Roumain : « Tu as faim ? » est devenu « Je meurs de faim »

L'ouverture d'un film roumain : deux personnes qui échangent, très peu de bruit de fond, pas de foule. De nos quatre extraits roumains, c'est le plus clair.

L'une d'elles demande : "Ți-e foame?" Tu as faim ?

Speechmatics a écrit "mor de foame" : je meurs de faim. Une question est devenue une affirmation, et elle vient maintenant de l'autre personne. Dans la même minute, il a transformé « écoute, s'il te plaît » en « je l'ai entendu aussi », « j'ai pris les fleurs » en « j'ai donné les fleurs », et remplacé le "tort" (gâteau) de « gâteau meringué » par un mot qui n'a rien à faire là, satisfăcător (« satisfaisant »).

Quand un moteur fait ça sur l'extrait le plus facile du lot, le problème vient du moteur, pas de l'enregistrement.

Les extraits de test : trois films, quatre scènes

• Filantropica (2002) : une foule devant une boîte de nuit, bruit fort, des gens qui crient les uns par-dessus les autres. Niveau le plus difficile.
• The Death of Mr. Lăzărescu (Moartea domnului Lăzărescu, 2005) : des urgences hospitalières, avec médecins, infirmières, patients et appels téléphoniques qui se croisent, plus des termes médicaux comme bariu (baryum). Niveau moyen à élevé.
• 4 Months, 3 Weeks and 2 Days (4 luni, 3 săptămâni și 2 zile, 2007), deux scènes : un dîner d'anniversaire avec toute une tablée qui parle en même temps, des interruptions constantes et beaucoup de prix (niveau le plus difficile) ; et la dispute d'ouverture entre deux personnes décrite plus haut (niveau de base).

Les sources roumaines sont rares. Les films dont l'audio est disponible n'ont pas de sous-titres, et ceux qui ont des sous-titres n'ont pas d'audio complet : deux scènes ont donc dû venir du même film.

Les moteurs testés

Premier tour : ElevenLabs Scribe v2, AssemblyAI, Speechmatics et Doubao (ro-RO). FunASR, iFlytek et Qwen n'ont été lancés qu'à titre de comparaison. Les transcriptions de Soniox provenaient d'une passe séparée avec tous les moteurs et ont été intégrées à la relecture début juillet. Gemini a été ajouté en août 2026.

Lignes rouges, moteur par moteur

Speechmatics a eu des problèmes sur chaque extrait. Outre ceux cités plus haut : dans la rue, « on va au Cult Club » est devenu « on va se coucher », et un simple « Où ? » a enflé en « Où est Lake Sloop », un lieu que personne n'a mentionné. Aux urgences, il a ajouté une phrase que personne n'a dite, en substance « le médecin est au téléphone ».

AssemblyAI n'a pas bouclé, mais il invente des mots dans les scènes bondées. "Cult Club" est devenu deux fois un non-mot, "Kulfland". Au dîner, il a deux fois transformé "dragă" (chéri) en juron, "dracu". Sur l'extrait clair, il a inséré une négation, si bien que « Vas-y ! Je vais te dire… » est devenu « Vas-y, je ne vais pas te dire… ». Il a aussi déformé un nom, cassé le verbe en début de phrase et omis des passages entiers.

ElevenLabs : aucune inversion sur aucun extrait. Ses erreurs : avoir perdu "Cult", et avoir deux fois entendu "sutimi" (centièmes, comme dans « centimes ») comme le proche à l'oreille "sutieni" (soutiens-gorge).

Doubao : aucune hallucination, aucune inversion, et tous les prix du dîner justes. Ses erreurs étaient des substitutions de mots proches à l'oreille, comme ceaiul (le thé) pour ceva (quelque chose) dans « je peux t'apporter quelque chose d'en bas ? »

Soniox : aucun passage fabriqué ; ses transcriptions avaient à peu près la même longueur que celles d'ElevenLabs et de Doubao, sans remplissage. Il a eu juste le nom Popescu et le conditionnel "dacă-mi vii" (si tu viens à moi), exactement là où AssemblyAI déformait et où Speechmatics inversait. Il a brouillé deux passages aux mots proches à l'oreille sur l'extrait clair.

Ce que nous avons choisi, et pourquoi

Principal : ElevenLabs Scribe v2. Le taux d'erreur le plus bas sur l'extrait clair, aucune inversion sur aucun extrait.

Référence 1 : Soniox. Parmi les candidats de référence, il avait le taux d'erreur le plus bas sur les quatre extraits, et il s'est révélé propre à la lecture ligne par ligne. Il a remplacé AssemblyAI. Les erreurs d'AssemblyAI sont surtout des mots bizarres qui sautent aux yeux : il a été écarté pour être plus faible que Soniox, pas pour être dangereux.

Référence 2 : Doubao. Aucune hallucination, aucune inversion. Soniox et Gemini sont tous deux des transcripteurs à grand modèle ; Doubao suit une approche différente, ce qui en fait un contrepoids utile.

Référence 3 : Gemini. Voir la section suivante.

Les éléments qui plaident contre notre choix

• La conclusion initiale était AssemblyAI plus Doubao. Elle n'a changé qu'une fois les transcriptions de Soniox sorties et relues. Le corps de ce rapport initial énonce toujours l'ancienne conclusion, avec une correction ajoutée en tête.
• Speechmatics est le seul moteur à avoir eu juste le terme médical "bariu" les deux fois. Soniox a écrit "bari", une lettre en moins.
• Le moteur principal se trompe aussi : ElevenLabs a entendu « centimes » comme « soutiens-gorge », deux fois.
• Gemini n'a eu aucun extrait de film propre en roumain. Aux urgences, il a transformé "bariu" en "bani" (argent) et s'est répété au début. Au dîner, il a fait quatre ou cinq erreurs, perdant le cœur d'une phrase et transformant « whisky ? » en « jus ? ». Nous avons ensuite lancé un vrai podcast d'interview de cinq minutes. Aucune hallucination, aucune inversion, aucune boucle ; deux petits faux pas (« je » pour « il », et une expression idiomatique embrouillée), et trois endroits où il était plus précis qu'ElevenLabs. Ce podcast n'avait pas de transcription de référence humaine ; nous avons comparé Gemini à ElevenLabs uniquement.

Questions ouvertes

• Quatre scènes tirées de trois films, et aucune n'est une interview de recherche.
• Seul l'extrait des urgences contient du vocabulaire spécialisé, et les moteurs y ont beaucoup divergé (voir "bariu" ci-dessus). Les conclusions sur ce point ne sont pas encore solides.