgrade pip

Linux / macOS :

python3 -m venv ~/whisper-venv && source ~/whisper-venv/bin/activate

2. Installer ffmpeg (conversion audio)

  • Windows :

    winget install -e –id Gyan.FFmpeg

Ou binaire depuis ffmpeg.org.

  • macOS : brew install ffmpeg
  • Linux : paquet ffmpeg de votre distribution

Convertir un MP3/M4A si besoin :

ffmpeg -i note.m4a -ar 16000 -ac 1 test_fr.wav

Résultat attendu : à la fin de l’étape 3, test_fr.wav produit du texte en français sur la sortie standard ou dans un fichier .txt.

3. Transcrire (choisir 3A, 3B ou 3C)

Question unique : acceptez-vous d’installer Python 3.10+ sur votre PC ?

  • Non → 3A whisper.cpp (exécutable + ligne de commande).
  • Oui → 3B faster-whisper (venv + script transcrire_test.py ci-dessous).
  • Je veux une interface → 3C LM Studio (glisser-déposer, pas idéal pour automatiser).

3A — whisper.cpp (~25 min, sans Python)

  1. Téléchargez la release sur whisper.cpp.
  2. Téléchargez ggml-small.bin (~466 Mo) : fichier sur Hugging Face (miroir couramment utilisé par le README whisper.cpp).
  3. Dans le dossier contenant modèle et audio :
./main -m ggml-small.bin -f test_fr.wav -l fr -otxt

Sous Windows, l’exécutable peut s’appeler main.exe ou whisper-cli.exe — voir le README de votre archive. Résultat attendu : un fichier test_fr.wav.txt ou du texte français affiché dans le terminal.

3B — faster-whisper (~40 min, Python)

Avec le venv activé :

pip install faster-whisper

Script à enregistrer — créez transcrire_test.py dans le même dossier que test_fr.wav, collez le bloc entier ci-dessous sans modifier les espaces, puis lancez python transcrire_test.py :

from faster_whisper import WhisperModel

model = WhisperModel("small", device="cpu", compute_type="int8")
segments, info = model.transcribe("test_fr.wav", language="fr")
for segment in segments:
    print(segment.text, end="")
print()

Résultat attendu : le terminal affiche une phrase ou un paragraphe en français correspondant à votre enregistrement (ponctuation parfois approximative avec small).

Dépannage 3B (repliable)

Si pip install faster-whisper échoue, vérifiez que le venv est actif (le prompt affiche (whisper-venv)). Sur Windows, relancez l’invite cmd ou PowerShell en administrateur uniquement si winget le demande — pas pour pip seul.

3C — LM Studio (~30 min, interface graphique)

3C = confort d’interface : pratique pour un test ponctuel, mais pas le chemin le plus léger si vous visez un dossier surveillé et des transcriptions en série avec n8n — préférez 3A ou 3B pour l’automatisation. LM Studio ne remplace pas whisper.cpp pour des fichiers très longs sur CPU modeste ; voir aussi les limites comparées à whisper.cpp dans Whisper transcription FR hors ligne.

Suivez installer LM Studio, onglet Chat, importez test_fr.wav, langue français, lancez la transcription (Transcribe / Audio).

4. Organiser le dossier entrant

Créez vocaux_a_transcrire. Plus tard, n8n pourra surveiller ce dossier, appeler Whisper, puis envoyer le texte à Ollama — comme pour l’assistant familial et les vocaux scolaires.

5. Enchaîner avec Ollama (optionnel)

  1. Copiez le transcript dans Open WebUI ou ollama run avec : « Résume en 5 puces en français ».
  2. Rappelez à la famille que les LLM peuvent inventer des dates — voir assistant privé.

6. Vérifier la qualité

Si la ponctuation ou les noms propres sont faibles, restez sur small avant de monter à medium (plus lent sur CPU). Voir le tableau des tailles en fin d’article.

Après la première transcription réussie

  1. Archiver le .txt dans un dossier daté (transcripts/2026-10/) pour retrouver vos essais sans mélanger les tests.
  2. Comparer tiny vs small sur le même test_fr.wav : notez le temps CPU et les erreurs sur les noms propres — inutile de monter à medium tant que small suffit pour vos vocaux courts.
  3. Chaîner avec Ollama : copiez le texte dans Open WebUI avec un modèle instruct Q4 (« Résume en cinq puces »).
  4. Automatiser plus tard : dossier vocaux_a_transcrire/ + n8n une fois le parcours 3A ou 3B stable — pas 3C en production batch.
  5. Domotique : la voix peut alimenter Home Assistant + Ollama seulement si la latence totale (Whisper + LLM) reste acceptable ; testez d’abord sur une lampe non critique.

Erreurs fréquentes

Problème Cause Solution
Fichier introuvable Chemin avec espaces non quoté Mettre le chemin entre guillemets
Sortie en anglais Langue non forcée Paramètre language="fr"
Très lent Modèle large sur CPU Passer à small
Erreur codec MP3 sans ffmpeg Convertir : ffmpeg -i entree.mp3 sortie.wav

Suite de votre parcours

À lire ensuite — une fois test_fr.wav transcrit en français, enchaînez dans cet ordre (quatre lectures prioritaires).

  1. Whisper transcription FR hors ligne — modèle medium, plusieurs fichiers d’un coup, ffmpeg avancé.
  2. Première IA locale en 15 minutes — si Ollama n’est pas encore installé pour résumer vos transcripts.
  3. Open WebUI pour débutants — coller le texte transcrit et demander un résumé structuré en français.
  4. n8n + LLM local — surveiller vocaux_a_transcrire/ après un parcours 3A ou 3B stable.

Micro pour vos enregistrements test (optionnel)

Le micro intégré du portable suffit pour test_fr.wav. Si vous enregistrez souvent des vocaux familiaux ou scolaires, un micro USB réduit le bruit de fond — utile avant de monter au modèle medium. Recherche indicative sur Amazon.fr (oct. 2026 — vérifiez le prix et les avis au moment de l’achat) : microphone USB. Lien partenaire : commission sans surcoût pour vous ; détail des règles sur la page affiliation.

Formats audio et ffmpeg

Format Remarque
WAV Idéal tests, fichiers plus lourds
MP3 Courant ; ffmpeg requis souvent
M4A Messages iPhone ; convertir si erreur
OGG Libre ; bien supporté par ffmpeg

Conversion exemple :

ffmpeg -i note.m4a -ar 16000 -ac 1 test_fr.wav

Whisper accepte souvent 16 kHz mono ; la conversion stabilise les résultats sur CPU.

Modèles Whisper (taille vs qualité)

Modèle RAM ~ Vitesse CPU Français
tiny faible rapide approximatif
base faible rapide correct bref
small moyenne raisonnable bon choix début
medium plus lourd lent meilleure ponctuation
large lourd très lent sur GPU surtout

Sur CPU, restez sur small. Avec une RTX pour Ollama, certaines builds acceptent device="cuda" pour des fichiers longs — fermez les gros modèles chat avant (VRAM).

Matériel transcription seule

Pas besoin de RTX : un mini-PC 16 Go suffit souvent. Si vous cumulez Whisper + Ollama + Docker, visez 32 Go — RAM 32/64.

Sécurité et RGPD (règlement général sur la protection des données)

Après votre premier fichier .txt transcrit localement :

  • Les vocaux peuvent contenir noms, adresses ou voix d’enfants : traitez-les comme des documents sensibles.
  • Pas de copie sur un cloud grand public « pour sauvegarder » sans lire les conditions du service.
  • Le traitement 100 % local limite les transferts vers des sous-traitants commerciaux, mais n’efface pas vos obligations de prudence au foyer.
  • Cadre détaillé : RGPD et IA 100 % locale ; comparaison cloud : coût sur 3 ans.

Questions fréquentes

Whisper est-il un chatbot comme Ollama ?

Non : Whisper convertit la parole en texte (speech-to-text). Ollama fait du texte à texte. Les deux peuvent coexister sur le même PC.

Quel modèle pour le français en CPU ?

small ou medium selon patience ; tiny pour tests rapides mais plus d’erreurs sur les noms propres.

Faut-il ffmpeg ?

Souvent oui pour convertir MP3/M4A en WAV ou flux compatible ; installez-le via le site officiel ou le gestionnaire de paquets de votre OS.

LM Studio ou whisper.cpp pour automatiser des dossiers ?

whisper.cpp ou faster-whisper conviennent mieux au batch et à n8n ; LM Studio reste un parcours confort pour un test manuel à l’écran.

Sources

Affiner avec le sélecteur matériel