Retour au blog

Whisper en français : langues prises en charge et erreurs

Whisper prend en charge 100 langues, mais pas aussi bien partout : en français, 5,3 % d’erreurs avec large-v3. Liste complète et taux d’erreur par modèle.

10 novembre 2026
Sablate Team

Whisper prend en charge 100 langues : les 99 codes de la version d’origine d’OpenAI, plus le cantonais, ajouté avec large-v3. Figurer dans la liste ne rend pas une langue aussi utilisable qu’une autre. Sur le benchmark FLEURS d’OpenAI, large-v3 se trompe sur environ 3 mots sur 100 en espagnol et sur environ 50 sur 100 en bengali, et les modèles plus petits creusent cet écart en dehors de l’anglais.

La liste elle-même est la partie facile. Ce qui décide si Whisper est assez bon pour sous-titrer dans votre langue, c’est la quantité d’audio d’entraînement dont cette langue a bénéficié, la taille du modèle que vous lancez, et le fait que votre langue fasse ou non partie des rares où le modèle turbo, plus rapide, décroche. Ci-dessous : la liste complète, le taux d’erreur publié par OpenAI pour chaque langue et chaque modèle, et la façon de lire ces chiffres par rapport à votre propre vidéo.

La liste complète des langues de Whisper

Ce sont les 100 entrées du tableau LANGUAGES du fichier tokenizer.py de Whisper, triées par nom anglais et lues colonne par colonne. Le code de gauche est celui que vous passez à --language en ligne de commande, ou celui qu’une application de bureau envoie quand vous choisissez la langue dans un menu.

af  Afrikaans       fr  French          lt  Lithuanian      sd  Sindhi
sq  Albanian        gl  Galician        lb  Luxembourgish   si  Sinhala
am  Amharic         ka  Georgian        mk  Macedonian      sk  Slovak
ar  Arabic          de  German          mg  Malagasy        sl  Slovenian
hy  Armenian        el  Greek           ms  Malay           so  Somali
as  Assamese        gu  Gujarati        ml  Malayalam       es  Spanish
az  Azerbaijani     ht  Haitian Creole  mt  Maltese         su  Sundanese
ba  Bashkir         ha  Hausa           mi  Maori           sw  Swahili
eu  Basque          haw Hawaiian        mr  Marathi         sv  Swedish
be  Belarusian      he  Hebrew          mn  Mongolian       tl  Tagalog
bn  Bengali         hi  Hindi           my  Myanmar         tg  Tajik
bs  Bosnian         hu  Hungarian       ne  Nepali          ta  Tamil
br  Breton          is  Icelandic       no  Norwegian       tt  Tatar
bg  Bulgarian       id  Indonesian      nn  Nynorsk         te  Telugu
yue Cantonese       it  Italian         oc  Occitan         th  Thai
ca  Catalan         ja  Japanese        ps  Pashto          bo  Tibetan
zh  Chinese         jw  Javanese        fa  Persian         tr  Turkish
hr  Croatian        kn  Kannada         pl  Polish          tk  Turkmen
cs  Czech           kk  Kazakh          pt  Portuguese      uk  Ukrainian
da  Danish          km  Khmer           pa  Punjabi         ur  Urdu
nl  Dutch           ko  Korean          ro  Romanian        uz  Uzbek
en  English         lo  Lao             ru  Russian         vi  Vietnamese
et  Estonian        la  Latin           sa  Sanskrit        cy  Welsh
fo  Faroese         lv  Latvian         sr  Serbian         yi  Yiddish
fi  Finnish         ln  Lingala         sn  Shona           yo  Yoruba

Quelques noms cachent des alias. zh couvre le mandarin, et le tokenizer accepte aussi « mandarin » ; ca accepte « valencian », nl « flemish », ro « moldavian » et es « castilian ». jw est le code propre à Whisper pour le javanais, là où la norme ISO prévoit jv : un outil qui valide les codes d’après l’ISO doit donc faire la correspondance. Le cantonais (yue) n’existe que dans large-v3 et dans le modèle turbo construit à partir de lui ; les anciens checkpoints n’ont pas ce jeton.

Précision de Whisper par langue : les chiffres d’OpenAI

OpenAI publie des taux d’erreur par langue pour large-v3 dans le README de Whisper, pour turbo dans son annonce de turbo, et pour les modèles plus petits dans l’annexe de l’article sur Whisper. Le tableau ci-dessous reprend les chiffres FLEURS de ces trois sources. FLEURS est un ensemble de phrases lues à voix haute et enregistrées dans chaque langue : ce sont donc des chiffres dans le meilleur des cas.

Languelarge-v3turbosmalltiny
Espagnol2,83,15,615,9
Italien3,03,29,829,8
Coréen (CER ; WER pour small et tiny)3,13,219,636,1
Portugais4,14,27,320,1
Anglais4,14,46,112,4
Polonais4,65,414,745,6
Japonais (CER)4,94,712,037,0
Allemand4,95,810,227,8
Russe5,05,311,431,1
Néerlandais5,25,916,449,0
Français5,35,815,041,4
Indonésien6,16,916,351,7
Ukrainien6,46,919,351,2
Turc6,76,915,942,5
Mandarin (CER)7,78,320,840,5
Thaï (CER)8,413,921,958,8
Vietnamien8,69,621,260,0
Arabe9,610,230,663,4
Hindi17,018,538,4102,3
Hébreu26,1non publié44,471,6
Swahili34,1non publié73,7100,9
Bengali50,0non publié104,4101,6

Les chiffres sont des taux d’erreur de mots (WER, de l’anglais word error rate) en pourcentage : la part des mots que le modèle a faux, omis ou ajoutés. Pour le japonais, le mandarin et le thaï, qui ne séparent pas les mots par des espaces, les sources comptent des caractères à la place (CER, taux d’erreur de caractères). Le coréen est le piège du tableau : le README et le graphique de turbo le donnent en CER, alors que les chiffres de l’article pour small et tiny sont au niveau du mot ; sa ligne ne se lit donc pas d’un trait. Un WER supérieur à 100 est possible, car les mots insérés comptent aussi comme des erreurs.

Les colonnes small et tiny viennent d’une campagne distincte en 2022, et OpenAI n’a jamais réentraîné ces deux tailles : ce sont donc les mêmes modèles que ceux que vous téléchargez aujourd’hui. Lisez l’écart entre colonnes comme approximatif et l’écart entre lignes comme solide.

Pourquoi certaines langues sont bien moins bien traitées

L’article sur Whisper répond directement à cette question. D’une langue à l’autre, la quantité d’audio d’entraînement transcrit prédit le taux d’erreur avec une corrélation au carré de 0,83 sur une échelle logarithmique, et la droite ajustée indique que le taux d’erreur est divisé par deux à chaque multiplication par 16 des données d’entraînement. L’anglais représente environ deux tiers des 680 000 heures sur lesquelles les modèles d’origine ont été entraînés ; les 96 autres langues se partagent 117 000 heures, et l’article ne compte des données d’entraînement de reconnaissance vocale que pour 75 langues.

Les données ne sont pas tout. L’article cite l’hébreu, le télougou, le chinois et le coréen parmi les langues qui font moins bien que ce que leurs heures laissent prévoir, et met en cause des écritures singulières, l’éloignement des langues indo-européennes qui dominent les données, et un tokenizer au niveau de l’octet qui s’adapte mal à ces écritures. La qualité des données compte aussi : les auteurs ont constaté que la plupart des prétendues données de traduction en gallois étaient en réalité de l’audio anglais classé à tort comme gallois.

large-v3 a été entraîné sur beaucoup plus d’audio, 1 million d’heures de parole faiblement annotée et 4 millions d’heures de parole pseudo-annotée, et OpenAI annonce de 10 à 20 % d’erreurs en moins que large-v2 selon les langues. Le classement a à peine bougé. Une langue qui se trouve en bas du tableau de 2022 y est toujours.

Un modèle plus petit pénalise-t-il davantage hors de l’anglais ?

Oui, et de beaucoup. En anglais, passer de large-v3 à small fait monter le taux d’erreur de 4,1 à 6,1 % : perceptible à la relecture, mais utilisable pour un brouillon. En français, il passe de 5,3 à 15,0, en polonais de 4,6 à 14,7, en turc de 6,7 à 15,9. Environ un mot sur sept faux, c’est une transcription que l’on réécrit au lieu de la corriger.

tiny joue dans une autre catégorie en dehors d’une poignée de langues. L’espagnol tient à 15,9 % ; le français, le polonais, le néerlandais et le turc se situent entre 41 et 49 %, ce qui veut dire que presque chaque réplique contient une erreur. La tendance est constante : plus une langue est éloignée du haut du tableau, plus chaque cran de taille de modèle en moins coûte cher.

La taille du modèle détermine aussi la vitesse et la mémoire ; la vraie question est donc de savoir quelle précision vous pouvez sacrifier dans votre langue. Le comparatif des modèles Whisper détaille les tailles de téléchargement, la VRAM et la vitesse de chaque modèle ; lisez-le avec ce tableau, pas à sa place.

Turbo ou large-v3 : où turbo décroche

turbo est large-v3 dont le décodeur est passé de 32 couches à 4, puis réentraîné avec la même quantité de données de transcription. Sur FLEURS, il reste à environ un point de large-v3 pour la plupart des langues du tableau, et il est légèrement devant en japonais. La remarque d’OpenAI est qu’il se comporte comme large-v2 mais se dégrade davantage sur le thaï et le cantonais. Son graphique Common Voice, enregistré par des bénévoles avec leur propre micro, montre l’ampleur de la différence :

Langue (Common Voice 15)large-v3turbo
Cantonais, Chine (CER)10,946,1
Cantonais, Hong Kong (CER)15,942,9
Thaï (CER)5,820,8
Serbe15,736,7
Letton16,735,5
Turc12,017,0
Japonais (CER)10,312,3

Le serbe et le letton ne figurent pas dans le texte de l’annonce, seulement dans son graphique, et ils perdent autant que le thaï. Si votre langue est dans cette liste, la vitesse huit fois supérieure de turbo ne vaut pas le coup : lancez large-v3. Turbo n’a en outre pas été entraîné à la traduction ; la tâche de traduction vers l’anglais intégrée à Whisper exige donc large-v3 ou medium, comme l’explique le guide de traduction d’une vidéo.

Comment Whisper se débrouille-t-il en français ?

Le français est l’une des langues les mieux servies par Whisper : environ 5,3 % d’erreurs de mots pour large-v3 et 5,8 % pour turbo sur FLEURS. Sur Common Voice, avec son mélange d’accents et de micros du quotidien, large-v3 monte à 10,8 % et turbo à 12,1 %, ce qui est le chiffre le plus honnête pour un vlog ou l’enregistrement d’un appel.

L’écart avec small est l’un des plus marqués parmi les grandes langues : sur FLEURS, small tombe à 15,0 %, soit près de trois fois le taux d’erreur de large-v3. Pour tout ce que vous publiez, prenez turbo ou large-v3.

Détection automatique ou langue choisie à la main ?

Quand aucune langue n’est indiquée, Whisper écoute les 30 premières secondes de parole, retient la langue la plus probable et transcrit tout le fichier dans celle-ci. faster-whisper, le moteur que la plupart des applications de bureau utilisent, fait de même par défaut. La détection est bonne, mais pas infaillible : dans l’article, le meilleur modèle a identifié correctement la langue dans 80,3 % des cas sur les 82 langues FLEURS pour lesquelles il avait des données d’entraînement.

Deux situations la mettent en échec. Une vidéo qui s’ouvre sur de la musique, des applaudissements ou très peu de parole ne donne presque rien à analyser au détecteur. Une vidéo dont la première demi-minute est dans une autre langue que le reste, comme une introduction en anglais devant un entretien en turc, fixe la mauvaise langue pour tout ce qui suit. Si vous connaissez la langue, choisissez-la.

Whisper attend aussi une seule langue par fichier. Tout le fichier est décodé sous un seul jeton de langue : les passages dans une deuxième langue sont donc transcrits comme s’ils étaient dans la première, et le résultat pour ces passages n’est pas fiable. Pour une vidéo multilingue, la voie fiable consiste à la transcrire dans la langue principale et à corriger les autres passages à la main, ou à découper l’audio.

Choisir un modèle pour votre langue

« Ma langue est en haut du tableau. » L’espagnol, l’italien, le portugais, l’anglais, l’allemand, le russe et leurs voisines donnent des brouillons propres même avec small, et turbo est le choix raisonnable pour des sous-titres définitifs.

« Ma langue est au milieu. » Turc, ukrainien, vietnamien, arabe, mandarin : small produit un brouillon que vous réécrirez ; passez donc à turbo ou à large-v3 pour tout ce que vous publiez.

« Ma langue est le thaï, le cantonais, le serbe ou le letton. » Utilisez large-v3, pas turbo.

« Ma langue est en bas du tableau. » Hindi, hébreu, swahili, bengali et la plus grande partie de la liste, pour laquelle aucun chiffre n’est publié. Considérez la sortie de Whisper comme une première passe approximative, vérifiez chaque réplique et prévoyez le temps nécessaire. Un modèle entraîné pour une seule langue, quand il en existe un, vaut aussi le détour : le japonais, par exemple, a kotoba-whisper.

« Les intervenants changent de langue. » Choisissez vous-même la langue principale et prévoyez de corriger le reste à la main.

Quoi que dise le tableau, testez avant de vous engager. Transcrivez deux minutes de votre propre vidéo avec deux tailles de modèle et comparez-les ligne à ligne. Les benchmarks portent sur de la parole lue ; votre vidéo contient de la musique, des voix qui se chevauchent et des noms propres. Quand une transcription répète des lignes ou invente du texte, la cause est le plus souvent l’audio et les réglages de décodage, pas la langue.

Les langues de Whisper dans Sablate

Le menu des langues de Sablate est la liste de Whisper : les mêmes 100 codes, plus Auto-detect, chaque nom étant affiché dans la langue de l’interface de l’application. Les quatre niveaux correspondent aux modèles du tableau : Fast à tiny, Balanced à small, Accurate à large-v3-turbo et Best à large-v3 ; les colonnes ci-dessus sont donc le choix que vous faites dans l’application. La formule gratuite ne demande aucun compte et couvre les vidéos jusqu’à dix minutes, trois tâches par mois, les modèles Fast et Balanced et une couche de traduction hors ligne ; son incrustation porte une petite marque dans le coin. Accurate et Best font partie de Pro.

Là où Sablate va plus loin que la transcription, c’est dans ce qui vient ensuite. Chaque traduction est une couche sur la même transcription, et chaque couche porte son propre style et une police capable de dessiner réellement son écriture : les sous-titres en arabe, en hindi, en japonais ou en coréen ne se transforment donc pas en carrés vides dans l’incrustation. Des sous-titres en plusieurs langues à partir d’une seule vidéo présente le déroulé complet.

Deux limites, sans détour. Sablate n’exécute que les checkpoints officiels d’OpenAI : un modèle communautaire affiné pour une langue ne peut donc pas être chargé. Et le GPU accélère la transcription sur les Mac Apple Silicon et sous Windows avec une carte graphique NVIDIA ; les Mac Intel et les autres PC Windows utilisent le CPU.

Questions fréquentes

Combien de langues Whisper prend-il en charge ?

Cent. Le tokenizer d’OpenAI liste 99 codes de langue issus de la version d’origine, plus le cantonais, arrivé avec large-v3 en novembre 2023. Être pris en charge signifie que le modèle a un jeton pour la langue, pas qu’il la transcrit bien : sur le benchmark FLEURS d’OpenAI, large-v3 va d’environ 3 % d’erreurs en espagnol à environ 50 % en bengali.

Quelles langues Whisper transcrit-il le mieux ?

L’espagnol, l’italien, le coréen, le portugais et l’anglais, d’après les chiffres d’OpenAI. Sur le benchmark FLEURS, large-v3 reste à environ 4 % d’erreurs ou moins dans ces cinq langues, suivies de près par le polonais, le japonais, l’allemand, le russe, le néerlandais et le français. La précision suit la quantité d’audio d’entraînement par langue : les langues européennes et est-asiatiques très parlées dominent le tableau.

Quelle est la précision de Whisper en français ?

Bonne sur une parole claire. Sur FLEURS, OpenAI mesure 5,3 % d’erreurs de mots pour large-v3 et 5,8 % pour turbo ; sur les enregistrements plus variés de Common Voice, 10,8 % et 12,1 %. Avec small, on monte à 15,0 % sur FLEURS et avec tiny à 41,4 %, ce qui est trop pour des sous-titres publiés.

Whisper turbo vaut-il large-v3 dans toutes les langues ?

Non. Turbo a les mêmes 100 codes de langue et reste proche de large-v3 dans la plupart, mais OpenAI note des pertes plus importantes sur le thaï et le cantonais. Sur Common Voice, le cantonais passe d’environ 11 à 46 % d’erreurs de caractères et le thaï d’environ 6 à 21 %. Pour ces langues, utilisez le modèle large-v3 complet.

Faut-il laisser Whisper détecter la langue automatiquement ?

Seulement si vous ne la connaissez pas. Whisper devine la langue d’après les 30 premières secondes de parole, puis transcrit tout le fichier dans cette seule langue. Un début silencieux ou noyé sous la musique, ou une vidéo qui commence dans une autre langue, peut envoyer toute la transcription sur la mauvaise voie. Choisir la langue vous-même supprime ce risque.