Suédois : quand « excuse-toi ! » est devenu « je m'excuse »

Dans le film suédois Ondskan (Evil, 2003), il y a une scène de harcèlement dans un internat. Le harceleur hurle "Be om ursäkt" à l'autre garçon : excuse-toi. ElevenLabs, Speechmatics, Soniox et Deepgram ont tous transcrit "Jag ber om ursäkt", je m'excuse. Celui qui exigeait des excuses est devenu celui qui les présente.

Seul AssemblyAI l'a eu juste. Cette réplique explique en partie pourquoi AssemblyAI figure toujours dans notre équipe pour le suédois.

Les extraits de test

Quatre extraits, tous tirés du cinéma et de la télévision. Nous ne publions pas l'audio.

Les deux premiers existent pour faire échouer les moteurs. Les deux derniers sont plus proches d'une vraie interview.

Les moteurs testés

ElevenLabs Scribe v2, AssemblyAI, Speechmatics, Soniox, Deepgram, Qwen, FunASR et Doubao. Nous avons ajouté Gemini en août 2026.

Le suédois ne figure pas dans la liste publiée des 25 langues prises en charge par Doubao. Donnez-lui du suédois et il vous rend de l'anglais, parfois en boucle : "I don't know", quinze fois d'affilée. Il a été écarté pour cette langue.

Les lignes rouges

Les inversions de négation et de position ont été le problème le plus fréquent en suédois. La réplique d'ouverture en est une. ElevenLabs a aussi perdu un inte dans Tillsammans, si bien que « ne les regarde pas, ne les écoute pas » est sorti en « ne les regarde pas, écoute-les ». Speechmatics a transformé "Tycker du" (tu penses) en "Jag tycker" (je pense), et changé « le plus maladroit » en « le plus malhonnête », ce qui transforme une remarque sur la maladresse en attaque contre le caractère de quelqu'un.

Phrases hallucinées — nous en avons d'abord imputé trois à AssemblyAI dans les deux scènes de groupe : des répliques absentes des sous-titres. À la relecture, Soniox et Qwen avaient entendu les mêmes mots aux mêmes endroits. Les sous-titres avaient omis de vrais dialogues. Depuis, quand plusieurs moteurs s'accordent contre la référence, nous vérifions d'abord la référence.

Boucles : Qwen avait tendance à se répéter en suédois ; notre balayage automatisé a compté un mot répété 35 fois sur un court passage. Speechmatics a transformé la foule qui scande "Kryp!" en douze "Hi". À strictement parler c'est une substitution, mais le sens est perdu dans les deux cas.

La dérive de langue n'est apparue qu'avec Doubao. Nous n'avons vu de cas net de passages perdus ou de contenu inséré chez aucun moteur sur ces extraits.

Ce que nous avons choisi

• Moteur principal : ElevenLabs Scribe v2. Le plus complet et le plus fidèle sur les quatre extraits, sans boucles. Ses deux inversions ont eu lieu dans les scènes de groupe ; sur les deux extraits de type interview, il n'en a eu aucune.
• Moteurs de référence : AssemblyAI, Soniox, Gemini.

AssemblyAI : c'est le seul moteur à avoir eu juste la réplique des excuses, et il était propre sur les deux extraits de type interview.

Soniox a remplacé Speechmatics. Speechmatics était noté « sans inversion ». Quand nous avons repris les extraits, cela n'a pas tenu : Speechmatics faisait partie des moteurs qui se sont trompés sur la réplique des excuses, et les deux autres changements cités plus haut étaient de lui. Soniox n'avait sur ces quatre extraits aucune ligne rouge qui lui soit propre. À chaque endroit où Speechmatics perdait des points, Soniox soit avait juste, soit laissait un blanc plutôt que de deviner.

Gemini nous a rejoints en août. Zéro ligne rouge sur les deux extraits de type interview. Sur Morgonstudion, il a produit 730 mots, la transcription la plus complète du lot, avec les titres de livres et les noms intacts.

Les éléments qui plaident contre nos choix

• ElevenLabs a lui aussi inversé le sens deux fois. Il fonctionne comme moteur principal parce que les moteurs de référence peuvent le rattraper à des endroits comme ceux-là.
• Gemini a transformé « tu as brisé la famille » en « j'ai brisé la famille » dans Tillsammans.
• Un premier balayage automatisé avait trouvé que Soniox produisait 1,8 fois plus de mots que la référence en suédois, avec des répétitions. Une relecture ligne par ligne n'a ensuite trouvé aucune ligne rouge propre à Soniox, mais nous n'avons pas oublié ce signal.
• Sur Babel, l'extrait le plus propre, Speechmatics a obtenu un WER de 32,7 %, dans la même tranche la plus basse que les 32,5 % de Qwen. ElevenLabs a obtenu 44,0 %. Nous avons tout de même écarté Speechmatics, parce que ce que nous comptons, c'est la fréquence à laquelle le sens déraille, et sur ce critère il a fait moins bien.

Questions encore ouvertes

Quatre extraits : deux scènes de groupe de films, deux séquences télévisées. Aucun n'est une véritable interview de recherche, et nous n'en avons choisi aucun pour les accents régionaux. Et les cas comme la réplique d'ouverture, où plusieurs moteurs font la même erreur et un seul a juste, ne peuvent pas être corrigés par un vote à la majorité. Sur la négation et l'inversion de sens, nous ne suivons donc pas la majorité : sans preuve solide, la réplique est signalée pour qu'une personne l'écoute.