Glossaire / Comment il vous entend
Latence
Aussi : latence au relâchement de la touche
Mis à jour le
Définition
En dictée, la latence est le temps entre la fin de votre parole et l’apparition du texte final au curseur. C’est le chiffre qui décide si un outil semble instantané ou vous fait attendre.
Mesurez-la à partir du moment où vous relâchez la touche, car c’est à partir de là que vous attendez. Tout ce qui se passe après le relâchement compte : terminer la reconnaissance des dernières centaines de millisecondes d’audio, la mise en forme et l’insertion dans l’app. Un outil qui fait la reconnaissance en continu n’a que la fin à terminer ; un outil qui travaille par lots a encore tout l’énoncé à traiter, si bien que sa latence augmente à chaque seconde où vous avez parlé.
Sous une seconde environ, la plupart des gens ne remarquent plus rien. Vers deux ou trois secondes, ils commencent à jeter un œil à l’écran, puis à l’outil. Au-delà, la dictée cesse d’être une façon d’écrire et devient une façon de faire un enregistrement qu’on attend ensuite.
Où passe le temps
La fin de la reconnaissance : la quantité d’audio qui reste à traiter au relâchement de la touche, que le streaming réduit presque à rien. La mise en forme : une passe d’un modèle de langage sur la transcription, en général le plus gros coût d’un outil local, et la raison pour laquelle un outil rapide garde ce modèle petit et lui impose un budget de temps strict. L’insertion : la saisie du résultat dans l’app active via la couche d’accessibilité, en général quelques dizaines de millisecondes. Le réseau, pour les outils dans le cloud : un aller-retour plus une file d’attente sur un serveur que vous ne contrôlez pas, ce qui explique que la latence du cloud varie de rapide à inutilisable selon l’heure.
Latence contre qualité : un vrai compromis
Une passe de mise en forme coûte du temps, et s’en passer donne l’outil le plus rapide possible. C’est aussi un outil qui vous rend une transcription à corriger à la main, ce qui coûte plus de temps qu’il n’en a fait gagner. La bonne conception laisse le choix : un mode mot à mot ou légèrement nettoyé qui arrive presque immédiatement, et un mode entièrement mis en forme qui prend un peu plus de temps et ne demande aucune correction. Ce qu’un outil ne devrait jamais faire, c’est laisser un modèle lent prendre le texte en otage ; si la passe prend du retard, la transcription brute doit arriver quand même.
Comment mesurer la latence de la dictée sur votre Mac
Pas besoin d’outils spéciaux. Un enregistrement d’écran qui capte aussi votre micro place votre voix et l’écran sur la même ligne de temps : vous lisez le délai directement à la lecture.
Mesurez plusieurs dictées de longueurs différentes. Une seule mesure apprend peu de chose, et l’écart entre une dictée courte et une longue vous dit si l’attente augmente avec la durée de parole.
- Ouvrez l’app dans laquelle vous dictez d’habitude et placez le curseur dans un champ de texte.
- Appuyez sur Maj + ⌘ + 5 pour ouvrir Capture d’écran, et choisissez d’enregistrer tout l’écran ou une partie.
- Cliquez sur Options et choisissez votre micro, pour que l’enregistrement inclue votre voix.
- Lancez l’enregistrement, puis dictez une phrase courte et une longue, en laissant quelques secondes entre les deux.
- Cliquez sur le bouton d’arrêt dans la barre des menus. L’enregistrement est sauvegardé en fichier .mov dont le nom commence par Enregistrement d’écran.
- Lisez le fichier et notez deux moments pour chaque dictée : quand votre voix s’arrête, et quand le texte final est à l’écran. L’écart entre les deux est la latence.
- Comparez la dictée courte et la longue. Si la longue fait nettement plus attendre, l’outil traite par lots.
Pourquoi un modèle plus grand fait attendre plus longtemps
La taille du modèle est le compromis le plus direct entre précision et vitesse. Le projet Whisper publie des vitesses relatives pour ses propres modèles : par rapport au modèle large à 1x, tiny tourne à environ 10x, base à environ 7x, small à environ 4x, medium à environ 2x et turbo à environ 8x. Ces chiffres sont relatifs les uns aux autres, et la vitesse réelle dépend de votre matériel.
La vitesse seule ne rend pas un modèle instantané. Whisper lit l’audio par une fenêtre glissante de 30 secondes, et sa fiche indique que les modèles ne peuvent pas servir telles quelles à la transcription en temps réel. Un outil de dictée bâti sur un tel modèle doit ajouter son propre streaming ou découpage, et la qualité de cet ajout décide du délai que vous ressentez.
Comment chronométrer un modèle vocal dans Terminal
Si vous voulez voir le coût brut de la reconnaissance sans aucune app autour, vous pouvez chronométrer l’outil en ligne de commande open source de Whisper sur un enregistrement de votre propre voix. Cela mesure le modèle sur votre Mac et rien d’autre : pas de mise en forme, pas d’insertion, pas de réseau.
Ce chiffre n’est la latence d’aucune app de dictée, car les apps traitent l’audio pendant que vous parlez. Il sert à comparer des tailles de modèle sur votre propre matériel.
- Installez la dépendance audio avec : brew install ffmpeg
- Installez Whisper avec : pip install -U openai-whisper
- Enregistrez-vous en train de parler une dizaine de secondes et sauvegardez le fichier, par exemple sous clip.wav.
- Lancez : time whisper clip.wav --model tiny et notez le temps réel (real) qu’affiche Terminal.
- Lancez : time whisper clip.wav --model turbo et notez à nouveau le temps.
- Lancez chaque commande une deuxième fois et comparez ces temps-là, pour ne pas compter la préparation qui n’a lieu qu’une fois.
Les questions qu’on se pose.
Quelle est une bonne latence pour la dictée ?
Moins d’une seconde entre le relâchement de la touche et le texte fini, c’est instantané. Une à deux secondes, c’est acceptable. Au-delà, l’attente devient l’expérience. La reconnaissance en streaming et un petit modèle de mise en forme limité dans le temps permettent aux outils locaux de passer sous la seconde.
Pourquoi mon outil de dictée ralentit-il quand je parle longtemps ?
Parce qu’il reconnaît par lots : rien n’est traité avant que vous vous arrêtiez, donc un enregistrement plus long signifie une attente plus longue. Les outils en streaming traitent pendant que vous parlez et gardent un délai constant.
La dictée dans le cloud est-elle plus lente que la dictée locale ?
Souvent, et de façon moins prévisible. Un aller-retour vers un serveur ajoute du temps à chaque dictée et varie selon votre connexion et la charge du serveur. Les outils locaux ont un coût fixe qui ne dépend que de votre Mac.
Comment tester la rapidité de mon app de dictée ?
Enregistrez votre écran avec le micro activé grâce à Maj + ⌘ + 5, dictez une phrase et relisez l’enregistrement. Le temps entre la fin de votre voix et l’apparition du texte final est la latence.
Whisper peut-il transcrire en temps réel ?
Pas à lui seul. La fiche du modèle Whisper indique que les modèles ne peuvent pas servir tels quels à la transcription en temps réel, et le code standard traite l’audio par fenêtres de 30 secondes. Les apps qui paraissent instantanées avec Whisper ont ajouté leur propre couche de streaming.
Un modèle vocal plus petit rend-il la dictée plus rapide ?
Oui, au prix de la précision. Le projet Whisper indique que son modèle tiny est environ 10 fois plus rapide que son modèle large, et son modèle turbo environ 8 fois plus rapide.
