Whistle transcrit le français sans cloud, dans un fichier de 16,9 Mo

Cactus Compute a mis en ligne Whistle au début d’octobre, un modèle de reconnaissance vocale qui tient dans un seul fichier de 16,9 Mo. Publié le 2 octobre 2026 sous licence Apache 2.0, il transcrit sept langues dont le français directement sur l’appareil, du smartphone à la montre, sans passer par un serveur (billet de Cactus Compute).

Un CD de 700 Mo contiendrait 41 copies du modèle. Les poids sont téléchargeables sur la page Hugging Face, et le moteur qui les fait tourner est publié sur le dépôt GitHub Needle.

Combien de temps pour le récupérer sur un mobile ?

Sur une connexion mobile à 30 Mbit/s, seuil des usages professionnels retenu par l’Arcep, Whistle (16,9 Mo, publié le 2 octobre 2026) se télécharge en 4,5 secondes, contre 38,7 secondes pour Whisper base. Le seuil vient de l’enquête de l’Arcep publiée le 20 novembre 2025, qui retient aussi 8 Mbit/s pour la vidéo. À 8 Mbit/s, chaque mégaoctet coûte une seconde : 16,9 secondes pour Whistle, 145,3 pour Whisper base.

Sur dix secondes d’audio, traitées par le processeur d’un Apple M4 Pro, Whistle sort son premier mot en 11,1 millisecondes. Whisper base, le modèle d’OpenAI qui sert d’étalon, en met 73,2. Ensuite, Whistle produit 1 319 jetons par seconde, contre 266 pour Whisper base et 262 pour Moonshine tiny v2, un autre petit modèle.

Sources : Cactus Compute (taille, latence et débit mesurés sur dix secondes d’audio, processeur Apple M4 Pro) ; seuils de débit de l’Arcep, 20 novembre 2025. Temps de téléchargement : taille × 8 ÷ débit.

Pourquoi un si petit modèle tient-il tête à Whisper ?

Whistle en fait moins : il accepte de l’audio mono à 16 kHz, par tranches de 30 secondes au plus, dans sept langues : anglais, allemand, français, espagnol, italien, néerlandais et polonais. Whisper a été conçu en généraliste multilingue, et sa version base compte 74 millions de paramètres. Cactus Compute a dessiné une architecture compacte de huit blocs d’encodage et huit blocs de décodage.

Le résultat varie selon le type de parole : Whistle devance Whisper base sur LibriSpeech, des livres audio lus, sur SPGISpeech et Earnings-22, tirés d’appels financiers, et sur la moyenne FLEURS. Whisper base garde l’avantage sur les conférences de TED-LIUM, les réunions enregistrées d’AMI et la moyenne multilingue MLS. Les tests portent sur 86 174 énoncés, dont aucun ne figure dans les données d’entraînement de Whistle, selon la page Hugging Face.

Le dépôt Needle chiffre l’écart : Whistle est 8,6 fois plus petit que Whisper base et 6,6 fois plus rapide jusqu’au premier jeton. Les deux modèles relèvent de la même famille de licences permissives. Whisper est publié sous licence MIT, Whistle sous Apache 2.0 : les deux autorisent la réutilisation, y compris commerciale, à condition de conserver la mention des auteurs.

Qu’est-ce que le traitement local change pour la vie privée ?

La CNIL recommande ce mode de traitement depuis 2020. Son livre blanc sur les assistants vocaux, présenté le 7 septembre 2020, préconise de traiter la voix localement pour les usages qui n’exigent aucun partage. Une alarme, un éclairage ou une note dictée n’ont pas besoin de quitter la pièce.

En novembre 2022, le laboratoire d’innovation de la CNIL a montré que c’était faisable. Son prototype, Mon Assistant CNIL, tournait entièrement hors ligne sur mobile. Il répondait juste à 97 % de 477 questions de test. Le LINC listait les risques du serveur distant : enregistrements déclenchés par erreur, écoute humaine des extraits, ciblage publicitaire.

Avec un modèle aussi léger, la rapidité ne dépend plus d’un centre de données. Pour une dictée médicale ou une commande domotique, la voix reste sur l’appareil qui l’a captée. Les poids ouverts profitent donc aussi aux petits fabricants, et ce que permet chaque licence décide de ce qu’ils peuvent en faire dans un produit vendu. Le sujet est suivi dans nos articles sur l’IA.

Quelles limites pour la dictée en français ?

Première limite, la durée : une passe traite 30 secondes au plus : une dictée plus longue doit être découpée en tranches. Deuxième limite, la langue : le portugais, l’arabe ou le japonais ne figurent pas dans la liste des sept langues. Les scores publiés restent aussi ceux de Cactus Compute, sans évaluation indépendante à ce stade.

Le moteur est livré précompilé pour dix-sept cibles, de macOS et Linux à Android, iOS, Windows sur ARM, RISC-V, MIPS et le navigateur. La liste compte aussi watchOS, le système de l’Apple Watch.

Article créé en collaboration avec l’IA.