EN DIRECT
Google présente "Gemini 4 Carbon", nouvelle étape de sa gamme de modèles28/10/26 · Google|DeepMind dévoile Genie 4, une nouvelle génération de modèle de monde27/10/26 · Google DeepMind|Anthropic dépose son dossier d'introduction en bourse, dominé par les risques26/10/26 · Anthropic|Une politique robotique entraînée uniquement en simulation égale les meilleurs systèmes réels26/10/26|OpenAI dévoile GPT-6.1 Terra, un modèle taillé pour l'usage d'ordinateur26/10/26 · OpenAI|NVIDIA dévoile Nemotron 3.5 Transcribe, un modèle de transcription multilingue pilotable par prompt28/10/26 · NVIDIA|Des start-ups défuntes revendent leurs données pour entraîner des IA28/10/26|Anthropic détaille les premiers résultats de Claude appliqué au développement de médicaments27/10/26 · Anthropic|GEPA-Curator : filtrer les échecs pour mieux entraîner les agents LLM27/10/26|Un nouveau benchmark teste la capacité des LLM à découvrir des lois physiques cachées27/10/26|Liquid AI dévoile LFM3, une base pour des modèles multimodaux spécialisés27/10/26 · Liquid AI|Des services de police américains utilisent l'IA pour repérer des comportements de conduite "suspects"27/10/26|Google présente "Gemini 4 Carbon", nouvelle étape de sa gamme de modèles28/10/26 · Google|DeepMind dévoile Genie 4, une nouvelle génération de modèle de monde27/10/26 · Google DeepMind|Anthropic dépose son dossier d'introduction en bourse, dominé par les risques26/10/26 · Anthropic|Une politique robotique entraînée uniquement en simulation égale les meilleurs systèmes réels26/10/26|OpenAI dévoile GPT-6.1 Terra, un modèle taillé pour l'usage d'ordinateur26/10/26 · OpenAI|NVIDIA dévoile Nemotron 3.5 Transcribe, un modèle de transcription multilingue pilotable par prompt28/10/26 · NVIDIA|Des start-ups défuntes revendent leurs données pour entraîner des IA28/10/26|Anthropic détaille les premiers résultats de Claude appliqué au développement de médicaments27/10/26 · Anthropic|GEPA-Curator : filtrer les échecs pour mieux entraîner les agents LLM27/10/26|Un nouveau benchmark teste la capacité des LLM à découvrir des lois physiques cachées27/10/26|Liquid AI dévoile LFM3, une base pour des modèles multimodaux spécialisés27/10/26 · Liquid AI|Des services de police américains utilisent l'IA pour repérer des comportements de conduite "suspects"27/10/26|
AppEn hausseéditeur officiel

whisper.cpp

App : Un produit que vous utilisez directement

Implémentation C/C++ de Whisper, très rapide sur CPU et Apple Silicon.

Le moteur derrière la plupart des apps de transcription locale ; en direct pour les techniciens.

Score global
7.4 /10
Sécu : rien à signaler
Utilité
7.0
Fiabilité
10.0
Sécurité
Aucune réserve recensée
Facilité
Technique · Technique

La sécurité reflète la destination des données, les permissions demandées et les incidents recensés à la date de vérification. Ce n’est pas une garantie d’absence de risque : vérifiez le mode de déploiement et les connexions que vous activez.

Ce que ça fait, concrètement

Transcrire de l'audio en texte nécessite habituellement un service en ligne, ce qui implique d'envoyer des fichiers potentiellement sensibles à des serveurs tiers. whisper.cpp résout ce problème en faisant tourner le modèle Whisper d'OpenAI entièrement en local, sans connexion réseau requise.

L'outil est une réécriture en C/C++ du modèle Whisper original. Il s'installe via quelques commandes, accepte des fichiers audio WAV 16 bits et produit une transcription en ligne de commande. Il tire parti des accélérations matérielles disponibles : Apple Neural Engine via Core ML, GPU NVIDIA via CUDA, GPU AMD via ROCm, NPU AMD Ryzen AI via VitisAI, et GPU via Vulkan.

whisper.cpp s'adresse aux développeurs et aux utilisateurs techniques capables de compiler un projet C++ et de manipuler un terminal. Il sert aussi de moteur sous-jacent à de nombreuses applications de transcription locale qui offrent une interface graphique par-dessus.

Il ne convient pas aux personnes qui cherchent une interface cliquable prête à l'emploi, ni à celles qui ne souhaitent pas passer par une étape de compilation et de configuration manuelle.

Ce que ça propose

  • ·Transcription audio entièrement hors ligne, sans envoi de données à un serveur externe.
  • ·Prise en charge de plusieurs tailles de modèles Whisper : de tiny (75 Mo sur disque) à large (2,9 Go), selon le compromis vitesse/précision souhaité.
  • ·Accélération sur Apple Silicon via Metal et Core ML, permettant une exécution sur le GPU et le Neural Engine.
  • ·Support GPU NVIDIA, AMD ROCm, Vulkan et NPU AMD Ryzen AI pour accélérer l'inférence sur PC.
  • ·Quantification entière des modèles pour réduire la consommation mémoire et l'espace disque.
  • ·Détection d'activité vocale (VAD) intégrée.
  • ·API en C utilisable pour intégrer le moteur dans d'autres applications ou plateformes.
  • ·Fonctionne aussi sur iOS, Android, WebAssembly et Raspberry Pi.

En pratique

Prix
Gratuit
Usage commercial
Usage commercial : oui
Disponible sur
cli, macos, windows, linux
Licence
MIT
Europe
100 % local.
Interface FR
Non

Sécurité et données

Pastille
Sécu : rien à signaler
Vos données
Données en local
Maintenance
Active
Dernière release
6 octobre 2026

Liens et dépôt vérifiés le 25 octobre 2026 · ajoutée le 1 septembre 2022

Comment installer whisper.cpp

1. Clonez le dépôt : git clone https://github.com/ggml-org/whisper.cpp.git 2. Entrez dans le dossier : cd whisper.cpp 3. Téléchargez un modèle, par exemple : sh ./models/download-ggml-model.sh base.en 4. Compilez le projet : cmake -B build && cmake --build build -j --config Release 5. Convertissez votre audio en WAV 16 bits si nécessaire : ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le output.wav 6. Lancez la transcription : ./build/bin/whisper-cli -f samples/jfk.wav (vérifiez que vous téléchargez les modèles uniquement depuis le dépôt officiel)
git clone https://github.com/ggml-org/whisper.cpp.git && cd whisper.cpp && sh ./models/download-ggml-model.sh base.en && cmake -B build && cmake --build build -j --config Release

Dans la même catégorie

Toute la catégorie Audio, voix & musique →