Aller au contenu
    Uni-Translate.
    ENFR
    Un devis

    PERFORMANCES / BENCHMARKS

    ASR & TTS.
    Les résultats, clairement.

    Reconnaître la parole. Générer une voix. Comparez chaque étape, avec les conditions de nos essais.

    01 / ASR

    De la parole au texte.

    Deux repères : le temps de transcription et les erreurs sur les mots.

    Vitesse de transcription

    Même panel anglais, même carte graphique.

    9 extraits anglais · RTX 4070 Ti

    Médiane · plus bas = plus rapide
    1. Uni-TranslateNotre moteur adapté au streaming
      73,7 ms
    2. NVIDIA Parakeet TDT 0.6B v3Référence locale BF16
      106,9 ms
    3. Qwen3-ASR 0.6BRéférence locale BF16, exécution eager
      338,6 ms
    4. Qwen3-ASR 0.6BRéférence locale FP32, exécution eager
      296,6 ms

    4,6× face à Qwen BF16 sur cet essai

    Nous exécutons les modèles avec notre moteur adapté au streaming. Ce graphique chronomètre leur transcription complète d’un audio déjà fourni.

    Protocole et sources

    Uni-Translate, Parakeet et Qwen reconnaissent les mêmes extraits anglais. Le graphique mesure le temps nécessaire pour obtenir le texte complet à partir d’un audio déjà disponible.

    Le streaming peut demander plus de calcul qu’une exécution hors ligne de la même implémentation, notamment lorsque des portions audio sont retraitées. Ce surcoût dépend du découpage et du cache ; il n’est pas quantifié par ce comparatif, qui chronomètre la transcription complète d’un audio déjà fourni.

    Échantillon
    9 extraits anglais MInDS14, communs aux quatre configurations
    Mesures
    180 par configuration Uni-Translate et Qwen ; 90 pour Parakeet, après échauffement
    Installation
    RTX 4070 Ti, une requête à la fois
    Date
    14 octobre 2026

    Face à la référence Qwen BF16 de cet essai. Le délai médian inclut la préparation de l’audio et la réponse du moteur local.

    9/9 textes identiques entre Uni-Translate et les deux configurations Qwen. Cette vérification ne porte pas sur Parakeet.

    Panel commun de neuf audios sur dix : un extrait est exclu car Parakeet BF16 renvoie un texte vide à chacune de ses dix répétitions. Le ratio compare uniquement Uni-Translate à Qwen BF16. Les références Qwen sont exécutées en mode eager ; d’autres optimisations peuvent modifier les résultats. Ces essais locaux ne mesurent ni un service cloud, ni le délai entre le micro et les casques.

    Référence QwenRéférence Parakeet

    Précision de reconnaissance

    WER : taux d’erreur sur les mots. Plus bas = moins d’erreurs.
    1. Uni-Translate · en directConfirmation : 480 ms · 176 extraits FR/EN
      4,42 %
    2. NVIDIA Parakeet TDT 0.6B v3Transcription finale · audio complet · 32 extraits FR
      5,67 %
    3. Mistral Voxtral RealtimeRéglage de délai : 480 ms · 32 extraits FR
      7,80 %
    4. NVIDIA Nemotron 3.5 ASRStreaming · anticipation de 560 ms · 32 extraits FR
      9,34 %

    Corpus différents : ces scores ne permettent pas un classement direct.

    Protocole et sources

    15 octobre 2026 · 4 409 mots de référence · 176 extraits testés.

    « Quatre » et « 4 » désignent le même nombre. Pour notre score, la même normalisation est appliquée au texte attendu et au texte reconnu. Le WER porte sur les mots réellement validés et émis en direct : 4,07 % en français et 4,99 % en anglais.

    480 ms correspond au réglage de confirmation de cet essai. Le délai réel varie avec la parole et son découpage ; il ne mesure pas le trajet du micro au casque.

    Uni-Translate: 195 erreurs sur 4 409 mots, nombres normalisés. 176 extraits français et anglais, 15 octobre 2026. Confirmation réglée à 480 ms ; délai réel variable.

    NVIDIA Parakeet TDT 0.6B v3: 48 erreurs sur 846 mots de référence. 32 extraits français, août 2026. Corpus et normalisation distincts du test Uni-Translate.

    Mistral Voxtral Realtime: 66 erreurs sur 846 mots de référence. 32 extraits français, août 2026. Corpus et normalisation distincts du test Uni-Translate.

    NVIDIA Nemotron 3.5 ASR: 79 erreurs sur 846 mots de référence. 32 extraits français, août 2026. Corpus et normalisation distincts du test Uni-Translate.

    Périmètres : Uni-Translate, 176 extraits français et anglais avec nombres normalisés ; Parakeet, Mistral et Nemotron, 32 extraits français d’août 2026 et une autre normalisation. Ces résultats sont des repères d’essais distincts, sans classement à conditions identiques. Le WER mesure la reconnaissance des mots, avant la traduction et la génération de la voix. Parakeet est évalué sur sa transcription finale, audio complet. Les réglages Mistral à délai plus long sont exclus.

    Référence ParakeetRéférence MistralRéférence NVIDIA

    02 / TTS

    Notre moteur face à Qwen.

    Même RTX 4070 Ti, mêmes textes, même référence vocale.

    COMPARAISON LOCALE / UNE VOIX

    Plus vite que le temps réel.

    0,35 RTF
    notre moteur · RTF médianQwen natif FP32 : 2,01 RTF
    ConfigurationMédiane RTFp95 RTF
    Uni-TranslateNotre moteur · BF160,350,53
    Qwen3-TTS 0.6B · FP32API native · audio complet2,012,15
    Qwen3-TTS 0.6B · BF16API native · audio complet2,162,32

    RTF = temps de génération / durée audio. Sous 1 : plus rapide que le temps réel. Valeurs par canal.

    Protocole et mesures
    Échantillon
    18 textes communs · 8 FR / 10 EN
    Mesures
    180 par configuration · 10 répétitions par texte
    Échauffement
    20 appels par configuration, exclus des mesures
    Matériel
    RTX 4070 Ti · 12 Go · 4 threads CPU
    Dates
    14–15 octobre 2026

    Panel commun de 18 textes sur 20 : deux textes sont exclus des quatre profils pour ne garder que les générations entièrement terminées. Même référence vocale préparée ; les modèles sont déjà chargés.

    Qwen3-TTS 12Hz 0.6B Base : référence native en FP32 et BF16, exécution eager et TF32 désactivé. Notre moteur est mesuré en BF16. Les percentiles sont calculés sur les 180 appels retenus de chaque profil.

    L’API native Qwen renvoie tout le fichier audio en une fois. Notre moteur émet des blocs PCM en streaming. Les RTF portent sur la génération complète dans les deux cas. Chaque RTF est calculé pour une génération avant d’en prendre la médiane ou le p95 ; il n’est pas obtenu en divisant deux médianes. Le p95 est la valeur sous laquelle se trouvent environ 95 % des mesures.

    Les sorties et leurs durées peuvent différer. Ces mesures ne prouvent pas une qualité vocale équivalente et ne mesurent pas le trajet du micro au casque.

    Télécharger les mesures (JSON)

    UNI-TRANSLATE / SORTIE EN STREAMING

    Une voix. Ou quatre à la fois.

    Premier bloc audio reçu avec notre moteur, à une ou quatre voix simultanées.

    VoixMédianep95
    Une voix168 ms361 ms
    Quatre voix233 ms623 ms

    Le premier bloc PCM peut contenir du silence : ce délai n’est pas celui de la première parole audible.

    1,33 spour terminer l’audio complet par canal, à quatre voix simultanées · médiane.

    Protocole et mesures

    Les quatre canaux sont actifs en parallèle. Le premier bloc et la fin complète sont mesurés par canal, pas sur le temps global d’un lot.

    À quatre voix, p95 de fin complète : 2,75 s.

    Les sorties et leurs durées peuvent différer. Ces mesures ne prouvent pas une qualité vocale équivalente et ne mesurent pas le trajet du micro au casque.

    03 / EN CONFÉRENCE

    Et sur un discours complet ?

    Ces essais incluent la chaîne de traduction. Ils mesurent autre chose que l’ASR ou le TTS seuls.

    Discours suivis · 4 langues

    Un discours, quatre languesPremier audio
    2,52 à 2,53 s
    Un second discours suiviPremier audio
    2,62 à 3,55 s
    Voir les essais et leurs conditions

    Un discours, quatre langues

    Une prise de parole en français de 2 min 08 s.
    Anglais, allemand, espagnol et italien, en parallèle.

    Temps avant la première voix, selon la langue.
    2,52 à 2,53 s
    Dernière sortie reçue après la fin du discours.
    4,84 s

    La traduction suit un rythme proche du temps réel sur ce discours.

    Un second discours suivi

    Une prise de parole en anglais de 2 min 35 s.
    Français, allemand, espagnol et italien, en parallèle.

    Temps avant la première voix, selon la langue.
    2,62 à 3,55 s
    Délai final maximal après la fin du discours.
    5,57 s

    Un rythme proche du temps réel est aussi observé sur ce second discours.

    Le démarrage et le délai à la fin décrivent deux moments différents. Ils ne représentent pas un retard constant pendant toute la conférence.

    Prises de parole courtes · 1 langue

    32 prises de parole · français vers anglais

    Médiane
    4,04 s
    95e percentile
    5,02 s
    Protocole et sources

    Sur une série distincte de 32 prises de parole en français traduites vers l’anglais, le temps avant la première voix est plus long. Il faut donc préparer le dispositif selon le format de votre événement.

    La moitié des prises de parole démarre dans ce délai ou moins. 4,04 s

    Environ 95 % des prises de parole démarrent dans ce délai ou moins. 5,02 s

    Un seul canal de traduction sur cet essai. Ces résultats ne constituent pas un comparatif à conditions identiques avec les discours à quatre langues ci-dessus.

    Ce que mesurent ces chiffres

    ASR : de l’audio fourni au texte complet. TTS : RTF de génération complète, et délai jusqu’au premier bloc audio dans un bloc distinct. Ce premier bloc n’est pas nécessairement audible. Conférence : de la parole envoyée à son rythme normal au premier audio traduit.

    Mesures internes d’août et d’octobre 2026, selon le bloc. Elles ne mesurent pas le trajet complet du micro au casque, ni la fidélité de traduction ou la ressemblance d’une voix.

    La reconnaissance mesure les mots transcrits ; les essais de conférence mesurent le démarrage et le rythme. Aucun de ces scores n’est une note de fidélité de traduction, de ressemblance vocale ou une comparaison de qualité avec un interprète humain.

    Et pour votre conférence ?

    Les langues, les salles et le format des prises de parole se préparent ensemble. Décrivez-nous votre événement pour définir le dispositif adapté.

    Parler de mon événement