Qwen-Audio 3.0 : moins une transcription qu'un dérushage automatisé
— AUDIOVISUEL
Qwen lance une famille d'outils de reconnaissance vocale qui exploite le contexte de la conversation, des listes de mots spécialisés et sépare les intervenants, avec des chiffres de fiabilité élevés sur du vocabulaire médical ou industriel. Reste que ces scores viennent des propres tests de l'entreprise, et qu'un monteur ne le vérifiera qu'en confrontant l'outil à ses rushs réels.
Ce qui change avec Qwen-Audio 3.0, ce n'est pas la transcription en elle-même, c'est ce qu'elle sait deviner autour du texte. Le service ne se contente plus d'aligner des mots sur un flux audio, il retient les échanges précédents, privilégie un vocabulaire choisi à l'avance et repère automatiquement la langue parlée. Sur le papier, l'outil se rapproche d'un assistant qui comprend une conversation plutôt qu'un simple sténographe.
Le métier qui touche ça de près, c'est celui du monteur ou du podcasteur qui passe des heures à dérusher des interviews avant de sous-titrer ou de couper au bon moment. La version pensée pour les fichiers longs sépare les intervenants, découpe le texte par phrase avec un repère temporel précis, et accepte des listes de termes techniques propres à un client ou un secteur. Sur un tournage documentaire ou une série d'interviews métier, ça veut dire une base de travail déjà structurée plutôt qu'un fichier texte brut à corriger ligne par ligne.
La réserve tient à l'origine des chiffres avancés. Qwen annonce un taux de reconnaissance qui dépasse 95% sur du vocabulaire médical, mais ce résultat vient de ses propres évaluations internes, pas d'un test indépendant sur des rushs réels, avec accents, bruit ambiant ou voix qui se chevauchent comme c'est presque toujours le cas en tournage.
À mes yeux, l'apport réel n'est pas dans la précision brute mais dans le gain de temps sur une étape que personne n'aime faire : transcrire à la main une heure d'interview pour en tirer des sous-titres ou un montage papier. Difficile de ne pas y voir un outil qui rend le dérushage moins pénible, sans pour autant remplacer l'oreille du monteur qui sait ce qu'une phrase mal découpée va coûter en montage.
Reste à savoir ce que ça donne sur un vrai tournage, avec deux voix qui se coupent et un accent régional marqué. Le premier test que je ferais serait justement là, sur le pire fichier du dernier projet, pas sur une démo bien léchée.