Microsoft a publié un modèle de reconnaissance vocale facturé environ 0,10 dollar par heure d'audio jusqu'à la fin 2026, contre environ 0,36 pour la version précédente il y a cinq mois, soit une baisse d'environ 72 %. La couverture passe de 43 à 60 langues, avec identification des locuteurs et horodatage au mot. L'entreprise revendique un taux d'erreur moyen de 5,2 % sur un test multilingue de référence.
Nous avons couvert la voix comme interface principale et les modèles vocaux natifs. Voici la brique la plus banale et peut-être la plus utile.
Ce que dix centimes de l'heure change
Faisons le calcul, parce qu'il est parlant. Transcrire une réunion d'une heure coûte dix centimes. Une journée d'entretiens, moins d'un euro. L'intégralité des archives audio d'une radio locale sur dix ans, quelques dizaines d'euros.
À ce niveau, la transcription cesse d'être un arbitrage. On ne se demande plus si ça vaut le coût : on transcrit tout, systématiquement, parce que ne pas le faire ne rapporte rien.
C'est le genre de bascule que nous avons observé ailleurs. Quand une opération devient assez peu chère, ce n'est pas son volume qui augmente, c'est sa nature qui change. On passe d'un service qu'on commande à une fonction qui tourne en arrière-plan.
Les usages que ça débloque
L'accessibilité. C'est le bénéfice le plus incontestable, et nous le soulignons chaque fois. Le sous-titrage systématique de tout contenu audio devient réaliste pour n'importe quelle structure, y compris associative. Nous l'avons développé dans notre article sur l'accessibilité.
Les archives. Des décennies d'enregistrements — audiovisuels, judiciaires, scientifiques, familiaux — deviennent consultables par recherche textuelle. C'est un changement d'accès considérable pour des fonds qui dorment faute de moyens de les indexer.
Les langues moins servies. Le passage de 43 à 60 langues compte davantage que le prix pour une partie du monde. Nous écrivions à propos des langues que les grands modèles ignorent que le déséquilibre se loge dans des détails techniques. La couverture linguistique en est un.
Quand transcrire ne coûte plus rien, tout est transcrit. Y compris ce qu'on préférerait laisser en l'air. Une réunion, une conversation de couloir, un appel téléphonique deviennent des documents cherchables, conservables et exploitables. Nous l'écrivions à propos de la voix comme interface : installer des micros permanents dans nos espaces est une décision collective que personne n'a prise. Un coût de transcription proche de zéro supprime le dernier frein pratique à l'enregistrement systématique.
La réserve sur les chiffres
Deux précautions habituelles s'imposent.
Le tarif est promotionnel. Il est annoncé jusqu'à la fin 2026. Nous avons vu cet été ce que devient un tarif promotionnel à échéance. Ne construisez pas une économie dessus sans savoir ce que vous ferez ensuite.
Le taux d'erreur moyen cache d'énormes variations. Un chiffre agrégé sur soixante langues ne dit rien de la performance sur la vôtre, ni sur un enregistrement bruité, un accent régional, ou plusieurs personnes qui parlent en même temps. Comme toujours, la seule mesure qui compte est celle que vous ferez sur vos propres fichiers.
Ce qu'il faut retenir
Cette annonce n'a rien de spectaculaire et elle est représentative de ce qui se passe réellement. Pendant qu'on débat de l'AGI, une brique technique banale devient si peu chère qu'elle change les pratiques d'une profession entière.
C'est exactement ce que nous relevions dans notre article sur le progrès : le bénéfice réel se loge rarement là où les instruments de mesure regardent. Un modèle qui résout des problèmes mathématiques ouverts fait la une. Une transcription à dix centimes de l'heure permettra à des milliers de personnes sourdes d'accéder à des contenus qui leur étaient fermés. Les deux comptent, et l'une des deux comptera plus vite.