Découvrez VoicePing ASR Model V0.1, un modèle multilingue de reconnaissance vocale pour l'anglais, le japonais, le coréen, le chinois et le vietnamien.
Découvrez VoicePing ASR Model V0.1
Nous présentons aujourd’hui VoicePing ASR Model V0.1, notre modèle multilingue de transcription de la parole en texte pour les langues les plus présentes dans VoicePing : l’anglais, le japonais, le coréen, le chinois et le vietnamien.
VoicePing est conçu autour de la communication orale multilingue : réunions, événements, traduction vocale, transcriptions, résumés et recherche. Dans ces flux de travail, la reconnaissance automatique de la parole (ASR, pour Automatic Speech Recognition) n’est pas une fonctionnalité isolée. C’est la première couche de toute l’expérience produit. Si la transcription est instable, chaque étape en aval perd de sa valeur.
VoicePing ASR Model V0.1 est conçu pour cette réalité. Il se concentre sur les cinq langues principales que nous servons le plus intensivement, avec pour objectif de produire des transcriptions plus propres pour de vraies conversations.
Un seul modèle pour le travail multilingue
La reconnaissance vocale généraliste a progressé rapidement, mais l’audio multilingue réel conserve des zones difficiles :
- Le japonais, le coréen et le chinois exigent un traitement du texte adapté à chaque langue.
- Le vietnamien dépend de la précision des marques tonales et des frontières de mots.
- Les extraits longs ou bruités peuvent révéler des transcriptions partielles, des sorties vides et des répétitions de texte.
- Les modèles cloud peuvent se comporter différemment selon les langues, même lorsque l’API semble uniforme.
- Un système performant sur un benchmark public n’est pas toujours le mieux adapté aux réunions, aux événements et à la traduction vocale.
VoicePing ASR Model V0.1 est notre premier modèle consolidé construit autour de ce périmètre produit de cinq langues. Le benchmark ci-dessous pose une question pratique : avec quelle précision transcrit-il la parole qui compte réellement pour nos utilisateurs ?
Ce qu’il fait
VoicePing ASR Model V0.1 transcrit la parole en :
- Anglais
- Japonais
- Coréen
- Chinois
- Vietnamien
Sa sortie est la transcription qui alimente les fonctionnalités ultérieures de VoicePing, comme la traduction, les sous-titres, les comptes rendus de réunion et l’historique de conversation consultable.
Cet article utilise indifféremment ASR et STT (Speech-to-Text). Les deux désignent la transcription de la parole en texte.
Évaluations
Jeu de données
L’évaluation s’appuie sur un ensemble multilingue de données vocales VoicePing comprenant 1 000 extraits par langue, soit environ 41 heures d’audio au total. Les extraits reflètent le type de parole que VoicePing traite en pratique : de vraies conversations plutôt que des enregistrements lus dans des conditions idéales.
| Langue | Extraits |
|---|---|
| Anglais | 1,000 |
| Japonais | 1,000 |
| Vietnamien | 1,000 |
| Coréen | 1,000 |
| Chinois | 1,000 |
| Total | 5,000 |
Tous les systèmes sont testés sur le même ensemble audio.
Modèles comparés
Nous comparons VoicePing ASR Model V0.1 à des systèmes cloud de reconnaissance vocale largement utilisés et à des modèles ASR ouverts, notamment Google Cloud STT, Azure AI Speech, les modèles de transcription d’OpenAI, ElevenLabs Scribe v2, Deepgram Nova-3, Qwen3-ASR et SenseVoiceSmall.
Notation
La métrique principale est le taux d’erreur de mots (WER, pour Word Error Rate) : plus il est bas, mieux c’est. Le WER mesure le nombre de mots insérés, supprimés ou substitués par rapport à la transcription de référence humaine.
Latence
La précision n’est pas la seule exigence pour un ASR en production. Nous mesurons également le temps que chaque système met à renvoyer une transcription, car un modèle précis mais lent peut rester décevant dans les réunions et événements en direct.
Résultats principaux
Le graphique ci-dessous compare le taux d’erreur de mots moyen sur les cinq langues pour VoicePing ASR Model V0.1 et les systèmes de reconnaissance vocale externes de ce benchmark. Les barres les plus basses sont les meilleures. Les graphiques par langue suivent dans la section des résultats.
Précision par langue
| Système | WER EN | WER JA | WER VI | WER KO | WER ZH | WER macro |
|---|---|---|---|---|---|---|
| VoicePing ASR Model V0.1 | 20.2% | 20.4% | 15.5% | 24.5% | 16.0% | 19.3% |
| Google Cloud STT V1 default | 23.1% | 23.5% | 52.1% | 57.8% | 44.2% | 40.1% |
| Google Cloud STT Chirp 2 | 24.5% | 29.7% | 14.8% | 32.8% | 22.6% | 24.9% |
| Google Cloud STT Chirp 3 | 22.9% | 26.4% | 20.1% | 37.4% | 19.2% | 25.2% |
| Azure AI Speech | 23.0% | 21.1% | 21.0% | 37.3% | 22.5% | 25.0% |
| OpenAI GPT-4o Transcribe | 50.6% | 52.4% | 64.3% | 44.1% | 29.1% | 48.1% |
| OpenAI GPT Realtime Whisper | 31.8% | 26.2% | 20.9% | 33.0% | 22.4% | 26.9% |
| Qwen3-ASR 0.6B | 23.8% | 29.7% | 26.2% | 38.2% | 20.9% | 27.7% |
| Qwen3-ASR 1.7B | 21.9% | 25.0% | 22.0% | 33.1% | 20.0% | 24.4% |
| SenseVoiceSmall | 28.0% | 37.4% | 99.9% | 45.9% | 28.1% | 47.9% |
| ElevenLabs Scribe v2 | 28.6% | 20.3% | 15.4% | 31.5% | 21.2% | 23.4% |
| Deepgram Nova-3 | 29.3% | 28.0% | 38.4% | 44.8% | 29.2% | 34.0% |
Classement
| Système | WER macro | Latence médiane | Remarques |
|---|---|---|---|
| VoicePing ASR Model V0.1 | 19.3% | 1.22s | ASR multilingue VoicePing |
| Google Cloud STT V1 default | 40.1% | 7.47s | Reconnaissance vocale cloud |
| Google Cloud STT Chirp 2 | 24.9% | 7.12s | Reconnaissance vocale cloud |
| Google Cloud STT Chirp 3 | 25.2% | 7.32s | Reconnaissance vocale cloud |
| Azure AI Speech | 25.0% | 7.12s | Reconnaissance vocale cloud |
| OpenAI GPT-4o Transcribe | 48.1% | 1.53s | Transcription OpenAI |
| OpenAI GPT Realtime Whisper | 26.9% | 7.17s | Transcription OpenAI |
| Qwen3-ASR 0.6B | 27.7% | 3.56s | Modèle ASR ouvert |
| Qwen3-ASR 1.7B | 24.4% | 4.18s | Modèle ASR ouvert |
| SenseVoiceSmall | 47.9% | 0.07s | Modèle ASR ouvert |
| ElevenLabs Scribe v2 | 23.4% | 3.07s | Reconnaissance vocale cloud |
| Deepgram Nova-3 | 34.0% | 1.33s | Reconnaissance vocale cloud |
VoicePing ASR Model V0.1 combine le WER macro le plus bas de ce benchmark avec l’un des temps de réponse médians les plus rapides, à 1,22 seconde. Les systèmes qui répondent plus vite dans cette évaluation sacrifient pour cela une grande part de leur précision.
Résultats par langue
Anglais
VoicePing ASR Model V0.1 affiche le WER anglais le plus bas de cette comparaison, à 20.2%, devant Qwen3-ASR 1.7B et les grands systèmes cloud testés ici.
Japonais
Le japonais est l’une des langues les plus importantes pour VoicePing. Sur ce jeu de données, VoicePing ASR Model V0.1 atteint 20.4% de WER, à quasi-égalité avec ElevenLabs Scribe v2 (20.3%) pour le meilleur résultat en japonais, devant Azure AI Speech et les modèles ASR ouverts de référence.
Vietnamien
Le vietnamien est la course la plus serrée de ce benchmark : Google Cloud STT Chirp 2 mène à 14.8% de WER, avec ElevenLabs Scribe v2 (15.4%) et VoicePing ASR Model V0.1 (15.5%) pratiquement à égalité juste derrière.
Coréen
Le coréen présente l’un des écarts les plus nets du benchmark. VoicePing ASR Model V0.1 enregistre 24.5% de WER, loin devant le groupe de systèmes suivant.
Chinois
Le chinois est un autre point fort de VoicePing ASR Model V0.1, à 16.0% de WER, avec Google Cloud STT Chirp 3 et Qwen3-ASR 1.7B en poursuivants les plus proches.
Ce que nous avons appris
- VoicePing ASR Model V0.1 offre la meilleure précision globale de ce benchmark, avec 19.3% de WER macro sur les cinq langues.
- Le résultat n’est pas uniforme selon les langues : l’anglais, le coréen et le chinois montrent les avantages les plus nets de VoicePing dans cette évaluation, le japonais est à quasi-égalité avec le meilleur système cloud, et le vietnamien est une course serrée qui se joue à moins d’un point.
- Les grands systèmes généralistes ne l’emportent pas automatiquement sur la parole multilingue propre à un produit.
- La précision et le temps de réponse comptent tous deux pour l’expérience utilisateur, en particulier dans les réunions et événements en direct.
Et ensuite
VoicePing ASR Model V0.1 est une première version, et ce benchmark est un instantané. Le jeu de données est construit à partir du type de parole que VoicePing traite en pratique : il mesure donc la maturité pour notre produit plutôt que de se substituer à un benchmark public universel — et les systèmes cloud de la comparaison continueront d’évoluer, tout comme notre modèle. La latence dépend aussi de l’environnement de déploiement ; les chiffres de vitesse sont donc à considérer comme indicatifs plutôt qu’absolus.
À partir de là, notre travail se concentre sur les axes que cette évaluation met en lumière : réduire les schémas d’erreurs qui subsistent dans chaque langue, étendre le jeu de test avec de l’audio plus bruité, plus long et plus spécifique à certains domaines, et élargir la comparaison à mesure que de nouveaux systèmes de reconnaissance vocale sortent. Les scores automatiques guident ce travail, et la relecture humaine des transcriptions reste partie intégrante de chaque décision de publication.
Conclusion
VoicePing ASR Model V0.1 est notre premier modèle ASR multilingue consolidé pour l’anglais, le japonais, le coréen, le chinois et le vietnamien. Dans ce benchmark de 5 000 extraits, il offre la meilleure précision globale des systèmes testés, avec certains des temps de réponse les plus rapides — et c’est la couche de transcription sur laquelle reposent toutes les autres fonctionnalités de VoicePing.
Le changement important, c’est le recentrage : nous évaluons l’ASR comme une composante d’un vrai produit de communication multilingue, et non comme une démonstration de modèle isolée.
