WER : comprendre le taux d'erreur et décoder les « 99 % de précision »

Le taux d’erreur sur les mots, ou WER (Word Error Rate), est l’étalon de référence de la reconnaissance vocale : on prend une transcription de référence parfaite, on compare mot à mot le résultat de la machine et on compte les erreurs. Un WER de 5 % correspond à peu près à « 95 % de précision », et c’est précisément dans ce passage de l’indicateur au discours marketing que les ennuis commencent. Le WER est une mesure réelle et utile ; la façon dont on le cite dans les publicités ne veut quasiment rien dire. Voici comment fonctionne ce taux d’erreur, ce qu’il masque, et comment décoder les promesses de « 99 % de précision » en connaisseur.

Comment se calcule le WER

On aligne la transcription de la machine sur une référence vérifiée par un humain, et on compte trois types d’erreurs :

• Les substitutions : le mauvais mot, « ces » à la place de « ses », « bla bla scribe » à la place de « BlaBlaScribe ».

• Les suppressions : les mots que la machine a laissés de côté.

• Les insertions : les mots qu’elle a inventés, souvent à partir du bruit de fond.

Ensuite : WER = (S + D + I) ÷ N, où N est le nombre de mots de la référence. Dix erreurs sur une référence de 200 mots, cela donne un WER de 5 %. Comme les insertions comptent, le WER peut dépasser 100 % sur un audio inexploitable : une bizarrerie qui en dit long sur le caractère très littéral de l’indicateur. (Il trouve son origine dans la distance d’édition ; l’article Wikipédia en donne la définition formelle.)

Ce que le taux d’erreur ne dit pas

Toutes les erreurs pèsent pareil, alors qu’elles ne se valent pas

Oublier un « euh » et écorcher le nom du PDG, pour le WER, c’est une erreur chacun. Pour le lecteur, l’une passe inaperçue, l’autre finit en capture d’écran. Une transcription réelle se juge sur les mots qui sont faux (noms, chiffres, négations), et le WER ne fait pas la différence. (« C’est possible » contre « c’est impossible », c’est une seule substitution.)

Le chiffre ne veut rien dire sans l’audio de test

Le même système peut obtenir 4 % de WER sur un podcast enregistré en studio et 30 % sur l’enregistrement téléphonique d’une mêlée de journalistes en plein vent. Le « 99 % de précision » d’un éditeur a été mesuré sur quelque chose, presque à coup sûr une parole propre, avec un accent natif et un seul intervenant. Votre audio est le seul banc d’essai qui prédit vos résultats : c’est tout le propos de notre guide expliquant pourquoi la précision de la transcription varie.

Le jeu de la normalisation

Avant la comparaison, les textes sont normalisés : majuscules, ponctuation, « 20 » ou « vingt », mots de remplissage. Selon les choix de normalisation, le WER bouge de plusieurs points. Les chiffres publiés précisent rarement ces choix, ce qui fait de la comparaison des chiffres vedettes d’un éditeur à l’autre un exercice surtout théâtral.

Le WER ne dit rien du reste du produit

Erreurs d’attribution des intervenants, ponctuation cassée, horodatages qui dérivent : rien de tout cela n’entre dans le WER. Une transcription à 3 % de WER avec une identification des intervenants en désordre vaut moins, comme outil de travail, qu’une transcription à 5 % avec une attribution impeccable. (La diarisation a son propre indicateur, le DER, que les éditeurs citent encore plus rarement.)

Comment décoder une promesse de « 99 % de précision »

Petite table de traduction du langage marketing :

Aucune de ces formules n’est à proprement parler un mensonge : ce sont des chiffres de meilleur cas présentés comme typiques. Ce qui signale une discussion honnête sur la précision, ce sont les conditions : quel audio, quels accents, quelle normalisation.

Le seul banc d’essai qui compte : le vôtre

Tester vaut mieux que lire. La procédure prend vingt minutes :

1. Choisissez un enregistrement réel : vos micros habituels, vos accents, vos voix qui se chevauchent. Pas le fichier le plus propre, le fichier typique.

2. Passez-le dans les outils que vous comparez (les offres gratuites servent justement à ça ; notre guide des outils gratuits les recense).

3. Ne calculez pas de WER formel : lisez. Vérifiez les mots qui vous coûtent cher (noms, chiffres, termes techniques, négations) et comptez ces erreurs-là.

4. Vérifiez l’environnement : les intervenants sont-ils bien identifiés ? La ponctuation est-elle lisible ? Les horodatages sont-ils cliquables pour la vérification ?

5. Chronométrez la correction : le nombre de minutes pour obtenir un texte publiable dans l’éditeur de chaque outil, voilà l’indicateur que votre semaine ressent vraiment.

Questions fréquentes

Qu’est-ce qu’un bon WER pour une transcription par IA en 2026 ?

Sur une parole propre, bien captée, les meilleurs systèmes se situent dans le bas des taux à un chiffre : c’est vraiment excellent. Sur un audio difficile (bruit, accents marqués, voix qui se chevauchent), le WER grimpe en flèche pour tous les systèmes. Il n’existe pas de chiffre unique honnête.

95 % de précision, est-ce bien ?

Cela fait une erreur tous les vingt mots : de quoi se remarquer à chaque ligne d’une transcription dense. Que ce soit « bien » dépend entièrement des mots qui sont faux et de la rapidité avec laquelle l’éditeur vous permet de les corriger.

Pourquoi tous les éditeurs annoncent-ils environ 99 % ?

Parce que c’est là que tombent les chiffres de meilleur cas sur des bancs d’essai propres, et que personne ne fait de publicité avec son score sur un parking balayé par le vent. Voyez dans ces promesses convergentes la preuve que l’indicateur ne permet plus de départager, pas que tous les outils se valent.

Un WER plus bas signifie-t-il toujours une meilleure transcription ?

En général, sur le même audio. Mais ce sont l’attribution, la ponctuation et la facilité de correction qui font la valeur au quotidien. Comparez des transcriptions finies, pas des décimales.

En résumé

Le WER est un bon indicateur d’ingénieur et un mauvais guide d’achat. Sachez ce qu’il compte, repérez ce qu’il ignore, et laissez un seul enregistrement réel et imparfait, lu de vos propres yeux, l’emporter sur tous les pourcentages de toutes les publicités.