Construire un excellent produit de notes, ce n’est pas choisir le modèle le plus récent. C’est orchestrer trois modèles dans le bon ordre et savoir quand chacun l’emporte.
Couche 1 : la transcription
Nous partons de Whisper Large v3 (OpenAI) auto-hébergé sur nos propres GPU. Les raisons :
- Multilingue natif (plus de 90 langues avec une bonne qualité).
- Une robustesse au bruit sans équivalent commercial.
- Un coût prévisible quand nous l’exécutons.
Pour les longs audios (plus de 30 min), nous pré-segmentons avec un VAD (détection d’activité vocale) pour que le modèle ne dérive pas. Pour les langues mélangées dans une même réunion, nous détectons par tronçon et envoyons chacun vers un passage spécifique.
Couche 2 : diarisation + alignement
Comme nous l’avons vu dans l’article dédié, cette couche est maison : embeddings + regroupement + prosodie. Le résultat est la transcription de Whisper enrichie d’étiquettes d’interlocuteur à chaque tour de parole.
Couche 3 : synthèse (LLM)
Ici, nous utilisons Gemini 2.5 Pro comme modèle principal, pour trois raisons :
- Contexte long : 1 M de tokens. Une réunion de 90 minutes tient sans troncature.
- Qualité en espagnol : dans nos benchmarks, il bat GPT-4 sur de vrais résumés de réunions en espagnol.
- Rapport coût/performance : à l’usage, il fait ce que font les modèles premium pour moins cher.
Pour des tâches précises (classification des tâches, extraction de dates), nous utilisons des modèles plus petits et moins chers : pas besoin d’un canon pour ce travail.
Couche 4 : le chat sur la note
C’est la couche que nous préférons. Nous utilisons une récupération par embeddings sur la transcription + la diarisation : quand vous posez une question, nous récupérons le fragment exact et le donnons au modèle. Les réponses ont donc des citations vérifiables (horodatage + texte littéral).
Le principe
Chaque modèle est placé là où il est le meilleur, pas là où il est le plus tape-à-l’œil. La pile est mise à jour quand un nouveau modèle gagne face à l’actuel sur de vraies évaluations, pas quand une annonce tombe.
Prêt à l’essayer ?
Enregistrez votre prochaine réunion et obtenez un résumé exploitable en quelques secondes.
Commencer gratuitementContinuer la lecture
Tout voir →La confidentialité des enregistrements : comment AudioMap protège vos réunions
Téléverser de l’audio sur un service suppose de la confiance. Voici exactement ce que nous faisons et ne faisons pas de votre contenu.
5 minLa diarisation : comment AudioMap comprend qui dit quoi
Identifier des voix est plus difficile qu’il n’y paraît. Voici comment nous y parvenons sans inonder votre disque d’embeddings.
6 minL’IA en réunion : mythe et réalité en 2026
Ce que l’IA peut et ne peut pas faire aujourd’hui avec vos réunions, et pourquoi la plupart des promesses du marché sont de la fumée.
5 minLe cours que vous avez enregistré et jamais réécouté : comment résumer un cours enregistré
Enregistrer le cours demande un bouton. Le réécouter demande les quatre-vingt-dix minutes que vous n’avez pas. Voici comment un enregistrement de quatre-vingt-dix minutes devient des notes avec concepts, exemples, bibliographie et carte mentale, sans réécouter.
8 minComment conserver un entretien familial : la vie de votre grand-mère ne tient pas dans un message vocal WhatsApp
Vous avez enregistré votre grand-mère racontant son enfance et le fichier vit dans une conversation qui sera un jour effacée. Voici comment cet enregistrement devient quelque chose que vous pouvez lire, chercher par nom, regarder avec des sous-titres et partager avec la famille sans en perdre le contrôle.
8 minLe conseiller qui a cessé de répéter quinze fois la même revue : un modèle de revue fiscale par IA
Quinze revues trimestrielles en trois semaines, toutes semblables et aucune identique. Le problème n’est pas de se souvenir de ce qui a été dit : c’est de se souvenir à qui. Voici comment chaque séance se retrouve documentée, avec sa mention légale et ses données en Europe.
8 min