Reson8 ouvre un modèle de reconnaissance vocale 60 fois plus petit que celui de NVIDIA : 7,86% d'erreurs contre 7,78%
Transcrire des appels exige généralement une API cloud payante ou un modèle lourd sur un GPU coûteux. La start-up amstellodamoise Reson8 publie sous licence Apache 2.0 Rumble-2-Flash, un modèle de 0,5 milliard de paramètres couvrant plus de 40 langues. Sur le test AppTek, qui regroupe 302 heures d'appels de centres d'appels, il se trompe sur 7,86% des mots, contre 7,78% pour Nemotron 3.5 Transcribe de NVIDIA, un modèle de 30 milliards de paramètres. Ces chiffres proviennent du développeur lui-même : mieux vaut donc tester le modèle sur 5 à 10 heures de vos propres enregistrements.
Traité par IA depuis X: @curratedbrief ; édité par Hamidun News
Imaginez que vous deviez convertir en texte des milliers d'heures d'appels au support client. Deux options se présentent généralement : payer un service cloud à la minute d'enregistrement, ou héberger en interne un modèle lourd sur un GPU coûteux. La start-up amstellodamoise Reson8 propose une troisième voie : Rumble-2-Flash, un modèle de reconnaissance vocale ouvert et compact. Il compte 0,5 milliard de paramètres et, sur un test composé d'enregistrements de centres d'appels, se trompe sur 7,86% des mots. À titre de comparaison, le modèle Nemotron 3.5 Transcribe de NVIDIA, qui compte 30 milliards de paramètres, se trompe sur 7,78% des mots. L'écart est de 0,08 point de pourcentage, pour une taille 60 fois inférieure.
Ce qui vient d'être publié
Rumble-2-Flash est un modèle speech-to-text, c'est-à-dire de conversion de la parole en texte. Il prend en charge plus de 40 langues et est distribué sous licence Apache 2.0. Pour un praticien, ce détail compte : la licence permet d'utiliser le modèle dans des produits commerciaux, de le fine-tuner et de l'intégrer à des services propriétaires. Il n'est pas nécessaire d'ouvrir son propre code, et aucun accord distinct avec l'auteur n'est requis.
Reson8 a mesuré la qualité sur le benchmark AppTek. Il s'agit de 302 heures d'enregistrements de conversations en centres d'appels : avec du bruit, des interruptions et de la parole spontanée, et non des lectures propres réalisées en studio. La métrique s'appelle WER (word error rate) : la proportion de mots mal reconnus. Avec un WER de 7,86%, le modèle se trompe en moyenne sur environ huit mots pour 100 mots prononcés.
Pourquoi la comparaison avec NVIDIA retient l'attention
Sur le même test, Nemotron 3.5 Transcribe de NVIDIA affiche un WER de 7,78%. En pratique, la différence est quasi imperceptible : sur 10 000 mots, elle représente environ 8 mots. Pourtant, Rumble-2-Flash compte 60 fois moins de paramètres.
Une analogie du quotidien : une petite citadine arrive à la même destination presque aussi vite qu'un camion doté d'un énorme moteur, tout en consommant nettement moins de carburant. Un modèle plus petit exige en général moins de mémoire, s'exécute plus vite et tient sur du matériel moins cher. Quand on traite des milliers d'heures d'appels par jour, cela peut changer sensiblement la facture d'infrastructure. En revanche, l'annonce d'origine ne fournit aucune donnée sur la vitesse, la consommation de mémoire ni le coût : il faudra donc calculer soi-même les économies.
Que vérifier avant le déploiement
Le résultat a été publié par le développeur lui-même, et aucune mesure indépendante n'est visible pour l'instant. De plus, il s'agit d'un seul benchmark portant sur un seul type de parole. Si votre produit traite des podcasts, des cours, des appels vidéo avec un mauvais micro ou un vocabulaire pointu, comme la médecine ou le droit, les chiffres peuvent être différents.
Autre réserve : « 40+ langues » ne signifie pas une qualité identique partout. Dans ce type de modèles, ce sont généralement les langues disposant de peu de données d'entraînement qui souffrent le plus, et un bon résultat en anglais ne garantit rien pour une langue rare ou un dialecte. Enfin, le WER ne tient pas compte de la ponctuation, de l'identification des locuteurs ni des horodatages, qui comptent souvent davantage qu'un mot erroné pour la transcription de réunions.
Que faire en pratique
Si vous construisez une interface vocale, un outil d'analyse d'appels ou un pipeline de transcription pour du RAG, Rumble-2-Flash mérite de figurer dans votre liste de tests rapides. Le plan est simple : prenez 5 à 10 heures de vos enregistrements réels accompagnés d'une transcription de référence, passez-les dans ce modèle et dans celui que vous utilisez actuellement, puis calculez le WER sur vos propres données. Mesurez aussi la latence et la consommation de mémoire sur le matériel cible.
Si la qualité se révèle comparable, le gain tiendra au contrôle. Le modèle peut tourner chez vous, les données des clients ne partent pas dans le cloud d'un tiers, et la licence ne crée pas de complications juridiques. Pour les start-up et les équipes disposant d'un budget GPU limité, c'est un argument de poids. Si, en revanche, vos enregistrements diffèrent fortement des appels de centres d'appels, les 7,86% annoncés restent un ordre de grandeur, pas une garantie.
- 30 avr. 2026Reson8 lève 5 M€ pour bâtir une IA vocale européenne de reconnaissance de la parole précise
- 12 nov. 2026ElevenLabs Scribe v3 Live apprend aux agents vocaux à ne pas couper la parole : 25 % d'erreurs en moins
- 29 oct. 2026NVIDIA lance Nemotron 3.5 Transcribe : 40 langues et 100 heures d'audio en 3 minutes
- 12 nov. 2026ElevenLabs Scribe v3 : 27 % d'erreurs en moins dans la transcription de la parole et identification des locuteurs en direct
Questions clés sur cet article
Que sait-on sur Ce qui vient d'être publié ?
Rumble-2-Flash est un modèle speech-to-text, c'est-à-dire de conversion de la parole en texte. Il prend en charge plus de 40 langues et est distribué sous licence Apache 2.0. Pour un praticien, ce détail compte : la licence permet d'utiliser le modèle dans des produits commerciaux, de le fine-tuner et de l'intégrer à des services propriétaires. Il n'est pas nécessaire d'ouvrir son propre code, et aucun accord distinct avec l'auteur n'est requis. Reson8 a mesuré la qualité sur le benchmark AppTek.
Pourquoi la comparaison avec NVIDIA retient l'attention?
Sur le même test, Nemotron 3.5 Transcribe de NVIDIA affiche un WER de 7,78%. En pratique, la différence est quasi imperceptible : sur 10 000 mots, elle représente environ 8 mots. Pourtant, Rumble-2-Flash compte 60 fois moins de paramètres. Une analogie du quotidien : une petite citadine arrive à la même destination presque aussi vite qu'un camion doté d'un énorme moteur, tout en consommant nettement moins de carburant.
Que sait-on sur Que vérifier avant le déploiement ?
Le résultat a été publié par le développeur lui-même, et aucune mesure indépendante n'est visible pour l'instant. De plus, il s'agit d'un seul benchmark portant sur un seul type de parole. Si votre produit traite des podcasts, des cours, des appels vidéo avec un mauvais micro ou un vocabulaire pointu, comme la médecine ou le droit, les chiffres peuvent être différents. Autre réserve : « 40+ langues » ne signifie pas une qualité identique partout.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.