Speech to text

Modèle open-weight disponible sur Hugging Face, 1er open-weight sur l'Open ASR Leaderboard et à égalité en tête chez Artificial Analysis, avec dataset Granary v2 de 463 062 h et outils de fine-tuning ouverts.

Famille de modèles STT/TTS et SDK d'agents vocaux disponibles dès aujourd'hui via API UE ou auto-déploiement, avec benchmarks publics (FLEURS, diarization) et tarif de 0,0035 $/min pour la version Mini.

Modèle disponible, prix fixé à 0,10$/heure (baisse de 72%) et revendiqué 10x plus rapide que les concurrents.

Modèle disponible en API publique avec benchmarks indépendants (WER 2.6-4.0%) et intégrations effectives (macOS, Android, Gboard).

IBM publie un patch rétrocompatible de Granite Switch : un modèle ASR multilingue et un adapter Decision mis à jour, sans recalculer le modèle de base.

Hugging Face lance deux packages Swift : AnySpeechRecognizer, qui ouvre l'API SpeechAnalyzer d'Apple à d'autres moteurs, et AnyDecisionModel, qui répond à partir des probabilités du modèle.

NVIDIA publie Nemotron 3.5 Transcribe, modèle open-weight unifiant transcription, attribution des locuteurs, traduction et questions-réponses audio, ainsi que le pipeline de données ouvert Granary v2.

Mistral AI présente Voxtral 3, une famille de modèles speech-to-text et text-to-speech accompagnée d'un SDK d'agents vocaux temps réel, disponible via API hébergée dans l'UE ou en auto-déploiement.

Wispr Flow présente Canto, un modèle de reconnaissance vocale pensé pour gérer bruit, accents et contextes du quotidien.

Le modèle de transcription de Microsoft surpasse ses rivaux en coût et en rapidité.

Un nouvel algorithme combine la vitesse du batching de WhisperX et la cohérence contextuelle de Whisper standard pour la transcription longue durée.

Google enrichit sa famille Gemini avec un modèle spécialisé dans la transcription audio en texte.

Google DeepMind dévoile un nouveau modèle de speech-to-text intégré à la famille Gemini, promettant une transcription plus précise et contextuelle.

Un outil de dictée et de transcription locale optimisé pour Apple Silicon, exploitant le modèle Qwen.

Un projet open source propose une solution de transcription vocale type Whisper, exploitable sans frais via l'infrastructure Cloudflare AI.

Un test comparatif évalue la nouvelle API de reconnaissance vocale d'Apple par rapport à Whisper d'OpenAI et à l'ancienne API SFSpeechRecognizer.