Transcription locale ou dans le cloud : où va votre voix ?

La transcription locale transforme votre voix en texte sur votre propre ordinateur : le modèle est téléchargé une fois et votre audio ne quitte jamais la machine. La transcription dans le cloud envoie votre audio sur un serveur, qui renvoie le texte. La différence qui compte, c’est ce qui arrive à votre voix après l’envoi, et cela dépend entièrement des conditions du fournisseur.

Ci-dessous : comment fonctionnent les deux, ce que trois grands fournisseurs cloud disent faire de votre audio, et ce que vous échangez dans chaque cas.

Pourquoi c’est important pour les vidéos client

Les sous-titres rendent une vidéo plus facile à suivre sans le son et plus facile à parcourir. Pour les créer, quelque chose doit écouter tout ce que vous avez dit : le nom du client, le budget que vous avez expliqué, le bug de son tunnel de paiement.

Avec un service cloud, cet audio part chez l’app que vous utilisez, et souvent chez un fournisseur de transcription derrière elle. Avec une transcription locale, il reste sur votre Mac. Pour un tutoriel public, la différence ne compte peut-être pas. Pour une vidéo sur le projet d’un client, sous accord de confidentialité ou sous RGPD, elle peut compter.

Comment fonctionne la transcription dans le cloud

Les étapes sont partout les mêmes :

1. Votre app envoie l’audio (ou la vidéo entière) sur un serveur.
2. Un modèle de reconnaissance vocale sur ce serveur le convertit en texte.
3. Le texte revient, et l’app l’associe à votre vidéo.

C’est après l’étape 3 que les fournisseurs diffèrent. Voici ce que trois grands fournisseurs disent dans leur propre documentation :

Fournisseur	Utilisé pour entraîner des modèles ?	Conservé ensuite ?
API OpenAI, transcriptions audio	✗ Pas sauf si vous acceptez de partager vos données	✗ Ni surveillance des abus ni conservation de l’état de l’application pour ce point d’accès
Google Cloud Speech-to-Text	✗ Seulement si vous adhérez à son programme de journalisation des données	✗ Par défaut, il n’enregistre ni l’audio ni les transcriptions des clients
Amazon Transcribe (AWS)	~ Les services d’IA d’AWS peuvent utiliser le contenu pour améliorer le service, y compris pour entraîner des modèles, sauf si vous vous y opposez	~ Peut être stocké, éventuellement dans une autre région AWS, sauf si vous vous y opposez

D’après la documentation de chaque fournisseur, consultée en novembre 2026. Réglages et conditions peuvent changer.

Deux conséquences. D’abord, le « cloud » n’est pas une seule chose : le même audio peut être traité très différemment selon qui le traite. Ensuite, vous ne traitez en général pas directement avec ces fournisseurs. L’app d’enregistrement que vous utilisez en choisit un, et ses propres conditions et sa liste de sous-traitants vous disent lequel. Loom, par exemple, indique que sa transcription s’appuie sur les modèles GPT d’OpenAI et Gemini de Google, sur un Whisper auto-hébergé et sur le prestataire de transcription Speechmatics, que sa liste de sous-traitants situe aux États-Unis. Nous entrons dans les détails dans Loom et RGPD.

Comment fonctionne la transcription locale

La transcription locale fait tourner le même genre de modèle, mais sur votre ordinateur :

1. L’app télécharge une fois un modèle de reconnaissance vocale.
2. Quand vous enregistrez, le modèle tourne sur le processeur de votre Mac et transforme l’audio en texte.
3. Rien n’est envoyé pour la transcription. Ça fonctionne hors ligne.

Deux familles de modèles locaux sont courantes sur Mac.

Whisper

Whisper est un modèle de reconnaissance vocale généraliste publié par OpenAI, avec son code et ses poids sous licence MIT. OpenAI décrit son entraînement dans un article de recherche publié avec le modèle. Comme les poids sont publics, les apps peuvent l’intégrer et le faire tourner en local. Pour une approche concrète, voyez faire tourner Whisper sur un Mac.

Il existe en plusieurs tailles, et le choix est un compromis entre vitesse et précision. Le dépôt officiel indique :

Modèle	Paramètres	Mémoire nécessaire (env.)	Vitesse relative
tiny	39 M	1 Go	environ 10x
base	74 M	1 Go	environ 7x
small	244 M	2 Go	environ 4x
medium	769 M	5 Go	environ 2x
large	1 550 M	10 Go	1x
turbo	809 M	6 Go	environ 8x

D’après le dépôt officiel openai/whisper, consulté en novembre 2026. Vitesse relative au modèle large.

Le dépôt précise que turbo est une version plus rapide de large-v3 avec une perte de précision minime, et que les versions anglais uniquement des petits modèles font en général mieux en anglais.

Le framework Speech d’Apple

Le framework Speech d’Apple propose la reconnaissance sur l’appareil depuis des années. Dans l’ancienne API SFSpeechRecognizer, une app peut activer requiresOnDeviceRecognition pour empêcher une requête d’envoyer de l’audio sur le réseau, avec une réserve qu’Apple formule elle-même : les requêtes traitées sur l’appareil sont moins précises. Si cette option n’est pas activée, certaines langues peuvent nécessiter une connexion internet.

Avec macOS 26, Apple a ajouté SpeechAnalyzer et SpeechTranscriber. Leurs modèles sont téléchargés une fois depuis les serveurs d’Apple, gérés par le système et partagés entre les apps : une deuxième app qui a besoin de la même langue ne la télécharge pas à nouveau.

Les compromis

	Locale	Cloud
Votre voix reste sur votre ordinateur	✓	✗ Envoyée à l’app, souvent aussi à un fournisseur
Indépendante des conditions d’un tiers	✓	✗ Ses conditions s’appliquent, et elles peuvent changer
Fonctionne hors ligne	✓ Après le premier téléchargement	✗
Prête dès la première utilisation	✗ Téléchargement unique du modèle ; plus le modèle est gros, plus le téléchargement l’est	✓ Rien à télécharger
Vitesse	Dépend de votre Mac et de la taille du modèle	Dépend du temps d’envoi et de la charge du serveur
Précision	~ Bonne pour une voix claire ; les petits modèles font plus d’erreurs	Les grands modèles font mieux avec le bruit, les accents et le jargon
Batterie et chauffe	~ Sollicite votre processeur pendant le traitement	✓ Léger pour votre appareil, mais il faut envoyer le fichier

Pour la plupart des vidéos client (une seule voix, un micro correct, une pièce calme), l’écart de précision est faible. Les modèles cloud gardent l’avantage sur l’audio difficile : plusieurs personnes qui parlent en même temps, du bruit de fond, beaucoup de jargon. Quel que soit votre choix, un meilleur micro aide tous les modèles. Notre guide pour ajouter des sous-titres à un enregistrement d’écran sur Mac couvre le côté pratique.

Ce que ça implique pour le RGPD

L’enregistrement de votre voix, et la transcription de ce que vous avez dit, sont des données personnelles dès qu’ils se rapportent à une personne identifiable. Les envoyer à un fournisseur de transcription fait de lui un sous-traitant, ce qui implique un contrat, une ligne dans votre registre et, s’il est hors de l’UE, un mécanisme de transfert. La transcription locale ne supprime pas vos autres obligations, mais elle retire un sous-traitant de la chaîne. Nous détaillons les rôles dans RGPD et vidéos clients, et notre page enregistreur d’écran conforme au RGPD montre comment JustRec gère chaque étape.

Laquelle choisir

Choisissez la transcription locale quand l’audio parle de clients, de contrats ou de quoi que ce soit sous accord de confidentialité, quand vos clients sont dans l’UE et demandent où vont leurs données, ou quand vous travaillez souvent hors ligne.

Choisissez le cloud quand le contenu est de toute façon public (un tutoriel pour votre site), quand l’audio est difficile et que la précision compte plus que tout, ou quand vous avez besoin de fonctionnalités qui s’appuient sur la transcription dans le cloud, comme les résumés par IA.

Beaucoup finiront par utiliser les deux. L’important, c’est de savoir laquelle utilise une app donnée, avant d’y enregistrer le budget de votre client.

Les sous-titres sont aussi ce qui fait regarder une vidéo sur un téléphone dans un open space silencieux : plus de détails dans des sous-titres pour des vidéos regardées même sans le son.