Comparatif IA Transcription Audio : Gemini 3.7 Flash vs Mistral Voxtral vs Whisper Large v3

Le domaine de la transcription audio automatique par intelligence artificielle a franchi un cap historique en 2026. Longtemps dominé par des architectures de reconnaissance vocale traditionnelles de type Speech-to-Text (ASR), le secteur voit aujourd'hui s'affronter deux visions technologiques majeures :

1. Les modèles de fondation multimodaux pilotés par prompt (comme Gemini 3.7 Flash utilisé par Le Scribe Audio et le modèle européen Voxtral de Mistral AI).
2. Les pipelines hybrides open source auto-hébergés (combinant OpenAI Whisper Large v3 Turbo pour le décodage acoustique et Pyannote Audio 3.1 pour la diarisation des locuteurs).

Comment ces technologies fonctionnent-elles sous le capot ? En quoi les approches de Google et de Mistral AI se ressemblent-elles ? Quelles sont les vitesses d'inférence réelles mesurées en conditions de production ? Pourquoi les risques d'hallucinations varient-ils si radicalement d'un moteur à l'autre ?

Pour répondre à ces questions, nous avons décortiqué les architectures techniques de ces trois moteurs et développé un banc d'essai interactif vous permettant de tester vos propres fichiers audio directement au sein de cet article.

Comparatif technologique des modèles d'IA de transcription vocale

---

1. 🎙️ Banc d'Essai Interactif en Direct : Le Scribe Audio (Gemini) vs Voxtral vs Whisper

Découvrez par vous-même la différence de style, de précision et de mise en page entre ces 3 technologies. Déposez un extrait de réunion, d'entretien ou de cours ci-dessous pour lancer le comparatif en direct :

🔍 Ce que vous observez en direct :
Vous constatez immédiatement des différences majeures de vitesse d'exécution, de mise en page des locuteurs et de niveau de lissage du texte. Mais comment expliquer ces écarts ? Pourquoi des architectures comme Gemini et Voxtral parviennent-elles à un rendu aussi fluide sans passer par des étapes de transcription intermédiaires ? Tout repose sur une révolution fondamentale : l'unification du signal sonore et du langage textuel au sein d'un même réseau de neurones.

---

2. 🧠 La Révolution du Fonctionnement par Prompt : Gemini et Voxtral

Pendant plus d'une décennie, la transcription automatique fonctionnait en silos rigides : un premier algorithme acoustique découpait le signal sonore en phonèmes bruts, puis un modèle de langage statistique tentait de réassembler les mots en corrigeant les fautes évidentes.

L'avènement de Gemini 3.7 Flash et de Mistral Voxtral marque une rupture fondamentale : l'unification du signal sonore et du texte dans un espace latent multimodal commun.

A. Le traitement direct du signal sonore (Native Audio Conditioning)

Contrairement aux anciens modèles qui nécessitent une transcription intermédiaire avant tout traitement, Gemini et Voxtral intègrent le flux audio brut directement au cœur de leurs couches d'attention neuronale :

• Ingestion spectrale directe : Le signal acoustique est converti en représentations vectorielles denses (patchs spectraux) qui sont traitées exactement comme des tokens textuels.
• Compréhension de la prosodie et du contexte : L'IA perçoit les intonations, les hésitations, le rythme de parole et les respirations, ce qui lui permet de déduire le sens exact des phrases et de lever instantanément les ambiguïtés sur les homophones français (foi, foie, fois).

B. Le conditionnement par instruction textuelle (Prompt-Driven Transcription)

Puisque l'audio et le texte partagent le même réseau de neurones, il devient possible de guider la transcription à l'aide d'instructions en langage naturel (prompts).

Dans notre moteur Le Scribe Audio, nous exploitons cette puissance à travers un pipeline optimisé en 2 passes :

1. Passe 1 (Acoustique & Verbatim) : On envoie au modèle le flux audio accompagné du nom réel de l'enregistrement et d'une consigne stricte de fidélité intégrale et d'identification des interlocuteurs :

   "Transcrire cet enregistrement en full verbatim en identifiant les intervenants. Le titre de l'enregistrement est « {nom_du_fichier} »."

2. Passe 2 (Lissage & Uniformisation) : Le texte brut obtenu est transmis au modèle de langage pour éliminer les bégaiements, réparer les négations orales oubliées (« je sais pas » ➔ « je ne sais pas ») et uniformiser la typographie sans altérer le sens ni reformuler.

Cette méthode permet d'obtenir un document structuré et propre, sans exiger des heures de relecture manuelle.

---

3. ⚡ Mesures de Vitesse & Real-Time Factor (RTF)

Au-delà de la fidélité textuelle et du formatage permis par le prompt, l'autre grand bouleversement réside dans la rapidité d'exécution brute. En traitement automatique de la parole (ASR), la vitesse ne s'évalue pas en secondes absolues, mais par rapport à la durée du fichier audio grâce au Real-Time Factor (RTF) :

📐 Formule du Real-Time Factor (RTF) :
RTF = Temps d'inférence (en secondes) ÷ Durée de l'enregistrement audio (en secondes)

• Un RTF inférieur à 1 signifie que l'IA transcrit plus vite que la vitesse normale d'élocution humaine.
• Le Facteur d'accélération ($1 / \text{RTF}$) indique combien de fois le traitement est plus rapide que la lecture en temps réel.
• Exemple : Si 2 minutes d'enregistrement (120 s) sont traitées en 12 secondes, le RTF est de 12 ÷ 120 = 0,10, soit une inférence 10 fois plus rapide que le temps réel.

---

🎯 Vitesses Réelles d'Inférence Constatées en Production

Nos mesures comparatives en conditions réelles révèlent une hiérarchie de vitesse très nette entre les trois technologies :

---

🔬 Analyse des Écarts de Rapidité & Nuance Importante sur l'Hébergement de Whisper

1. Mistral Voxtral (~20x plus rapide • RTF ~0,05) :
   • Voxtral présente une latence d'inférence exceptionnelle sur accélérateurs IA GPU. En à peine 6 secondes, l'enregistrement complet de 2 minutes est ingéré, diarisé et formaté avec une formulation resserrée.
2. Le Scribe Audio / Gemini 3.7 Flash (~10x plus rapide • RTF ~0,10) :
   • Grâce à son pipeline en 2 passes (Passe 1 : décodage acoustique intégral ➔ Passe 2 : lissage grammatical et suppression des tics de langage), Le Scribe Audio génère un texte de haute tenue littéraire en 12 à 15 secondes, préservant fidèlement la richesse des échanges pour les entretiens qualitatifs.
3. Whisper Large v3 + Pyannote en Local (~1x temps réel sur CPU vs ~5x à 10x sur GPU) :
   • Sur notre banc d'essai (CPU Bare-Metal 12 vCores) : L'inférence est exécutée sur des processeurs standards sans carte graphique dédiée, traitant l'audio au rythme de la vitesse d'élocution (environ 2 minutes de calcul pour 2 minutes d'enregistrement).
   • 💡 Nuance technique essentielle : Sur des serveurs haut de gamme équipés de cartes graphiques dédiées (GPU NVIDIA RTX 4090, A100, H100 ou L40S) avec des moteurs d'inférence optimisés comme Faster-Whisper (CTranslate2 GPU) ou TensorRT-LLM, Whisper Large v3 peut atteindre une vitesse de 5x à 10x plus rapide que le temps réel (RTF ~0,10 à 0,20). Cependant, cette configuration multiplie considérablement les coûts d'infrastructure machine (plusieurs centaines à milliers d'euros par mois par serveur GPU) par rapport à une API managée ou un CPU standard.

---

4. 🔬 Anatomie Technique des 3 Modèles

Pourquoi observe-t-on de tels écarts de rapidité et de telles variations de style ? La réponse réside dans les architectures neuronales internes de chaque moteur :

Schéma des architectures de réseaux de neurones pour la transcription

🔵 1. Google Gemini 3.7 Flash (Moteur Le Scribe Audio)

• Architecture : Transformeur multimodal natif de bout en bout (Native Audio-to-Token).
• Fenêtre de contexte : Jusqu'à 1 million de tokens, permettant de charger l'équivalent de plusieurs heures d'enregistrements continus avec maintien parfait de la mémoire des prénoms et du sujet abordé.
• Tokenisation audio : Le signal est découpé en patchs temporels et fréquentiels compressés directement projetés dans l'espace d'embedding du modèle.
• Gestion des silences & Résistance aux hallucinations : Élimination mathématique des hallucinations acoustiques grâce à l'attention sélective sur les segments actifs. Le modèle ne tente pas de combler artificiellement les silences.
• Diarisation : Nativement intégrée grâce à la détection des timbres de voix dans le flux multimodal.

🟠 2. Mistral Voxtral Mini (Mistral AI - Souveraineté France / UE)

• Architecture : Modèle de fondation audio-texte développé en France par Mistral AI.
• Encodeur Acoustique : Encodeur convolutionnel et couches d'attention optimisées pour les langues européennes (avec une excellente sensibilité aux accents régionaux français).
• Diarisation native : Voxtral intègre le paramètre diarize=true au niveau de l'API de transcription, identifiant chaque changement de locuteur avec une étiquette temporelle précise.
• Post-traitement : Couplage fluide avec Mistral Small pour le formatage syntaxique et la ponctuation journalistique.

🟢 3. OpenAI Whisper Large v3 Turbo + Pyannote Audio 3.1 & Le Problème des Hallucinations

Cette solution représente l'état de l'art du monde open source auto-hébergé :

• Whisper Large v3 Turbo :
  • Mel-spectrogramme à 128 canaux fréquentiels (résolution spectrale accrue par rapport aux 80 canaux des versions v1/v2).
  • 32 couches Encoder-Decoder avec décodage par Beam Search.
  • Moteur d'exécution CTranslate2 en précision INT8 pour limiter l'empreinte mémoire RAM.
• Pyannote Audio 3.1 :
  • Détection d'activité vocale et chevauchements : Réseau neuronal segmentation-3.0 basé sur des couches SincNet et LSTM bidirectionnelles.
  • Extraction des empreintes vocales : Réseau neuronal convolutif wespeaker-voxceleb-resnet34-LM extrayant des vecteurs d'identité de 256 dimensions (x-vectors).
  • Clustering & Projection PLDA : Matrice de transformation xvec_transform.npz et classification hiérarchique agglomérative (AHC) pour regrouper les voix similaires.

⚠️ Le Risque Majeur d'Hallucinations de Whisper

Bien que Whisper soit une référence en décodage brut, il souffre de trois vulnérabilités notoires documentées par la recherche :

1. Les boucles de répétition infinies (Repetition Loops) : Lorsque le modèle rencontre un silence prolongé, une musique d'attente ou un bruit de fond statique (climatisation, micro qui frotte), son décodeur autoregressif a tendance à répéter la même séquence textuelle des dizaines de fois d'affilée.
2. Les hallucinations "fantômes" issues de YouTube : Whisper ayant été entraîné sur un corpus massif de vidéos web sans filtrage parfait, il injecte parfois spontanément des segments parasites inexistants dans l'enregistrement, comme :
   • « Merci d'avoir regardé cette vidéo, n'hésitez pas à vous abonner ! »
   • « Sous-titrage : Société Radio-Canada »
   • « Musique générique de fin »
3. L'invention de propos sur passages inaudibles : Sur les chuchotements ou les prises de son lointaines, Whisper tente de "prédire statistiquement" ce qui aurait pu être dit, créant de faux propos très pénalisants pour les retranscriptions académiques et de recherche.

---

5. 📏 Limitations de Durée, Dérive d'Attention et l'Approche « Couture Invisible » de Le Scribe Audio

Ces performances sont impressionnantes sur des extraits de 2 minutes en laboratoire. Mais que se passe-t-il lorsqu'un utilisateur téléverse un enregistrement continu de 4 ou 5 heures ? C'est ici que l'ingénierie du traitement audio long format devient déterminante.

⚠️ A. Limitations de Voxtral et le piège de la « Dérive d'Attention » (Attention Drift)

Les API de modèles multimodaux comme Mistral Voxtral imposent des limites strictes de taille de fichier (généralement 500 Mo à 1 Go par requête HTTP) et recommandent de ne pas dépasser des blocs unitaires de 20 à 30 minutes d'audio continu.

Pourquoi est-il dangereux de soumettre un fichier brut de 2 heures d'un seul bloc à un réseau de neurones ?

1. Le phénomène de Lost in the Middle : Dans les grands modèles de langage et transformeurs audio, le mécanisme d'auto-attention (Self-Attention) a naturellement tendance à surpondérer le début et la fin de la séquence, provoquant une dilution d'attention (attention dilution) sur le milieu de l'enregistrement.
2. L'accumulation d'erreurs autoregressives : Si le décodeur commet une fausse prédiction phonétique au bout de 40 minutes de discours, cette erreur peut se propager en cascade, générant des boucles de répétition infinies, des hallucinations ou l'omission soudaine de paragraphes entiers.
3. La dérive de diarisation : Plus un flux audio non segmenté est long, plus l'IA risque de confondre les timbres vocaux et de fusionner deux interlocuteurs distincts.

💡 Recommandation technique : Pour maintenir un taux d'erreur WER minimal (< 2 %), un flux audio ne devrait jamais être envoyé en un bloc unique de plus de 20 minutes à un décodeur neuronal.

---

🧵 B. L'Ingénierie Le Scribe Audio : Découpage 20 min & « Couture Invisible »

Pour résoudre définitivement ce problème sur l'application de production Le Scribe Audio, nous avons conçu un pipeline d'ingénierie distribué capable d'absorber des fichiers sonores de 5 à 6 heures d'affilée sans aucune dégradation de précision :

1. Découpage acoustique intelligent (VAD) : L'algorithme analyse l'onde sonore pour scinder le fichier en segments optimisés de 20 minutes calés sur les silences naturels et respirations, avec une zone de recouvrement (overlap buffer) de sécurité pour ne jamais couper un mot en deux.
2. Inférence parallèle multi-cœurs : Tous les segments de 20 minutes sont traités en parallèle par le moteur IA, permettant de transcrire 5 heures d'audio en une poignée de minutes au lieu d'une demi-journée.
3. Algorithme de Couture Invisible (Audio Stitching) :
   • Déduplication des frontières : Les mots situés dans les zones de chevauchement sont raccordés au millième de seconde sans répétition.
   • Continuité des locuteurs : Un système de réconciliation des signatures vocales garantit que Intervenant 1 à la 5e minute reste rigoureusement Intervenant 1 à la 5e heure de discussion.
   • Zéro baisse de qualité : La précision de la transcription est aussi parfaite à la dernière minute qu'à la première.

---

6. 🌐 Positionnement dans le Benchmark Mondial d'Artificial Analysis

Cette ingénierie permet d'atteindre une précision de 98 % en production. Mais comment ces moteurs se situent-ils à l'échelle de toute l'industrie mondiale ?

Le banc d'essai international et indépendant d'Artificial Analysis (Non-Streaming Speech-to-Text) évalue continuellement les moteurs de transcription sur quatre métriques clés : le Word Error Rate (WER), l'Indice de Qualité Globale (Quality Index), la Vitesse d'Exécution (RTF / Speedup) et le Coût par Heure d'Audio.

📍 Où se situent nos trois modèles dans le benchmark mondial ?

1. Google Gemini (Famille Flash & Pro / 2.0 / 2.5 / 3.7) :
   Il truste le Top 3 mondial en Indice de Qualité Globale (Quality Index supérieur à 96 % sur Flash, et frôlant les 98 % sur Gemini Pro). Sa capacité à maintenir une cohérence thématique sur un contexte géant (jusqu'à 1 à 2 millions de tokens) lui confère un avantage décisif sur les entretiens longs et les jargons métiers complexes.
2. Mistral Voxtral (Mini & Base) :
   Il se positionne parmi les champions absolus de la vitesse d'inférence, affichant l'un des RTF les plus bas du marché mondial (RTF ~0,05). Sur les langues européennes (français, espagnol, allemand, italien), Voxtral rivalise directement avec les leaders américains tout en garantissant un cadre de souveraineté européen.
3. OpenAI Whisper (Large v3 Turbo) :
   Il reste la référence étalon open source (Golden Standard). Largement documenté et disponible en poids libres (open-weights), il offre une fidélité acoustique exceptionnelle mais nécessite d'être couplé à une couche de diarisation tierce (comme Pyannote) pour égaler l'expérience utilisateur des modèles multimodaux natifs.

---

7. 🚀 Panorama des Autres Modèles en Vogue & Coulisses de la Compétition Mondiale (2026)

Si Gemini, Voxtral et Whisper représentent les trois piliers majeurs de notre banc d'essai, l'écosystème mondial de l'IA vocale en 2026 est devenu le théâtre d'une compétition industrielle sans précédent entre la Silicon Valley, l'Europe et l'Asie. Voici l'analyse détaillée des forces en présence :

🟢 A. OpenAI GPT-4o Audio / GPT-4o Transcribe

• Architecture & Révolution Omni-Modale : Contrairement aux anciens pipelines où un encodeur Whisper alimentait un LLM GPT-4 (Late Fusion), GPT-4o Audio utilise une architecture unifiée (Early Fusion) où les tokens audio bruts traversent directement les mêmes couches de transformeur que le texte et la vision.
• Capacités Paralinguistiques Inégalées : Le modèle ne se contente pas de transcrire les mots : il détecte les intonations ironiques, les soupirs, le niveau de stress vocal, les rires collectifs et les bruits contextuels (claquements de porte, applaudissements, tintements de verres).
• Usage de prédilection & Limites : C'est le moteur de prédilection des assistants vocaux temps réel (Advanced Voice Mode) et des études de marché qualitatives avancées (Focus Groups). Son coût API reste toutefois nettement supérieur aux modèles Flash spécialisés.

🎙️ B. ElevenLabs Scribe (Scribe v1 & v2)

• Le Coup de Maître Stratégique d'ElevenLabs : Leader incontesté de la synthèse vocale ultra-réaliste (Text-to-Speech / Voice Cloning), ElevenLabs a pris l'industrie par surprise en développant son propre moteur de transcription Scribe. L'objectif ? Ne plus dépendre d'OpenAI ou de Google pour équiper ses agents téléphoniques autonomes conversationnels, bouclant ainsi la boucle complète Voix Entrante ➔ Raisonnement ➔ Voix Sortante.
• Prouesses Techniques de Scribe v2 :
  • Diarisation jusqu'à 32 locuteurs distincts : Capable de distinguer et de suivre avec précision plus de trente voix au sein d'une assemblée générale ou d'une plénière parlementaire.
  • Horodatage au niveau du caractère (Character-Level Timestamps) : Chaque lettre prononcée est horodatée au millième de seconde, offrant un standard indispensable pour le doublage vidéo automatisé, le sous-titrage karaoké dynamique et l'édition vidéo mot par mot (comme dans Premiere Pro ou Descript).
  • Support de 99 langues avec une sensibilité exceptionnelle aux accents internationaux.

🇨🇳 C. Alibaba Qwen2-Audio & FunAudioLLM (SenseVoice / Fun Realtime)

• La Réplique Open Source Venue d'Asie : Alibaba Cloud et l'Académie Damo ont bousculé le monopole occidental avec deux architectures à poids ouverts (open-weights) :
  • Qwen2-Audio (7B / 72B) : Un modèle de fondation capable de "raisonner" sur l'audio brut sans transcription préalable (ex : "Résume cette réunion uniquement sous l'angle budgétaire et dis-moi si le directeur semblait confiant").
  • FunAudioLLM / SenseVoice-Small : Un modèle ultra-léger (0,2 milliard de paramètres) qui surclasse Whisper en vitesse brute (5x à 15x plus rapide que Whisper Large v3) tout en capturant nativement les émotions (joie, colère, tristesse) et les bruits acoustiques (🎵 musique, 👏 applaudissements, 🤧 toux).
• ⚠️ Retard Constaté sur les Langues Européennes : Si SenseVoice brille sur le mandarin, le cantonais et l'anglais, les benchmarks indépendants et retours d'ingénierie soulignent un taux d'erreur WER encore supérieur à 6-8 % sur le français, avec des difficultés sur les élisions complexes, les liaisons et la ponctuation académique française.

⚡ D. Smallest AI (Lightning / Waves) & La Bataille de la Micro-Latence

• L'Obsession du TTFT (Time-To-First-Token) : Dans les centres d'appels et la téléphonie automatisée, un silence de plus de 300 millisecondes donne une impression de "robot figé". Tandis que les géants bâtissent des modèles de centaines de milliards de paramètres, des startups comme Smallest AI (aux côtés de Deepgram et Cartesia) mènent une guerre de tranchées sur la micro-latence.
• Architectures Hybrides & Edge AI : En combinant des transformeurs élagués et des couches de type State Space Models (SSM / Mamba), Smallest AI parvient à un délai d'inférence de moins de 50 millisecondes. L'agent IA commence à répondre avant même que l'interlocuteur n'ait fini de reprendre son souffle.

🟣 E. Cohere (Modèles Aya & RAG Audio d'Entreprise)

• La Référence du RAG Multilingue : Fondée par d'anciens chercheurs de Google Brain (co-auteurs du papier fondateur Attention Is All You Need), Cohere a conçu la famille de modèles Aya, couvrant plus de 100 langues et dialectes sous-représentés.
• Forces Métier & Zéro Hallucination : Connecté aux archives sonores d'une multinationale, Cohere permet d'effectuer du RAG Audio (Retrieval-Augmented Generation) : les collaborateurs peuvent poser une question complexe en langage naturel (« Quelle décision a été prise lors du conseil d'administration du 14 mars concernant le budget IT ? ») et recevoir une réponse exacte avec lien cliquable vers la seconde précise de l'audio original.

🟡 F. Speechmatics (Ursa 2 & Flow)

• Le Pionnier du SSL (Self-Supervised Learning) : Moteur historique britannique, Speechmatics a entraîné son modèle Ursa 2 sur plus de 1,5 million d'heures de données vocales non labellisées.
• Résistance Absolue aux Environnements Extrêmes : C'est le moteur le plus résistant du marché face aux bruits industriels (usines, chantiers, sirènes d'ambulance), aux prises de son téléphoniques ultra-dégradées (VoIP basse bande passante) et aux accents régionaux très marqués (québécois, créole, accents régionaux français).

🔴 G. Deepgram (Nova-3)

• Le Monstre du Streaming Haut Débit : Développé sur une architecture de bout en bout entraînée sur des supercalculateurs GPU NVIDIA dédiés, Nova-3 affiche l'un des coûts d'API les plus bas du marché mondial (quelques centimes par heure d'audio).
• Cas d'Usage : Plateformes de visioconférence (Zoom, Teams), sous-titrage en direct d'événements télévisés et modération de contenu audio à grande échelle.

---

8. 📊 Tableau Comparatif de Synthèse

Pour choisir la solution la plus adaptée à vos contraintes de précision, de temps de calcul et de confidentialité, voici la synthèse comparative des trois technologies testées :

---

9. ❓ Questions Fréquentes (FAQ)

Pourquoi Whisper produit-il parfois des phrases bizarres comme « Merci d'avoir regardé cette vidéo » ?

Ce phénomène est une hallucination statistique. Whisper a été entraîné sur un volume gigantesque de vidéos YouTube contenant des génériques de fin ou des appels aux pouces bleus. Lorsque l'audio devient silencieux ou difficile à distinguer, le réseau de neurones comble le manque acoustique en régurgitant les séquences les plus probables de son jeu d'apprentissage. Les modèles multimodaux de nouvelle génération (Gemini, Voxtral) n'ont pas ce problème grâce à un conditionnement spectral direct.

Pourquoi les modèles multimodaux (Gemini / Voxtral) font-ils moins de fautes sur les noms propres ?

Les modèles multimodaux s'appuient sur des milliards de connaissances encyclopédiques intégrées lors de leur entraînement. Lorsqu'un intervenant prononce un terme technique, un nom d'entreprise ou une loi (« article L. 2312 du code du travail »), le modèle comprend le contexte sémantique de la conversation et choisit spontanément l'orthographe exacte, là où un moteur acoustique classique retranscrit phonétiquement des mots inexistants.

Qu'est-ce que la diarisation et pourquoi Pyannote 3.1 est-il une référence ?

La diarisation est la capacité d'un système à répondre à la question : « Qui a parlé et quand ? ». Pyannote 3.1 est le modèle de diarisation open source le plus performant du monde académique francophone. Il analyse la signature acoustique de chaque timbre de voix pour créer des clusters de locuteurs distincts, même en cas de prise de parole rapide ou de légers chevauchements sonores.

Mes fichiers audio sont-ils conservés lors du test sur le banc d'essai ?

Non. Tous les fichiers audio téléversés sur notre banc d'essai sont traités de manière strictement éphémère. Le fichier temporaire découpé aux 2 premières minutes est automatiquement purgé du serveur dès que les trois inférences sont achevées.

---

🚀 Besoin de transcrire des réunions ou des entretiens complets ?
Créez votre compte sur Le Scribe Audio et profitez immédiatement de 30 minutes offertes sans engagement ni carte bancaire, avec export Word (.docx) et respect total de la confidentialité de vos données. Découvrez également nos tarifs transparents et forfaits à la minute.