WisprFlow, Whisper et GigaAM: qui reconnaît le mieux la parole russo-anglaise

La saisie vocale a cessé d'être simplement un complément pratique : pour ceux qui communiquent avec les LLM, travaillent dans Cursor et dictent des commandes en mélangeant le russe et l'anglais, elle devient une interface à part entière. Dans une nouvelle analyse, l'auteur a comparé des applications et des modèles qui doivent comprendre des phrases comme « explique en russe », « ouvre dans Cursor » et « vérifie que le déploiement est passé », et a montré quelles solutions sont réellement adaptées à ce type de parole mixte en 2026. Le matériel est basé sur six mois de tests pratiques.

L'accent ne porte pas sur la précision abstraite de la reconnaissance par langues individuelles, mais sur un scénario plus complexe familier aux développeurs, analystes et utilisateurs actifs d'IA : commutation rapide entre le russe et l'anglais au sein d'une même phrase, transmission correcte des noms de produits, des termes techniques et des éléments de code, ainsi qu'une ponctuation claire sans post-traitement prolongé. C'est précisément à ce stade que même les systèmes forts échouent souvent : les mots anglais se transforment en caractères cyrilliques, les commandes perdent leur sens, et le texte dicté nécessite une édition manuelle. Concernant les applications, l'auteur a comparé cinq options de différentes catégories : WisprFlow, SpeakFlow, Handy, OpenWhispr et SuperWhisper.

La sélection comprend des solutions cloud et locales, des produits payants et des outils open source. L'une des principales conclusions de l'analyse est que WisprFlow en cloud peut déjà être remplacé par une alternative open source gratuite sans perte notable de qualité. Pour l'utilisateur, ce n'est pas seulement une économie sur l'abonnement, mais aussi un meilleur contrôle sur la confidentialité, les performances et les paramètres du pipeline local.

L'auteur note également sa propre contribution à l'écosystème : l'une de ses pull requests a été acceptée dans la branche principale d'un projet open source. La section sur les modèles s'est avérée tout aussi importante. L'analyse comparative incluyait Whisper Large v3, Whisper Turbo, GigaAM v3 de Sber, Canary 1B v2 de NVIDIA et Parakeet V3.

Whisper reste la référence pour de telles comparaisons, mais l'article montre que le résultat réel dépend non seulement du modèle lui-même, mais aussi de la façon dont il est exécuté. L'auteur a séparément comparé Whisper Turbo et Large v3 sur une RTX 5070 Ti et a obtenu un résultat inattendu : sur l'architecture Blackwell, l'exécution via Vulkan était environ 50% plus rapide que via CUDA. Pour un scénario local, c'est un détail pratique important, car la différence affecte directement la latence, la fluidité de la saisie vocale et le choix global de la pile.

Les alternatives à Whisper ne ressemblent plus non plus à une pure expérimentation. Selon les observations de l'auteur, GigaAM v3 et Canary 1B v2 dans plusieurs scénarios se rapprochent réellement du niveau du leader, mais leurs points faibles émergent dans la parole mixte, quand un mot anglais doit être préservé sans distorsion plutôt que traduit ou translittéré. Un exemple révélateur de l'analyse est une situation où Gemini se transforme en Jemni.

Pour une note ordinaire, c'est désagréable mais tolérable ; pour le travail vocal avec des outils d'IA, des IDE, des noms de bibliothèques et des commandes de déploiement, une telle erreur peut complètement briser le sens. C'est pourquoi dans l'utilisation technique, la qualité de la gestion du code-switching est plus importante qu'une métrique de précision moyennée. Une autre conclusion pratique concerne la ponctuation.

L'auteur note que le problème des virgules et points manquants a été résolu dans 99% des cas avec un simple prompt textuel, sans post-processeurs LLM et sans délai supplémentaire. C'est une observation importante pour quiconque construit un flux de travail vocal autour d'éditeurs, d'applications de chat avec l'IA et de notes : le désagrément surgit souvent non pas de mots mal reconnus, mais du fait que le texte doit ensuite être nettoyé par des couches distinctes de traitement. Si la ponctuation peut être stabilisée au niveau du scénario de base, la voix commence réellement à rivaliser avec le clavier non seulement en vitesse, mais aussi en convivialité du travail quotidien.

La conclusion de cette analyse est simple : en avril 2026, le marché de la saisie vocale pour le mélange russo-anglais a considérablement mûri, mais il n'y a toujours pas de gagnant universel. Si une prévisibilité maximale est nécessaire, Whisper et les applications solides qui l'entourent continuent de fixer la norme. Si la localité, le prix et le contrôle de la pile importent, les solutions open source ressemblent déjà à une véritable alternative aux services cloud.

Et le critère principal devient non pas la « précision » marketing, mais la capacité du système à gérer sans heurts la parole technique vivante, où le russe, l'anglais et les commandes pour les réseaux de neurones résonnent dans une seule phrase.