Transcription en temps réel
Cette page couvre la transcription audio en direct vers du texte via une session WebSocket, à privilégier pour les flux audio nécessitant une faible latence (par opposition aux fichiers audio enregistrés – voir [Transcrire des fichiers](Transcribe files)). À la fin de cette lecture, vous comprendrez le cycle de vie d’une session et comment contrôler la latence.
Comprendre le cycle de vie
Avant tout code, voici le modèle mental : ouvrez une session, validez votre configuration avant le premier fragment audio, envoyez l’audio, recevez les mises à jour de transcription, finalisez, puis fermez. Chaque étape a une signification précise : quand afficher, remplacer, finaliser ou conserver les résultats.
Se connecter à une session
Configuration de la connexion : URL WSS, authentification de l’endpoint en temps réel (adapté depuis la page obsolète client_auth). Référence au cycle de vie : il s’agit de l’étape « ouvrir une session ».
Configurer la session
session.update : format audio, délai de streaming, langue, diarisation, speaker_references, context_bias, turn_detection — ces paramètres doivent être validés avant l’envoi du premier fragment audio. Une fois l’audio démarré, les mises à jour sont rejetées. Il s’agit de l’étape « valider la configuration ».
Champs de la session
Tableau de référence : les champs de la session avec leurs types, valeurs par défaut et contraintes (issus de la RFC-555, section 2.2). Signaler les exclusivités mutuelles et lier la matrice de compatibilité dans l’[Aperçu des cas d'utilisation de la STT](Use case overview).
Recevoir les mises à jour et finaliser
Étape « recevoir les mises à jour et finaliser » du cycle de vie : signification d’un delta de texte, quand remplacer ou ajouter dans votre interface, aspect des résultats finaux, et comment la session se termine. Ce guide explique le flux d’événements — les détails sur la détection de fin de tour se trouvent dans [Détection des tours de parole](Turn detection).
Contrôler la latence
target_streaming_delay_ms : ce qu’il échange, les valeurs discrètes valides, et les points de départ recommandés par cas d’utilisation — sous-titrage en direct ou agents vocaux.
| Cas d'utilisation | Délai recommandé | Pourquoi |
|---|---|---|
| [ligne : sous-titres en direct — valeur — raison] | ||
| [ligne : entrée d’agent vocal — valeur — raison] |
Problèmes courants
Limites spécifiques au mode en direct, avec liens vers les solutions — section courte. Les détails complets se trouvent dans Résolution des problèmes. Problèmes en direct : champs de session verrouillés une fois l’audio démarré, valeur de délai non valide (non entraînée), interruptions de connexion. NE PAS inventer de sémantique de reconnexion ou de reprise — documenter uniquement ce que précise la spécification.
- [limite : les mises à jour de session sont rejetées après le démarrage de l’audio — valider la configuration en premier — lien vers Résolution des problèmes]
- [limite : target_streaming_delay_ms doit être un délai entraîné — lien vers [Détection des tours de parole](Turn detection) et Résolution des problèmes]
- [limite : interruptions de connexion — comportement selon la spécification uniquement — lien vers Résolution des problèmes]