ElevenLabs Scribe v2 Realtime : transcrire la voix en direct avec l’IA

Scribe v2 Realtime : la réponse en bref

ElevenLabs Scribe v2 Realtime transforme un flux de parole en texte au fur et à mesure de sa réception. Contrairement à une transcription de fichier, il renvoie des résultats avant la fin de l’enregistrement. Il s’adresse surtout aux développeurs d’applications de sous-titrage, de dictée ou d’assistants vocaux. L’usage habituel passe par une API : ce n’est pas simplement un bouton de prise de notes dans un logiciel de visioconférence.

Le modèle affiche des transcriptions provisoires puis des segments validés. Cette nuance est cruciale : les premiers mots peuvent changer quand la suite de la phrase arrive. Pour une réunion enregistrée que vous voulez traiter après coup, le guide Claim26 sur Scribe v2 classique reste généralement plus simple. Ici, nous détaillons la transcription en direct, sans prétendre avoir réalisé un essai payant dans un compte ElevenLabs.

• Parole en direct : API WebSocket et flux audio continu.
• Résultats provisoires à remplacer, puis segments à conserver.
• Clé API à garder côté serveur ; jeton temporaire pour le navigateur.

Transcription classique et temps réel : deux usages différents

Scribe v2 classique traite un audio ou une vidéo déjà disponible. L’utilisateur peut ensuite relire les mots, vérifier les intervenants et préparer des sous-titres. Scribe v2 Realtime reçoit un flux vivant et renvoie des fragments de transcription pendant que quelqu’un parle. Le premier facilite la relecture d’une interview ; le second convient à un affichage en direct ou à un agent vocal interactif.

Prenons un scénario concret : après un podcast de 45 minutes, vous souhaitez un texte corrigé pour un article. L’import d’un fichier convient. Pour afficher les propos d’un conférencier sur un écran pendant sa présentation, une application utilisant Realtime est pertinente. Attention à ne pas supposer que chaque fonction du produit par lots, notamment la séparation détaillée des locuteurs, se retrouve automatiquement en temps réel.

• Guide existant : /transcrire-audio-video-elevenlabs-scribe
• Pour le doublage d’une vidéo, une autre chaîne de traitement est nécessaire.

Comment fonctionne la connexion en direct ?

Votre application ouvre une connexion WebSocket vers le service Speech to Text Realtime. Elle transmet des morceaux audio et écoute les réponses. Le modèle annonce une session démarrée, puis renvoie des événements au fil de la parole. Une simple requête HTTP avec un fichier terminé ne décrit donc pas ce parcours.

Deux événements structurent l’interface : partial_transcript correspond au texte provisoire du segment en cours ; committed_transcript est le texte validé de ce segment. Plusieurs segments validés peuvent se succéder durant la même conversation. Il n’existe pas de message final_transcript distinct à attendre pour terminer toute la session. Une application qui les confond risque de dupliquer des phrases ou de perdre des corrections.

• session_started : la connexion et ses paramètres sont confirmés.
• input_audio_chunk : votre application transmet les échantillons.
• partial_transcript : la phrase en cours peut encore évoluer.
• committed_transcript : conserver le segment stabilisé.

Étape 1 — Choisir un premier usage réaliste

Pour débuter, créez une démonstration très ciblée : un bouton Démarrer, une zone pour les mots provisoires, une zone pour les phrases validées et un bouton Arrêter. Le lecteur doit distinguer le texte en cours de construction du texte conservé. Si l’application doit enregistrer les résultats, prévoyez aussi une fonction d’effacement.

Ne commencez pas directement par un outil qui transcrit, traduit, résume et répond à la voix. Chaque étape supplémentaire ajoute des délais, des risques d’erreur et potentiellement des coûts. La première preuve utile est beaucoup plus simple : envoyer un audio autorisé, récupérer un texte lisible et fermer proprement la session.

• Définir le public : sous-titrage, dictée ou assistant vocal.
• Limiter les premières sessions à des phrases courtes.
• Conserver la possibilité de vérifier les mots contre l’audio source autorisé.

Étape 2 — Préparer la clé API et protéger le navigateur

Dans ElevenLabs, créez une clé API avec les autorisations nécessaires et vérifiez les quotas de votre formule. Ne placez jamais cette clé secrète dans le code JavaScript envoyé au navigateur, dans une capture d’écran ou dans un dépôt public. Les requêtes côté serveur peuvent utiliser la clé sous réserve des protections habituelles.

Pour le microphone d’un navigateur, ElevenLabs recommande un jeton à usage unique créé côté serveur. Le navigateur reçoit ce jeton temporaire plutôt que la clé principale, puis l’utilise pour ouvrir sa session Realtime. Ce mécanisme ne dispense pas de limiter l’accès à votre propre application. N’ouvrez pas une route qui distribue librement des jetons à n’importe quel visiteur.

L’identifiant du modèle est scribe_v2_realtime. Si vous développez plutôt un traitement côté serveur à partir d’un flux ou d’une URL, suivez le tutoriel serveur officiel ; il ne nécessite pas le même parcours d’authentification côté navigateur.

• Clé principale : uniquement sur le serveur ou dans un gestionnaire de secrets.
• Navigateur : jeton temporaire, jamais la clé API principale.
• Coûts : vérifier les limites et désactiver les sessions inutiles.

Étape 3 — Brancher le microphone et choisir le format audio

Une application Web doit obtenir l’autorisation d’utiliser le microphone. Il faut aussi expliquer ce qui est transmis à ElevenLabs et recueillir les autorisations nécessaires si l’on enregistre la parole d’autres personnes. Une permission technique accordée au navigateur n’est pas une autorisation générale de traiter n’importe quelle conversation.

Le flux doit respecter le format que vous annoncez au service. La documentation prend notamment en charge du PCM 16 bits à différentes fréquences et du μ-law à 8 kHz ; le PCM 16 kHz figure parmi les formats de départ recommandés. La fréquence déclarée ne doit pas être différente de l’audio envoyé : ne vous contentez pas de renommer les données.

Pour le premier test, privilégiez une voix nette et une pièce calme. Les interruptions, les discussions simultanées et le bruit de fond compliquent l’interprétation. Le guide côté client indique comment relier le microphone au SDK sans gérer manuellement tous les morceaux audio.

• Vérifier le bon périphérique d’entrée.
• Confirmer la fréquence et le format transmis.
• Tester une phrase courte en français avant une conversation longue.

Étape 4 — Afficher les transcriptions provisoires et validées

Lorsqu’un événement partial_transcript arrive, remplacez le précédent texte provisoire dans la zone en cours. N’ajoutez pas chaque nouvelle hypothèse à l’historique : le même début de phrase pourrait être présent plusieurs fois. À la réception d’un committed_transcript, ajoutez le segment stabilisé à la transcription et videz la zone provisoire au moment approprié.

Exemple fictif : l’écran affiche d’abord « Nous allons présenter… », puis une formulation plus complète. Le premier affichage est provisoire ; seul le segment confirmé est enregistré. Cet exemple décrit un comportement attendu, pas le résultat d’un banc d’essai réalisé par Claim26.

La connexion peut aussi émettre des messages d’avertissement ou de limitation. Affichez des erreurs compréhensibles pour que l’utilisateur sache si l’application écoute encore ou si la transcription s’est interrompue.

• Différencier visuellement le texte provisoire.
• Ne garder chaque segment confirmé qu’une seule fois.
• Prévoir une reconnexion contrôlée, sans répéter les anciennes phrases.

Étape 5 — Déterminer quand une phrase est terminée

ElevenLabs documente deux stratégies de validation des segments. Avec la détection d’activité vocale, ou VAD, le service tente de repérer les silences pour terminer un passage. Avec la validation manuelle, l’application choisit quand envoyer une demande de commit. La première stratégie peut être pratique pour un dialogue naturel ; la seconde convient à une application qui sait précisément quand finit une intervention.

Une pause brève n’est pas toujours la fin d’une idée. Les choix de segmentation influencent la rapidité d’affichage et la cohérence des phrases conservées. Testez-les sur le type de parole réellement attendu. En mode manuel, le serveur peut envoyer des messages de maintien pendant la réception de données ; une coupure prolongée de l’envoi audio peut entraîner la fermeture de la connexion.

• VAD : une segmentation fondée sur la détection de parole et de pauses.
• Manuel : votre application décide de valider le segment.
• Ne pas considérer un message de maintien comme une nouvelle phrase.

Comment améliorer la précision en français ?

Commencez par la qualité du son : placement du microphone, niveau suffisant sans saturation et limitation des bruits parasites. Vérifiez ensuite les noms propres, chiffres, négations et termes techniques sur un enregistrement de référence autorisé. Une sortie bien ponctuée peut malgré tout être inexacte.

Le guidage par termes clés permet d’indiquer quelques expressions rares, notamment des noms de produit ou de marque. Selon la documentation officielle, Realtime accepte jusqu’à 50 termes clés de 20 caractères chacun. Cette fonction est facturée en supplément : elle ne doit pas être présentée comme une option gratuite garantie.

D’autres options, comme un mode de transcription plus rédigé, peuvent aider certains usages, mais ne conviennent pas toujours à un procès-verbal fidèle. Pour une citation publique, comparez toujours la transcription à la source audio.

• Tester un seul changement à la fois.
• Privilégier une phrase de démonstration contenant un nom propre.
• Relire les passages sensibles avant de les publier.

Tarifs : estimer l’usage avant d’activer le service

L’accès et la facturation dépendent de la formule ElevenLabs, du modèle et des options employées. Ne déduisez pas les minutes disponibles en Realtime des seules limites d’un outil de transcription par fichiers. Les tarifs et quotas sont susceptibles d’évoluer : la grille officielle et l’affichage de votre compte font foi au moment de l’utilisation.

Pour cadrer un projet, calculez les minutes de flux réellement envoyées, le nombre de sessions simultanées et l’éventuel coût de fonctions avancées. Un outil qui garde des connexions actives sans raison peut consommer inutilement des ressources. Définissez une limite d’essai avant le premier usage prolongé.

Si vous souhaitez comparer les offres et les outils vocaux proposés par l’éditeur, consultez également les guides Claim26 sur ElevenLabs gratuit et les tarifs du service. Un compte gratuit peut être suffisant pour découvrir certains produits, sans garantir un quota précis pour tous les modèles API.

• Vérifier les conditions du compte et le prix par minute à la date du test.
• Ajouter un plafond de consommation approprié.
• Prévoir l’arrêt automatique de la session lorsque l’utilisateur termine.

Confidentialité, consentement et conservation

Une transcription en direct peut contenir des données personnelles : nom, voix identifiable, informations de santé, renseignements professionnels ou propos confidentiels. Avant d’envoyer une conversation à un fournisseur externe, examinez la base légale, les informations à communiquer et les autorisations applicables à votre contexte.

La documentation Realtime indique que certains modes de conservation réduite ou sans journalisation dépendent du niveau de service. Une demande technique de non-conservation n’est pas la preuve qu’elle a été appliquée : l’API peut émettre un avertissement si la fonction est indisponible pour le compte. Vérifiez les conditions contractuelles et la configuration effectivement active.

Protégez également les textes que votre propre application enregistre. Définissez qui peut les lire, combien de temps ils restent conservés et comment les supprimer. Un accès au microphone autorisé par le navigateur ne remplace pas l’information des autres participants.

Dépannage : les cinq problèmes les plus courants

Le microphone est refusé : vérifiez ses autorisations, la configuration du navigateur et les conditions de sécurité nécessaires à son fonctionnement. Si aucune phrase n’apparaît, contrôlez ensuite la connexion, l’authentification, le modèle choisi, le format audio et les quotas.

Le texte se répète : examinez le traitement des événements partial_transcript et committed_transcript. Un flux provisoire ne doit pas être ajouté à l’historique à chaque mise à jour. Si des mots arrivent avec trop de retard, examinez l’envoi audio, les tampons, la connexion et la stratégie de validation au lieu d’attribuer automatiquement le délai au modèle.

Des termes propres à votre secteur sont mal reconnus : vérifiez d’abord la prise de son et la langue, puis les termes clés si le coût est acceptable. Lorsque deux personnes se parlent en même temps, n’imaginez pas une séparation parfaite des locuteurs sans capacité explicitement documentée pour votre parcours.

• Microphone ou permissions.
• Jeton expiré ou clé incorrecte.
• Format audio déclaré différent du format réel.
• Mauvais traitement des segments provisoires.
• Quotas ou connexion interrompue.

Questions fréquentes

Peut-on utiliser Realtime en français ? Oui, le français fait partie des langues annoncées. Pour un texte destiné à être publié, la vérification des noms et des chiffres reste nécessaire.

Peut-on transcrire directement Zoom ou Google Meet ? Une intégration spécifique peut être développée si le flux est accessible et autorisé ; Scribe v2 Realtime n’est pas, à lui seul, un assistant de réunion prêt à installer.

Peut-on afficher des sous-titres pendant une vidéo ? Oui, à condition de développer l’affichage, la synchronisation et le traitement des corrections provisoires. Le modèle ne fournit pas automatiquement un lecteur de sous-titres prêt à diffuser.

Faut-il savoir programmer ? Une intégration personnalisée nécessite du développement ou un service tiers qui l’a déjà réalisé. Pour transcrire un fichier, le parcours classique de Scribe v2 reste généralement plus accessible.

Conclusion : faut-il choisir Scribe v2 Realtime ?

Choisissez Scribe v2 Realtime si votre application doit réagir à la voix pendant qu’elle est prononcée. Son intérêt ne se limite pas à la vitesse : le flux d’événements provisoires et validés permet de construire une interface de transcription réellement interactive. Pour une vidéo déjà enregistrée ou une simple interview, Scribe v2 classique peut éviter un développement inutile.

Avant de choisir un abonnement, confrontez un cas d’usage concret, les permissions nécessaires, la qualité de votre audio, les coûts et les règles de confidentialité. Pour examiner les fonctionnalités et les limites de la plateforme, vous pouvez découvrir ElevenLabs via le lien partenaire Claim26 ; une commission peut être versée à Claim26 sur certains achats éligibles, sans surcoût annoncé pour le lecteur.