Pour le français, oui : sur des phrases lues, Whisper transcrit presque mot pour mot. Pour le swahili, le sens passe, mais un mot sur trois est à corriger. Pour le lingala, tu obtiens une transcription phonétique, à relire. Pour le wolof, non. Et le problème tient moins à l'échec qu'à sa forme : Whisper ne renvoie pas d'erreur, il invente une phrase en français, bien construite, qui n'a rien à voir avec ce qui a été dit.
Ces résultats viennent d'un petit test fait en octobre 2026 : sept phrases enregistrées, une transcription chacune, sur le seul modèle de transcription que Tchavi propose aujourd'hui, Whisper. Sept phrases, c'est peu. Mais assez pour savoir où brancher une réponse automatique, et où il ne faut surtout pas le faire.
En bref
- Wolof : ne le branche pas sur une réponse automatique. Sur deux phrases, Whisper a renvoyé du français inventé, sans erreur ni avertissement.
- Français : fiable (5 % de mots à corriger). Swahili : utilisable pour comprendre ou trier (35 %). Lingala : phonétique (75 %).
- Fon : pas testé. Il n'est pas non plus dans la liste des langues de Whisper.
- Prix : 13 crédits la minute entamée, soit 4,3 F, et environ 4,4 F avec un résumé en français. Testé sur Tchavi, la passerelle d'API IA compatible OpenAI que tu paies en mobile money.
- Mesuré en octobre 2026 sur sept phrases lues au calme : un plafond, pas une moyenne.
La réponse courte, langue par langue
| Langue | Phrases testées | Mots à corriger | Verdict |
|---|---|---|---|
| Français | 2 (6 s et 14,5 s) | 5 % | Fiable |
| Swahili | 2 (10,6 s et 21,4 s) | 35 % | Utilisable : le sens passe, l'orthographe non |
| Lingala | 1 (11,6 s) | 75 % | Phonétique, à faire relire |
| Wolof | 2 (9,5 s et 8 s) | 107 % | Non : du français inventé |
| Fon | 0 | — | Pas testé |
La colonne « mots à corriger » est le taux d'erreur par mot : la part des mots qu'il faut ajouter, retirer ou remplacer pour retrouver la phrase réellement dite. À 0 %, la transcription est exacte. Au-delà de 100 %, la sortie est plus longue que la phrase et fausse d'un bout à l'autre.
Le fon n'est pas dans le jeu d'enregistrements que j'ai utilisé, et il n'est pas non plus dans la liste des langues que Whisper déclare connaître. Je n'ai donc rien à t'en dire de mesuré.
Ce que j'ai testé, exactement
Les enregistrements viennent de FLEURS (article de recherche), un jeu de données publié par Google sous licence CC BY 4.0 : des phrases lues à voix haute par des locuteurs natifs, chacune avec sa transcription de référence. J'en ai pris deux en wolof, deux en swahili, deux en français et une en lingala. J'avais prévu le yoruba et le haoussa, mais le serveur qui distribue ces fichiers a refusé de me les envoyer : ils ne sont donc pas dans le tableau.
Chaque phrase a été envoyée une fois à l'API de transcription de Tchavi, sans préciser la langue, comme arrive une note vocale WhatsApp : sans étiquette. Puis j'ai compté les mots faux, après avoir mis tout le texte en minuscules et retiré la ponctuation.
Une précision qui compte pour lire le tableau : ce sont des phrases lues, au calme, par des gens qui articulent. Un vrai vocal enregistré dans un car rapide à Dakar, avec du français et du wolof dans la même phrase, fera moins bien. Les chiffres du français et du swahili sont un plafond, pas une moyenne.
Quelle IA comprend le wolof ? Pas Whisper, et il ne le dit pas
Phrase 1. Dite en wolof : « Làkku italiyen warul nekk lu jafe noonu ndax baat yu ci gëna bari, niñu leen bindee lañu leen di waxee. » Le sens : la prononciation de l'italien est facile, parce que la plupart des mots se prononcent comme ils s'écrivent.
Whisper a renvoyé : « Les Italiens ne devraient pas être déçus, non, non, car il y a encore beaucoup de choses que nous devons vous dire. »
Phrase 2. Dite en wolof : « Diine ji gëna mag ci Moldavie chrétien orthodoxe bi. » Le sens : la principale religion en Moldavie est le christianisme orthodoxe.
Whisper a renvoyé : « C'est ce qu'on appelle au Moldave l'orthodoxie chrétienne. »
Dans la deuxième phrase, Whisper s'est accroché aux mots français que le wolof emprunte, « Moldavie » et « chrétien orthodoxe », et a bâti une phrase française autour. Dans la première, il n'avait que « italiyen » pour se raccrocher, et il a inventé tout le reste.
Pour un bot de service client à Dakar, le piège est là. Un message d'erreur, tu le vois. Une phrase fluide et fausse, ton bot va y répondre avec assurance. Si une partie de tes clients t'écrit en wolof, ne branche pas une réponse automatique sur la transcription : fais relire le texte par un humain, ou demande au client de l'écrire.
Ce résultat rejoint les mesures publiées ailleurs. Sur le wolof du même jeu FLEURS, ElevenLabs annonce un taux d'erreur de 97,4 % pour Whisper Large v3 (source, consultée en octobre 2026). Des modèles spécialisés existent : Kiriku-ASR, un Whisper réentraîné sur le wolof par AI Hub Senegal, annonce 20,7 % d'erreur, sans préciser sur quel jeu de test. Tchavi ne les propose pas aujourd'hui.
Si tes clients parlent wolof : ce qui marche aujourd'hui
- Ne réponds pas automatiquement à un vocal en wolof. Transfère-le tel quel à la personne de l'équipe qui parle wolof.
- Propose des boutons. Les messages interactifs de WhatsApp (« Commander », « Suivre ma livraison », « Parler à quelqu'un ») évitent le vocal pour les demandes courantes.
- Demande l'écrit pour ce qui engage : une adresse, un montant, une référence de commande.
Swahili et lingala : le sens passe, l'orthographe pas toujours
La première phrase en swahili est ressortie presque intacte : « Amazon pia ni mto mpana zaidi duniani, wakati mwingine maili sita kuhupana. » Seuls les deux derniers mots ont fusionné (« kwa upana » est devenu « kuhupana »). Elle dit que l'Amazone est le fleuve le plus large du monde.
La deuxième, plus longue, contient des noms propres anglais. Whisper a entendu « Spotting » pour « Sporting », coupé des mots en deux (« wajitole aji » pour « wajitoleaji »), mais quelqu'un qui lit le swahili comprend la phrase sans effort. D'où les 35 % : beaucoup de mots à corriger, peu de sens perdu.
En lingala, Whisper écrit ce qu'il entend, syllabe par syllabe : « Bitu kamingi batu bakina kikuna » pour « Bituka mingi bato bakendaka kuna ». Un locuteur reconnaît la phrase en la lisant à voix haute. Un programme qui cherche des mots-clés, lui, ne trouvera rien.
En français, une phrase est ressortie exacte et l'autre avec deux passages faux, trois mots en tout (« Ils n'avaient » pour « Il n'avait », « ni à s'aider » pour « ni à celles »).
Transcrire et résumer une note vocale WhatsApp en Node.js
Pour un bot, ou pour toi qui reçois quarante vocaux par jour, la transcription brute sert moins qu'une phrase en français qui dit de quoi parle le vocal. Deux appels suffisent : Whisper pour le texte, un petit modèle de chat pour le résumé.
// note-vocale.mjs — npm install openai
import OpenAI from 'openai';
import { createReadStream } from 'node:fs';
const ai = new OpenAI({
apiKey: process.env.TCHAVI_API_KEY,
baseURL: 'https://tchavi.com/api/v1',
});
// 1. La note vocale (WhatsApp l'envoie en .ogg) devient du texte.
const transcription = await ai.audio.transcriptions.create({
model: 'whisper-1',
file: createReadStream(process.argv[2] ?? 'note.ogg'),
// language: 'sw', // si tu connais la langue à l'avance
});
console.log('Transcription :', transcription.text);
// 2. Le texte devient une phrase en français.
const resume = await ai.chat.completions.create({
model: 'gemini-3.1-flash-lite',
max_tokens: 400,
messages: [
{
role: 'system',
content:
"Tu reçois la transcription d'une note vocale. Réponds en français, en une phrase : de quoi parle-t-elle et en quelle langue a-t-elle été dite ?",
},
{ role: 'user', content: transcription.text },
],
});
console.log('Résumé :', resume.choices[0].message.content);
Lance-le avec TCHAVI_API_KEY=sk-tch-… node note-vocale.mjs note.ogg. Pour récupérer le fichier .ogg depuis l'API WhatsApp Cloud, il faut deux requêtes avec ton token : GET /{id-du-média} renvoie une adresse de téléchargement, puis un GET authentifié sur cette adresse renvoie le fichier. Le webhook qui reçoit le vocal est celui du guide du chatbot WhatsApp. Les autres paramètres de transcription (language, prompt, formats de sortie) sont dans la documentation audio.
Le modèle de résumé compte autant que la transcription. J'ai envoyé la transcription swahili de l'Amazone à trois modèles bon marché, avec exactement ce prompt :
| Modèle | Réponse | Juste ? |
|---|---|---|
| Mistral Small 4 | « Cette note vocale parle de la pluie et de son abondance dans certaines régions du monde, et elle a été dite en swahili. » | Non |
| GPT-6 Luna | « Elle parle de la largeur de l'Amazone et a été dite en swahili. » | Oui |
| Gemini 3.1 Flash Lite | « Cette note vocale, prononcée en swahili, traite de la largeur impressionnante du fleuve Amazone, qui peut atteindre jusqu'à six miles. » | Oui |
Un seul essai par modèle, donc aucune conclusion sur Mistral Small 4 en général. Mais sur ce vocal-là, il a résumé un texte qu'il n'avait pas compris, avec la même assurance que Whisper sur le wolof. Si ton bot agit sur le résumé, teste le modèle sur tes propres vocaux avant de le brancher.
Je n'ai pas utilisé le paramètre language, afin de reproduire un vocal qui arrive sans étiquette. Si tous tes utilisateurs parlent swahili, passe language: 'sw' ; je n'ai pas mesuré ce que ça change. Pour le wolof, préciser la langue ne servira à rien : elle n'est pas dans la liste de Whisper.
Combien coûte la transcription d'une note vocale en FCFA
Whisper se facture 13 crédits par minute entamée, soit 4,3 F. Un vocal de 20 secondes et un vocal de 55 secondes coûtent pareil. Un vocal de 2 minutes 10 compte pour 3 minutes : 39 crédits, 13 F. La réponse indique la durée réelle du vocal (tchavi.duration_minutes) et les crédits débités (tchavi.credits_used). Ces prix sont les tarifs publics : Whisper bénéficie en ce moment d'une remise, et sa page affiche le prix facturé du moment.
Le résumé ne coûte presque rien à côté : 0,15 crédit sur Gemini 3.1 Flash Lite pour l'exemple ci-dessus, 0,12 sur GPT-6 Luna, moins de 0,05 F dans les deux cas.
Un vocal de moins d'une minute, transcrit et résumé, revient donc à environ 4,4 F. Une recharge de 1 000 F, soit 3 000 crédits, en couvre environ 230. Le test complet de cet article, sept transcriptions et trois résumés, a coûté 91 crédits, une trentaine de francs. Les prix des autres modèles, texte, image et vidéo, sont dans les prix des API IA en FCFA.
FAQ
Quelle IA comprend le wolof dans une note vocale ?
Aucune de celles que Tchavi propose aujourd'hui. Whisper, le modèle de transcription disponible, n'a pas le wolof dans sa liste de langues, et sur deux phrases lues en wolof il a renvoyé du français inventé au lieu d'une erreur. Des modèles spécialisés, comme Kiriku-ASR d'AI Hub Senegal, annoncent de bien meilleurs résultats, mais Tchavi ne les propose pas. Pour du wolof, prévois une relecture humaine.
Whisper comprend-il le swahili ?
Oui. Sur deux phrases, le sens est passé intact, avec 35 % de mots à corriger en moyenne, surtout des mots coupés en deux et des noms propres mal entendus. Pour un résumé ou un tri des messages, c'est suffisant. Pour un texte à publier tel quel, relis.
Et le fon, le yoruba, le haoussa ?
Le fon n'est pas dans la liste de Whisper et je ne l'ai pas testé. Le yoruba et le haoussa y figurent, mais je n'ai pas pu récupérer d'enregistrements de référence pour ce test : je n'ai donc pas de mesure à te donner.
Combien coûte la transcription d'une note vocale ?
13 crédits par minute entamée, soit 4,3 F, que le vocal dure 10 ou 55 secondes. Avec un résumé en français par un petit modèle, compte 4,4 F par vocal de moins d'une minute.
Faut-il préciser la langue de la note vocale ?
Ce n'est pas obligatoire : sans le paramètre language, Whisper détecte la langue tout seul, et c'est ainsi que j'ai fait ce test. Si tu connais la langue à l'avance, tu peux la passer avec son code (fr, sw, ln). Le wolof n'est pas dans la liste de Whisper : le préciser ne lui apprendra pas la langue.
Mes notes vocales sont-elles conservées par Tchavi ?
Non. Pour l'audio, Tchavi transmet le fichier au modèle et te renvoie sa réponse sans garder le contenu : ni l'audio ni la transcription ne sont enregistrés, seulement des données de facturation (modèle, durée, coût, taille et format du fichier) et l'adresse IP de la requête. Le fichier est traité par l'éditeur du modèle, OpenAI pour Whisper, selon sa propre politique de confidentialité.
Si tes clients t'envoient des vocaux, le plus rapide est de tester sur les tiens. Sans code : crée ton compte et ouvre Whisper dans le playground, recharge 1 000 F en mobile money et dépose un enregistrement. Avec le script ci-dessus, trois vocaux de ta boîte WhatsApp suffisent : en dix minutes, tu sais si ta langue passe. 1 000 F, plus les 150 crédits de ta première recharge, couvrent environ 240 vocaux de moins d'une minute, résumé compris.
Cet article fait partie de la série « Construire un SaaS IA depuis l'Afrique francophone ». Tchavi est une passerelle d'API IA compatible OpenAI : une seule clé donne accès à plus de 100 modèles de texte, d'image, d'audio et de vidéo, et tu la paies en mobile money, sans carte bancaire (pays et opérateurs). Dans la série : payer les API IA sans carte Visa, les prix des API IA en FCFA, un chatbot WhatsApp IA en Node.js, Claude Code en mobile money, les modèles vidéo IA et leur prix en FCFA et Ollama et Tchavi côte à côte. Pour suivre les prochains : LinkedIn et X.