Interfaze publie un modèle ASR ouvert à diffusion pour six langues

Le 2 juillet 2026, Interfaze a publié en accès libre diffusion-gemma-asr-small, un modèle multilingue de reconnaissance automatique de la parole qui transcrit l'audio par diffusion plutôt que par autorégression. L'adaptateur, d'environ 42 millions de paramètres, se branche sur les poids gelés de DiffusionGemma, de Google, et couvre six langues sans se scinder en branches propres à chacune.

Comment fonctionne la reconnaissance vocale par diffusion ?

La plupart des systèmes ASR publics sont autorégressifs : le modèle génère la transcription de façon séquentielle, token par token, et le temps d'exécution croît proportionnellement à la durée de l'enregistrement. Whisper d'OpenAI, MMS et Seamless de Meta, ainsi que Distil-Whisper fonctionnent ainsi.

diffusion-gemma-asr-small procède autrement. Il repose sur DiffusionGemma, un modèle de langage de Google entraîné par diffusion : au lieu de générer le texte séquentiellement, il le reconstruit en parallèle à partir d'un état bruité, en plusieurs pas de débruitage. Interfaze a ajouté un adaptateur audio à cette base. Il apprend au modèle à associer le signal sonore au bon texte, tandis que les poids de DiffusionGemma restent gelés et ne sont pas mis à jour pendant l'entraînement de l'adaptateur.

Conséquence pratique : le coût de calcul de la transcription est fixé par le nombre de pas de denoising choisi, et non par la durée de l'audio. Le développeur arbitre lui-même entre vitesse et qualité : plus de pas signifie une meilleure précision, mais un temps plus long.

Que contient le modèle ?

• Date de publication en accès libre : 2 juillet 2026
• Taille de l'adaptateur audio : environ 42 millions de paramètres
• Modèle de base : DiffusionGemma de Google (poids gelés, non mis à jour)
• Langues prises en charge : six (la liste précise n'est pas dévoilée dans l'annonce)
• Le coût d'inférence dépend du nombre de pas de débruitage, pas de la durée de l'enregistrement

Un seul adaptateur pour six langues, c'est le pari architectural central. La plupart des modèles multilingues utilisent soit des têtes propres à chaque langue, soit un checkpoint distinct par langue. Ici, DiffusionGemma contient déjà des représentations textuelles multilingues, et l'adaptateur doit seulement lui apprendre à accepter l'audio, sans dupliquer les poids pour chaque langue.

Pour comparaison, la version complète de Whisper large-v3 d'OpenAI compte 1,5 milliard de paramètres : l'adaptateur d'Interfaze est environ 35 fois plus compact en poids entraînables.

Que cela change-t-il pour les développeurs d'ASR ?

L'approche par diffusion est rare dans la reconnaissance vocale publique. La plupart des systèmes ASR ouverts reposent sur l'autorégression ou le décodage CTC. diffusion-gemma-asr-small est le premier exemple public de réutilisation d'un modèle de langage à diffusion comme backend ASR via un adaptateur minimal.

Pour la communauté de recherche, c'est une preuve de concept et un point de départ : les poids ouverts permettent d'étudier l'architecture et d'essayer de l'adapter à des tâches voisines, comme l'ASR multilingue, le code-switching ou la reconnaissance de la parole accentuée.

Pour un usage concret, il faut des données que l'annonce ne dévoile pas : les langues précises, la précision sur les benchmarks standards (WER sur LibriSpeech, Common Voice, Fleurs) et la vitesse d'inférence réelle comparée à Whisper. Sans ces chiffres, il reste difficile d'évaluer la compétitivité du modèle en production.

Ce que cela signifie

Interfaze a ouvert une voie quasi inexplorée : un ASR à diffusion qui n'affine qu'un adaptateur léger sur un modèle de langage existant. Si l'approche confirme une qualité compétitive sur les benchmarks, elle offrirait une alternative intéressante aux systèmes autorégressifs : latence prévisible, qualité réglable via le nombre de pas et budget de poids compact.

*Meta a été classée organisation extrémiste et est interdite en Russie.