L’API Whisper d’OpenAI coûte 0,006 $ par minute d’audio, soit 0,36 $ de l’heure. Ce prix n’a pas bougé depuis le lancement de l’API en mars 2023, et c’est pourquoi tant de factures de transcription ont été construites dessus.
Deux choses ont changé en 2026. OpenAI a lancé des modèles de transcription moins chers et plus précis, et le 26 août, il a déclaré whisper-1 obsolète, ainsi que tous les modèles de transcription GPT-4o. Ils quittent l’API le 26 février 2027. La bonne question n’est donc plus seulement « combien coûte Whisper ? », mais « combien coûtera cet audio après février, et sur quel modèle ? ».
Voici les tarifs actuels de transcription d’OpenAI, relevés sur sa page de tarifs le 11 octobre 2026, puis ce que l’arrêt casse, ce que coûtent des charges réelles et les alternatives. Nous développons Cartesia, qui vend de la transcription, nous avons donc un intérêt dans l’affaire. Tous les chiffres d’OpenAI viennent d’OpenAI, et nos tarifs sont à la fin pour que vous puissiez vérifier les deux.
Tarifs de transcription OpenAI
| Modèle | Usage | Prix par minute | Par heure | Statut |
|---|---|---|---|---|
gpt-transcribe | Fichiers enregistrés | 0,0045 $ | 0,27 $ | Modèle par défaut actuel |
gpt-4o-mini-transcribe | Fichiers enregistrés | ~0,003 $ | ~0,18 $ | Retiré le 26 févr. 2027 |
gpt-4o-transcribe | Fichiers enregistrés | ~0,006 $ | ~0,36 $ | Retiré le 26 févr. 2027 |
gpt-4o-transcribe-diarize | Fichiers avec locuteurs identifiés | ~0,006 $ | ~0,36 $ | Retiré le 26 févr. 2027 |
whisper-1 | Fichiers, horodatages, sous-titres | 0,006 $ | 0,36 $ | Retiré le 26 févr. 2027 |
gpt-live-transcribe | Audio en direct | 0,017 $ | 1,02 $ | Par défaut pour le direct |
gpt-realtime-whisper | Audio en direct | 0,017 $ | 1,02 $ | Actuel |
gpt-realtime-translate | Traduction en direct | 0,034 $ | 2,04 $ | Actuel |
Les lignes avec « ~ » sont des estimations d’OpenAI. Ces trois modèles facturent au token (2,50 $ par million de tokens audio en entrée et 10 $ par million de tokens en sortie pour gpt-4o-transcribe, la moitié pour mini), donc le coût réel à la minute dépend de la quantité de parole. whisper-1 et la famille gpt-transcribe facturent à la durée d’audio, plus simple à budgéter.
Quelques points que le tableau ne montre pas :
- Les fichiers sont limités à 25 Mo. Le guide de transcription de fichiers accepte mp3, mp4, mpeg, mpga, m4a, wav et webm jusqu’à 25 Mo, donc une heure de WAV doit d’abord être découpée ou compressée. C’est au découpage que les erreurs de mots se glissent aux raccords.
- Le direct coûte presque quatre fois plus que les fichiers. La transcription en streaming coûte 0,017 $ la minute contre 0,0045 $ pour la même minute envoyée plus tard. Si vous n’avez pas besoin des mots pendant que la personne parle, ne payez pas pour ça.
- Le traitement régional coûte plus cher. OpenAI ajoute une majoration de 10 % sur les endpoints de résidence des données pour les modèles éligibles sortis à partir du 5 mars 2026.
- Les modèles récents n’ont pas d’offre gratuite. Les pages de
gpt-transcribeet des deux modèles en direct indiquent que les comptes gratuits ne sont pas pris en charge. Vous payez dès la première minute.
L’arrêt de février 2027
L’avis d’obsolescence est court. Quatre modèles partent, deux les remplacent :
| Retiré le 26 févr. 2027 | Remplaçant désigné par OpenAI |
|---|---|
whisper-1 | gpt-transcribe ou gpt-live-transcribe |
gpt-4o-transcribe | gpt-transcribe ou gpt-live-transcribe |
gpt-4o-mini-transcribe | gpt-transcribe ou gpt-live-transcribe |
gpt-4o-transcribe-diarize | gpt-transcribe ou gpt-live-transcribe |
Pour une transcription simple, la migration se résume surtout à un nom de modèle et à une baisse de prix. gpt-transcribe prend un tableau languages au lieu du champ unique language, ajoute keywords pour les noms de produits et les identifiants, et peut diffuser le texte pendant qu’il traite un fichier.
Le problème, ce sont les tâches que Whisper assurait et que rien ne remplace encore. Le guide de transcription d’OpenAI lui-même envoie toujours trois d’entre elles vers des modèles de la liste de retrait :
- Horodatages par mot et sous-titres
srtouvtt:whisper-1. - Traduction vers l’anglais :
whisper-1, via l’endpoint de traduction. - Identification des locuteurs :
gpt-4o-transcribe-diarize.
Au 11 octobre 2026, OpenAI n’a désigné de successeur pour aucune. Si votre produit génère des sous-titres, aligne une transcription sur une vidéo ou sépare un appel par locuteur, le remplaçant n’est pas dans l’avis. C’est la partie de la migration à commencer maintenant, pas en février.
Ce que coûte une charge réelle
Aux prix catalogue, avant toute majoration pour résidence des données :
Transcrire 10 000 heures d’appels enregistrés par mois (600 000 minutes). Sur whisper-1, cela fait 3 600 $. Passer à gpt-transcribe ramène la facture à 2 700 $. gpt-4o-mini-transcribe coûterait environ 1 800 $, mais il part aussi en février, donc cette économie dure quelques mois au plus.
Un agent vocal qui écoute 10 000 minutes d’appels par mois. La transcription en direct sur gpt-live-transcribe coûte 170 $. Cela paraît peu à côté de la facture par lots, et c’est le cas : pour un agent, la transcription est rarement la ligne coûteuse. Le coût qui compte, c’est ce qu’un numéro de compte mal entendu fait au reste de l’appel.
Whisper est-il encore assez précis ?
Whisper a fixé la barre en 2022. Il n’est plus près du sommet. Artificial Analysis a mesuré ces taux d’erreur sur les mots sur de l’audio enregistré en octobre 2026 (plus bas, c’est mieux) :
| Modèle | Taux d’erreur sur les mots | Prix pour 1 000 minutes |
|---|---|---|
| ElevenLabs Scribe v2 | 2,2 % | 3,67 $ |
| OpenAI GPT Transcribe | 3,3 % | 4,50 $ |
| OpenAI GPT-4o Transcribe | 4,0 % | 6,00 $ |
| Whisper large-v2 (OpenAI) | 4,1 % | 6,00 $ |
| Whisper large-v3 Turbo, Groq | 4,6 % | 0,67 $ |
| Deepgram Nova-3 | 5,2 % | 4,30 $ |
Deux lectures de ce tableau. Chez OpenAI, gpt-transcribe est à la fois moins cher et plus précis que whisper-1 : pour une transcription simple, aucune raison d’attendre février. Hors OpenAI, Whisper large-v3 Turbo hébergé par Groq coûte environ un neuvième de whisper-1 pour un demi-point d’erreur en plus. C’est un bon compromis pour des archives, un mauvais pour tout ce qu’un client lit.
Le taux d’erreur sur les mots est un diagnostic, pas un verdict (nous y avons consacré un guide entier). Faites passer vos enregistrements les plus difficiles par deux ou trois finalistes avant de migrer.
Héberger Whisper vous-même
Le modèle Whisper open source est sous licence MIT et n’est pas concerné par l’arrêt. Si votre audio est enregistré, que vous avez des GPU disponibles et que vous avez besoin des fonctions qu’OpenAI abandonne (horodatages, sous-titres, traduction vers l’anglais), héberger Whisper large-v3 vous-même conserve les trois. Whisper hébergé par des fournisseurs d’inférence, c’est le même modèle sans les GPU. Dans les deux cas, le découpage, la gestion des silences et les mises à jour vous reviennent.
L’auto-hébergement convient mal à une conversation en direct. Whisper a été conçu pour des fenêtres de 30 secondes d’audio terminé. L’envelopper pour le streaming, c’est gérer vous-même la détection de fin de tour, les hallucinations sur les silences, et ajouter de la latence aller-retour à chaque tour.
La place de Cartesia
Cartesia propose deux modèles de transcription, pour deux usages différents.
Pour les agents vocaux, Ink-2. Il transcrit en streaming pendant que l’appelant parle et détecte lui-même la fin du tour de parole, donc l’agent n’a pas besoin d’un VAD séparé. Sur le benchmark streaming d’Artificial Analysis en octobre 2026, Ink-2 avec sa détection de tour intégrée affiche un taux d’erreur sur les mots de 3,4 %, contre 3,9 % pour GPT Live Transcribe et 4,9 % pour GPT Realtime Whisper. Au tarif du forfait Scale, il coûte environ 0,40 $ de l’heure, contre 1,02 $ pour chacun des modèles en direct d’OpenAI. Ink-2 couvre aujourd’hui l’anglais, le français, l’hindi, le japonais et l’espagnol. Pour d’autres langues en direct, testez un modèle multilingue comme Deepgram Nova-3 à côté de ceux d’OpenAI.
Pour les fichiers enregistrés, ink-whisper. C’est notre ancien modèle de la famille Whisper, que nous servons toujours sur l’endpoint par lots : un seul envoi, pas de découpage de fichier, horodatages par mot, une centaine de langues. Cartesia ne propose ni traduction vers l’anglais ni identification des locuteurs, donc il comble l’un des trois manques laissés par l’arrêt, pas les trois.
La tarification de Cartesia facture les deux sur les mêmes crédits que la synthèse vocale :
| Modèle et endpoint | Crédits | Au tarif du forfait Scale (299 $ pour 8M de crédits) |
|---|---|---|
ink-whisper, par lots | 1 crédit toutes les 2 secondes | environ 0,07 $ de l’heure |
ink-whisper, streaming | 1 crédit par seconde | environ 0,13 $ de l’heure |
| Ink-2, streaming | 3 crédits par seconde | environ 0,40 $ de l’heure |
Les forfaits commencent gratuitement avec 20 000 crédits par mois, de quoi transcrire environ 11 heures par lots. Le silence est facturé comme de l’audio. Nos forfaits sont des abonnements prépayés plutôt qu’un paiement purement à la minute, consultez donc la page de tarifs pour le forfait adapté à votre volume.
Si vous transcrivez de l’audio enregistré et avez besoin d’horodatages après février, passez quelques fichiers dans ink-whisper. Si vous construisez un agent vocal, essayez Ink-2 dans le playground sur vos propres appels. Le guide de migration depuis OpenAI de notre documentation fait correspondre les réglages de transcription et de transcription Realtime d’OpenAI à ceux de Cartesia.