AudioOutils

Une demi-seconde suffit à Rumble-2-Flash pour transcrire une heure d’audio

Transcrire un podcast, une interview client ou une table ronde reste une corvée pour beaucoup d’équipes marketing. Le 18 novembre 2026, la société Reson8 a publié Rumble-2-Flash, un modèle de reconnaissance vocale de 0,5 milliard de paramètres, sous licence Apache 2.0. Selon son éditeur, il transcrit une heure d’audio en une demi-seconde environ sur un serveur bien chargé. Il couvre plus de 40 langues, dont le français, avec des taux d’erreur publiés pour notre langue.

Ce guide détaille ce que mesurent ces chiffres, ce que le modèle fait et ne documente pas encore, puis la façon de l’intégrer à votre production de contenus audio.

Ce que Reson8 a publié

Rumble-2-Flash reprend l’architecture Qwen3-ASR. Ce choix technique a une conséquence pratique : le modèle fonctionne dès sa sortie dans Transformers et vLLM, deux bibliothèques largement utilisées, sans code spécifique à installer. Reson8 l’a obtenu en « distillant » Rumble-2, son modèle de production plus grand. Le petit modèle transcrit l’audio lui-même, puis le grand modèle note sa transcription jeton par jeton. L’élève apprend ainsi à corriger précisément les erreurs qu’il commet.

La petite taille du modèle a des effets concrets. Un modèle de 0,5 milliard de paramètres demande peu de mémoire. Il peut tourner sur une infrastructure modeste et traiter un grand nombre de fichiers pour un coût de calcul réduit. Reson8 affirme qu’il rivalise avec des modèles de 3 à 60 fois sa taille. Pour une agence ou un média qui transcrit des centaines d’heures par mois, cet écart de taille se traduit directement sur la facture d’hébergement. Pour une petite équipe, il rend envisageable une installation sur un serveur interne, à l’abri des transferts de fichiers vers un service tiers.

Le modèle propose plusieurs réglages utiles pour un usage éditorial. Vous pouvez choisir d’écrire les nombres en chiffres ou en lettres, de garder ou de retirer les mots de remplissage et les hésitations, de conserver les répétitions mot pour mot ou d’imposer la langue de transcription. Sans indication de langue, le modèle la détecte seul.

CHIFFRES CLÉS

Les chiffres publiés par Reson8

Résultats annoncés par l'éditeur le 18 novembre 2026. Le taux d'erreur de mots (WER) mesure la part de mots mal transcrits.

0,5 Md

Paramètres du modèle

Source : Reson8, 2026

6,96%

Taux d'erreur moyen sur neuf langues dont le français (Open ASR Leaderboard multilingue)

Source : Reson8, 2026

7,21%

Taux d'erreur moyen en français sur FLEURS, Common Voice et MLS

Source : Fiche du modèle, 2026

7,86%

Taux d'erreur sur 302 heures d'appels de centre de contact en anglais

Source : Reson8, 2026

Une heure d’audio en une demi-seconde, vraiment ?

Le chiffre est exact dans un cadre précis. Reson8 indique dépasser un facteur de 7 000 en temps réel lorsque les lots de fichiers restent pleins, ce qui correspond à une heure d’audio traitée en une demi-seconde environ. La fiche du modèle précise que ces mesures ont été obtenues sur un GPU NVIDIA H200 avec vLLM.

Pour une PME qui transcrit quelques podcasts par mois sur un ordinateur portable, la vitesse obtenue dépendra de son matériel. Le chiffre décrit la capacité d’un serveur de calcul haut de gamme qui traite de gros volumes en parallèle. Retenez-le comme un indicateur d’efficacité du modèle, utile surtout si vous traitez des milliers d’heures d’enregistrements.

Le facteur temps réel (RTFx) compare la durée de l’audio au temps de calcul. Un facteur de 7 000 signifie que le système traite 7 000 secondes d’audio pendant une seconde de calcul. Une heure compte 3 600 secondes, d’où le chiffre d’une demi-seconde environ.

Que vaut Rumble-2-Flash en français ?

La fiche du modèle détaille les résultats en français sur trois jeux de test publics. Le taux d’erreur atteint 5,95% sur FLEURS, 10,01% sur Common Voice et 5,66% sur MLS, soit une moyenne de 7,21%. Concrètement, sur un texte de 1 000 mots, ces taux correspondent à environ 55 à 100 mots erronés selon le jeu de test. La qualité de l’enregistrement pèse lourd dans cet écart.

Taux d'erreur de mots publiés pour Rumble-2-Flash (plus le chiffre est bas, meilleure est la transcription)

Jeu de test Taux d’erreur Ce que cela représente
Français, FLEURS 5,95% Phrases lues, enregistrement propre
Français, Common Voice 10,01% Voix de contributeurs variés, micros hétérogènes
Français, MLS 5,66% Livres audio lus
Neuf langues, moyenne multilingue 6,96% Chinois, allemand, français, italien, espagnol, portugais, hindi, néerlandais, anglais
Jeu conversationnel privé (fiche du modèle) 13,14% Conversations, le score le plus élevé publié

Selon Reson8, son modèle fait mieux sur la moyenne multilingue que omniASR-LLM 7B de Meta, un modèle quinze fois plus gros. Il devance aussi Whisper large-v3. Sur des appels téléphoniques réels en anglais, il obtient 7,86% d’erreur, contre 7,78% pour Nemotron 3.5 Transcribe de NVIDIA, un modèle de 30 milliards de paramètres. Seul Qwen3-ASR 1.7B fait mieux dans cette comparaison, avec 7,4%.

Ce que la documentation ne mentionne pas

Pour un usage marketing, trois fonctions comptent souvent autant que la justesse du texte. Le billet d’annonce et la fiche du modèle n’en parlent pas.

NON DOCUMENTÉ

Horodatage

Aucune mention d’horodatage par mot ou par phrase, nécessaire pour produire des sous-titres synchronisés.

Contrôle : Vérifiez si votre outil de sous-titrage peut aligner le texte sur l'audio.

NON DOCUMENTÉ

Identification des voix

La séparation des locuteurs (qui parle quand) n’est pas décrite. Elle est utile pour un podcast à deux voix ou une table ronde.

Contrôle : Prévoyez une étape séparée pour attribuer les répliques.

NON DOCUMENTÉ

Transcription en direct

Les exemples publiés portent sur des fichiers audio. Le fonctionnement en continu pendant un direct n’est pas décrit.

Contrôle : Réservez le modèle aux fichiers enregistrés tant que ce point n'est pas confirmé.

Une fonction absente de la documentation demande une vérification avant de bâtir un processus dessus. Pour les sous-titres de vos vidéos, relisez aussi notre article sur les sous-titres automatiques qui massacrent le nom de vos produits : la relecture des noms propres reste indispensable, quel que soit le moteur.

Quatre usages pour une équipe marketing

Transformer un podcast en article

La transcription brute d’un épisode sert de matière première pour un article de blog, une infolettre ou une série de publications. Le réglage qui retire les mots de remplissage donne un texte plus lisible dès le départ. Une personne doit ensuite réécrire, structurer et vérifier les citations avant publication. Notre guide pour écrire avec l’IA sans perdre sa voix donne la méthode pour cette étape.

Exploiter des interviews clients

Les entretiens menés pour une étude de positionnement ou une étude de cas contiennent des formulations précieuses. Une transcription rapide permet de repérer les mots exacts employés par vos clients. Avant tout enregistrement, informez les personnes interrogées et recueillez leur accord. Si les fichiers contiennent des données personnelles, l’exécution du modèle sur votre propre infrastructure limite leur circulation.

Analyser des appels de service client

Le test publié sur 302 heures d’appels d’assistance, avec 14 accents anglais, montre que le modèle tient sur un son téléphonique compressé. Pour des appels en français, aucun résultat équivalent n’est publié. Testez sur un échantillon de vos propres enregistrements, après validation du cadre juridique par votre délégué à la protection des données.

Documenter vos réunions

Une transcription de réunion sert de base à un compte rendu. Si vous utilisez déjà un outil dédié comme ceux présentés dans notre article sur Granola, Rumble-2-Flash intéressera surtout les équipes techniques qui veulent construire leur propre chaîne de traitement.

Mesurez le taux d’erreur sur vos propres fichiers

Les scores publiés portent sur des jeux de test standard. Vos enregistrements ont leur propre vocabulaire : noms de marque, références produit, sigles internes, prénoms d’invités. Un test maison d’une demi-journée vous dira si le modèle convient à votre production.

  1. Choisissez cinq extraits de dix minutes qui représentent vos formats : un épisode de podcast, une interview à distance, une réunion, une vidéo tournée en extérieur, un appel enregistré avec accord.
  2. Faites établir une transcription de référence par une personne, sans outil. C’est la base de comparaison.
  3. Passez les mêmes extraits dans Rumble-2-Flash puis dans l’outil que vous utilisez aujourd’hui.
  4. Comptez les mots erronés dans chaque transcription, en notant à part les erreurs sur les noms propres et les chiffres. Ce sont elles qui coûtent le plus cher à laisser passer.
  5. Chronométrez la relecture. Le temps passé à corriger compte davantage qu’un écart d’un point sur le taux d’erreur.

Ce test vous donne un chiffre comparable aux scores publiés. Il révèle aussi les mots que le modèle écorche systématiquement. Gardez-en la liste : elle servira de grille de relecture pour toute votre équipe.

PROMPT

Transformer une transcription en plan d'article

Objectif : Obtenir une première structure d'article à partir de la transcription d'un épisode de podcast.

Voici la transcription d’un épisode de podcast de notre marque [nom de la marque], avec l’invité [nom et fonction]. Propose un plan d’article de blog de 1200 mots destiné à [public]. Pour chaque partie, indique l’idée principale et cite entre guillemets le passage exact de la transcription qui la soutient. Signale les passages où la transcription semble incohérente ou incomplète. N’ajoute aucune information absente de la transcription.

À vérifier : Vérifiez chaque citation dans l'audio original et faites valider les propos attribués à l'invité.

Comment l’essayer

Trois façons d'accéder au modèle

Le choix dépend de vos compétences techniques et de la sensibilité des enregistrements.

  1. Passer par l'API de Reson8

    Reson8 propose une API sur son site. C’est l’accès le plus simple pour un premier test, à condition que vos fichiers puissent sortir de votre organisation.

    Point de contrôle : Les conditions de traitement des données de l'API ont été lues avant tout envoi.

  2. L'exécuter avec Transformers

    Les poids se téléchargent sur Hugging Face. Le code d’exemple accepte un fichier local, une adresse web ou une liste de fichiers. La langue peut être indiquée ou laissée à la détection automatique.

    Point de contrôle : Un développeur a reproduit l'exemple de la fiche du modèle sur un fichier de test.

  3. Le servir avec vLLM

    Pour de gros volumes, vLLM expose le modèle derrière une API compatible avec celle d’OpenAI. Cette option suppose un serveur équipé d’un GPU.

    Point de contrôle : Le serveur est accessible uniquement depuis votre réseau interne.

La fiche du modèle indique qu’aucun fournisseur d’inférence tiers ne le propose encore. Si vous ne disposez pas de compétences techniques en interne, l’API de l’éditeur reste la voie la plus directe.

MISE EN SITUATION FICTIVE

Un podcast de marque transformé en contenus écrits

Une PME de cosmétiques publie un podcast mensuel de 40 minutes avec un invité. L'équipe veut en tirer un article et trois publications pour les réseaux sociaux.

L’équipe transcrit l’épisode avec le réglage qui retire les mots de remplissage. Une personne relit le texte en écoutant les passages où apparaissent des noms de produits et d’ingrédients. Les citations retenues pour les réseaux sociaux sont vérifiées mot pour mot dans l’audio, puis validées par l’invité avant publication.

La transcription accélère la première étape. La relecture des noms propres et des citations reste la partie qui demande le plus d'attention.

FAQ

Questions fréquentes sur Rumble-2-Flash

Réponses établies à partir du billet de Reson8 et de la fiche du modèle.

Les poids sont publiés sous licence Apache 2.0, qui autorise l’usage commercial. L’exécution demande du matériel. L’API de Reson8 suit ses propres conditions tarifaires, non détaillées dans l’annonce.

Non. Il convertit la parole en texte. Pour produire une voix à partir d’un texte, il faut un modèle de synthèse vocale, comme ceux évoqués dans notre article sur Voxtral TTS de Mistral.

La documentation publiée ne mentionne pas d’horodatage. Sans horodatage, le texte doit être aligné sur l’audio par un autre outil avant de devenir un fichier de sous-titres.

Les meilleurs scores publiés concernent des textes lus et enregistrés proprement. Un bon micro et une pièce calme réduisent les erreurs. Pour nettoyer une voix avant transcription, un outil comme Adobe Podcast Enhance Speech peut aider.

L’indication reste facultative. Le modèle détecte la langue seul. L’indiquer évite une erreur de détection sur un extrait court ou sur un enregistrement qui mélange les langues.

Et pour finir

Rumble-2-Flash rend la transcription de qualité accessible avec un modèle très léger, sous licence permissive, avec des résultats publiés en français. Ses limites documentaires portent sur l’horodatage, la séparation des voix et le direct. Commencez par un test sur cinq de vos enregistrements les plus représentatifs, comptez les corrections nécessaires et comparez avec votre outil actuel.

SOURCES

Sources et pour aller plus loin

Documents consultés le 22 novembre 2026.

Afficher plus

Damien LADURELLE

Après un long moment en tant que gérant d'une agence web & communication à Lille, j'ai rejoint les rangs de l'entreprise au poste de Directeur Marketing et Communication dans une holding. Aujourd'hui, j'accompagne TPE & PME dans leur croissance digitale grâce notamment à l'aide des dernières innovations technologiques. Toujours à la recherche de nouvelles façons de se démarquer, d'innover, de dépasser les barrières du "casual".

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page