Deepgram vs AssemblyAI : pour vérifier les transcriptions d’entretien à l’écoute, choisir d’abord les canaux et les modèles de langue

Pour choisir une API de transcription, les équipes de recherche doivent d’abord vérifier les canaux de l’enregistrement, le modèle de langue réellement utilisé et les repères temporels par mot. Deepgram permet de configurer explicitement la version de diarisation et la transcription multilingue. Les tours de parole et résumés par chapitres horodatés d’AssemblyAI méritent une évaluation, sans négliger les replis de modèle selon la langue ni la correction humaine.

Source: developers.deepgram.com
8 novembre 2026
7 min

Transformer un entretien en texte fluide n’est que la première étape du travail de recherche. L’équipe doit aussi savoir qui a prononcé chaque phrase, pouvoir réécouter un passage d’un clic et retrouver l’enregistrement original après correction. Deepgram et AssemblyAI fournissent tous deux les données de transcription nécessaires à ce type d’application. Pour choisir une API, il faut comparer leur intégration au processus de vérification, plutôt que de reprendre comme conclusion les classements de précision publiés par les fournisseurs eux-mêmes.

Si l’équipe souhaite contrôler explicitement la version de diarisation et gérer les changements de langue dans un même modèle de transcription multilingue, Deepgram mérite un premier essai. Si elle organise la vérification par tours de parole et souhaite ensuite produire des résumés par chapitres horodatés, AssemblyAI mérite aussi une évaluation. Le simple renvoi d’un texte ne suffit, chez aucun des deux, à créer un historique de corrections et une chaîne de preuves pour les citations. Les analyses suivantes reposent sur la documentation officielle au 10 novembre 2026, et non sur un classement établi par des tests sur les mêmes enregistrements.

Préserver les canaux avant d’identifier les locuteurs

Supposons qu’un entretien enregistre la personne menant la recherche et la personne interrogée sur deux canaux distincts. Il faut d’abord conserver cette séparation, plutôt que de mixer le tout en mono puis de demander au modèle de deviner les personnes. La fonction Multichannel de Deepgram transcrit chaque canal indépendamment. La transcription multicanale d’AssemblyAI renvoie également les informations de canal pour chaque tour de parole et chaque mot.

Un canal ne correspond toutefois pas forcément à une personne. Si le canal d’un microphone de salle de réunion contient deux personnes interrogées, il faut encore distinguer les locuteurs à l’intérieur de ce canal. AssemblyAI autorise l’activation simultanée de multichannel et speaker_labels ; les bornes minimale et maximale du nombre attendu de personnes s’appliquent à chaque canal. Il ne faut donc pas reprendre telles quelles celles de l’entretien entier. À l’inverse, un fichier stéréo ne garantit pas qu’une seule personne soit présente de chaque côté. Avant l’achat, il convient d’examiner les fichiers réellement exportés par le logiciel d’enregistrement.

Pour les enregistrements où plusieurs personnes partagent un même canal, la diarisation de Deepgram permet de fixer la version du système de séparation en traitement par lots avec diarize_model=v2. latest évolue avec la dernière version stable. L’ancien paramètre diarize=true pointe toujours vers v1 et ne peut pas être défini en même temps que diarize_model. Les équipes qui doivent expliquer les différences de résultats entre plusieurs campagnes de recherche devraient consigner ces réglages plutôt que recopier d’anciens exemples.

AssemblyAI active la diarisation avec speaker_labels et renvoie des utterances portant des étiquettes de locuteur. A, B ou une étiquette numérique ne constituent pas, en eux-mêmes, des noms vérifiés. L’association entre une étiquette et l’identité d’une personne interrogée doit conserver une étape de confirmation humaine, notamment pour les interruptions et les réponses brèves.

Un texte modifiable doit conserver deux types d’indices de confiance

Les Utterances de Deepgram fournissent des segments ainsi que les instants de début et de fin de chaque mot, en secondes. La diarisation des enregistrements préenregistrés renvoie aussi speaker_confidence. La réponse de diarisation d’AssemblyAI fournit les débuts et fins des tours de parole et des mots en millisecondes, et permet de demander la confiance d’attribution du locuteur via speaker_options.include_speaker_confidence. La confiance textuelle et celle relative au locuteur répondent à des questions différentes : un mot peut être correctement reconnu, mais attribué à la mauvaise personne.

Lors de l’intégration à un éditeur, il est donc conseillé d’unifier l’unité de temps tout en conservant la réponse originale. Le texte affiché peut être corrigé, des découpages de phrases peuvent être fusionnés et les étiquettes des personnes remplacées ; l’ordre original des mots, les intervalles temporels, les canaux et les réglages du modèle ne doivent pas être écrasés pour autant. Par exemple, si la personne interrogée formule une négation décisive à 12.5 secondes, la même position peut être notée 12500 millisecondes dans une autre réponse. Une conversion erronée fera démarrer la réécoute au mauvais endroit, même si la phrase affichée est parfaitement correcte.

C’est aussi un coût de mise en œuvre commun aux deux API : l’équipe doit toujours conserver les enregistrements et leurs versions, indiquer qui a modifié quoi et relier les citations des rapports de recherche à des extraits vérifiés. Pour choisir, il faut faire réaliser à une personne chargée de la vérification le parcours complet « corriger, réécouter, confirmer le locuteur, exporter la citation », puis mesurer le travail manuel économisé.

« Cette langue est prise en charge » ne suffit pas : il faut connaître le modèle réellement utilisé

Le modèle actuel Nova-3 multilingual de Deepgram prend en charge 55 langues et les changements de langue dans la conversation avec model=nova-3 et language=multi. language_hint favorise simplement la reconnaissance des langues attendues, sans interdire les autres langues prises en charge. Pour les entretiens comportant des termes étrangers, cela est plus utile que d’imposer l’hypothèse d’une seule langue pendant toute la conversation.

La présentation actuelle des modèles d’AssemblyAI recommande Universal-3.5 Pro pour les enregistrements préenregistrés, avec une prise en charge de 18 langues. Pour les langues hors de cet ensemble, un repli sur Universal-2 est possible, portant la couverture globale à 99 langues. « La plateforme prend en charge 99 langues » ne signifie donc pas que les 99 utilisent Universal-3.5 Pro. Les documents d’évaluation doivent consigner la configuration de la requête et le modèle ayant réellement effectué le traitement, sans regrouper les transcriptions de modèles différents dans une seule moyenne.

Si le projet concerne des langues minoritaires ou des changements fréquents de langue, il faut d’abord vérifier la liste des langues, puis comparer les résultats sur le même ensemble d’extraits représentatifs dont l’utilisation est autorisée. Examiner les corrections nécessaires sur les noms de personnes, les noms propres, les négations et les changements de locuteur reflète mieux les coûts de l’équipe que comparer les premières places revendiquées séparément par les deux fournisseurs.

Placer le résumé après la vérification : un index, pas une citation

La documentation du résumé intégré de Deepgram indique une prise en charge de l’anglais et la production d’un seul résumé couvrant tous les canaux. Le résumé Speech Understanding d’AssemblyAI propose des chapitres horodatés et est actuellement indiqué comme étant en bêta ouverte. Le premier convient à une vue d’ensemble d’entretiens en anglais déjà vérifiés ; le second mérite d’être essayé pour naviguer entre les passages d’entretiens longs. Les fonctionnalités en phase de test doivent toutefois être validées dans le projet concerné.

Quel que soit le fournisseur, un résumé généré tel que « la personne interrogée a évoqué un budget insuffisant » ne doit pas être directement traité comme une déclaration exacte. Le résumé renvoie à un extrait, une personne le réécoute pour confirmer, puis utilise la transcription vérifiée pour citer les propos. Si le résumé provient d’une transcription non encore corrigée, les résumés concernés doivent être revérifiés après la correction de mots importants ou de l’attribution des locuteurs.

L’achat final peut s’appuyer sur un petit jeu de validation : entretiens avec canaux séparés, entretiens réunissant plusieurs personnes sur un canal mono et langues réellement utilisées dans le projet. Le choix de version et les réglages multilingues de Deepgram, ainsi que les données par tour de parole et les résumés par chapitres d’AssemblyAI, constituent deux approches d’intégration à comparer. Le choix à conserver doit surtout dépendre de celle qui, à tâche de vérification identique, laisse le moins d’attributions erronées et demande le moins de retouches manuelles.

À propos de cet article :Cet article s’appuie sur des informations publiques et sert de référence pour vous aider à choisir vos outils. Les fonctionnalités, les tarifs et les politiques associées peuvent évoluer à tout moment ; veuillez consulter les informations officielles les plus récentes.

Source originale :developers.deepgram.com