Notre lecture
Décidez d'abord si l'audio arrive après coup ou pendant que les gens parlent : cela détermine l'API de fichiers ou l'API temps réel, et la diarisation est documentée pour les deux. Choisissez ensuite le modèle selon vos langues, car les pages tarifs et d'accueil citent des générations de modèles et des nombres de langues différents. Confirmez-les dans la documentation technique avant de vous engager.
Partir du moment où l'audio arrive
AssemblyAI présente ce choix sous forme d'API distinctes. L'API pré-enregistrée transcrit des fichiers audio et vidéo avec étiquettes de locuteurs et mise en forme. L'API temps réel reçoit un flux audio et renvoie le texte au fil de la parole. Une API synchrone renvoie le texte final d'un court extrait dans la même requête.
Jiminny montre l'enjeu. Son équipe produit voulait une transcription en streaming pour aider les utilisateurs au moment même de la conversation, avec des étiquettes pour distinguer les participants. L'étude de cas publiée par l'éditeur cite des gains, comme au moins 51 % de satisfaction client en plus ; ce sont des chiffres de l'éditeur et du client, pas un test indépendant.
Si votre produit n'a besoin du texte qu'après l'appel, l'API de fichiers est plus simple. Aloware, selon son étude de cas, a livré la transcription automatique des appels en six semaines, puis l'a utilisée pour la relecture et le contrôle qualité des appels.
Ce qui change la facture et les limites
L'audio pré-enregistré est facturé à l'heure : la page tarifs affiche 0,21 $ de l'heure pour Universal-3.5 Pro et 0,15 $ pour Universal-2. Les fichiers multicanaux sont facturés par canal : une heure en stéréo compte pour deux heures, chaque canal étant transcrit indépendamment, ce que l'éditeur présente comme plus précis pour les enregistrements à plusieurs voix.
Le streaming a ses propres règles. La concurrence est décrite comme gratuite et à mise à l'échelle automatique. En offre gratuite, vous pouvez ouvrir jusqu'à 5 nouvelles connexions par minute. En paiement à l'usage, la limite de départ est de 100 sessions par minute, augmentée de 10 % dès que vous en utilisez 70 % ou plus. Vérifiez sur la page tarifs et dans la documentation comment le temps de streaming est mesuré avant de chiffrer des appels longs.
Modèle et langues : deux pages, deux réponses
La page tarifs présente Universal-3.5 Pro pour 18 langues et Universal-2 pour 99 langues, à un prix plus bas. La page d'accueil décrit Universal-3.6 Pro pour l'audio enregistré et un équivalent temps réel, chacun avec 32 langues et alternance de langues, et annonce aussi plus de 99 langues au total. Ces écarts de nom et de langues ne sont pas expliqués dans les sources : seule la documentation dira quel modèle et quelle liste s'appliquent à votre compte.
La langue et la précision des horodatages ont motivé le changement de Kapwing. Son directeur technique explique que l'ancienne API manquait de précision sur les durées de mots et de traduction de langues étrangères, et qu'AssemblyAI a mené des expériences comparant le taux d'erreur de mots et la précision temporelle. Dovetail a aussi comparé des fournisseurs avant de choisir. Ces récits viennent de l'éditeur ; la leçon est de refaire ce genre de comparaison sur vos propres enregistrements.
Diarisation : qui parle, en direct ou en différé
La diarisation est disponible pour les modèles pré-enregistrés et temps réel, et l'éditeur dit entraîner ses modèles en interne. L'identification des locuteurs remplace ensuite « Speaker A » par de vrais noms ou rôles. La page tarifs liste les options dans un onglet séparé : vérifiez-y si la diarisation modifie votre coût horaire.
Deux études montrent des usages différents. Dovetail, qui ingère entretiens et appels de support, rapporte une amélioration d'environ 10 % des étiquettes de locuteurs dans sa propre comparaison. Aloware propose des transcriptions séparées par locuteur et l'analyse du sentiment par locuteur dans son produit d'analytique vocale. Si chaque voix est sur un canal distinct, la transcription par canal vaut un test, avec la facturation multicanal décrite plus haut.
Termes spécialisés et usage des sorties
Pour l'API pré-enregistrée, la page tarifs mentionne les termes clés (keyterms prompting), l'orthographe personnalisée, les mots de remplissage, la détection de langue et les horodatages au mot. La page d'accueil ajoute des modes Médical et Vétérinaire avec vocabulaire de domaine, et un mode Juridique annoncé comme à venir. Les sources lues ne donnent pas de limites pour les listes de termes clés : consultez la documentation.
Les horodatages au mot alimentent de vraies fonctions. Kapwing s'en sert pour couper une vidéo en éditant la transcription et pour animer les sous-titres mot à mot. CallRail fait autre chose : ses appels passent par un modèle de résumé qui renvoie puces, titre, essentiel ou paragraphe en un seul appel d'API, avec en plus une analyse du sentiment.
Garde-fous, données et essai gratuit
Une API Guardrails détecte et supprime les données personnelles et les contenus à risque dans les données vocales. Aloware cite la suppression des données personnelles parmi les fonctions livrées avec AssemblyAI. Côté conservation, l'éditeur indique que le streaming ne garde ni audio ni transcriptions si vous refusez l'entraînement des modèles. Pour l'audio pré-enregistré, les fichiers sont supprimés sous 24 à 48 heures et les transcriptions après 30 jours par défaut, avec une durée de vie réglable jusqu'à une heure. Les comptes payants peuvent refuser l'entraînement.
AssemblyAI indique un audit SOC 2 Type II et propose un accord de traitement des données. Cet accord précise que le traitement principal a lieu aux États-Unis et prévoit un préavis et un droit d'objection pour les nouveaux sous-traitants, ce que votre équipe juridique devra lire.
L'offre gratuite ne demande pas de carte bancaire et couvre jusqu'à 185 heures pré-enregistrées et 333 heures de streaming. Suggestion éditoriale : utilisez-la sur un échantillon de vos enregistrements les plus bruités, une fois en fichier et une fois en flux, puis comparez étiquettes de locuteurs et termes métier avant de choisir.
Méthode et limites
2026-11-13
Cet état daté compte les entreprises distinctes disposant de preuves clients publiques. CONFIRMED désigne une étude de cas, un témoignage nommé ou une source de presse ; DECLARED, une déclaration de l’entreprise elle-même ; OBSERVED, une liste de clients publiée par un éditeur ; SIGNAL, une offre d’emploi. Les quatre niveaux comptent, avec des forces différentes. Les lignes retirées ou sans niveau sont exclues. Les exemples forment une sélection limitée, vérifiée dans les 90 jours. Les faits éditeurs sont sourcés et vérifiés dans les 60 jours. La couverture est inégale ; une preuve absente reste inconnue. Ces chiffres ne mesurent ni les parts de marché ni les performances. Les dates de collecte ne sont pas des dates d’adoption.
