Du son au texte
- Leçon 10
- 35 min
- Module 4 : Reconnaissance de la parole : comparer les familles
Où nous en sommes
Jusqu'ici, nous avons utilisé les systèmes de reconnaissance sans voir leur fonctionnement interne. Pour les comparer, nous devons comprendre leurs grandes lignes. Dans cette leçon, nous comparons l'ancien pipeline de Vosk avec l'encodeur et le décodeur de bout en bout de Whisper. Pensez d'abord à une personne qui prend des notes pendant un appel téléphonique.
Leçon 10 sur 36 · IA de la parole : transcrire, comprendre et parlerDu son au texte
1. Le problème de la parole et son coût
2. Mesurer avant de choisir
3. Trouver la parole : la détection d'activité vocale
4. Reconnaissance de la parole : comparer les familles
5. Qui a parlé et quand : diarisation et temps des mots
6. De la transcription à la décision
7. Construire un petit serveur vocal interactif
8. Du serveur vocal à l'agent vocal
9. L'exploiter en production, en sécurité
Ce que vous saurez faire
Comprenez ce qui se passe dans un système de reconnaissance de la parole pour prévoir ses erreurs. Vous pourrez ensuite choisir entre les deux familles selon la tâche, et lire leurs erreurs sans surprise.
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- Le taux d’erreur sur les mots (WER) et le guide de normalisation, dans Le taux d’erreur sur les mots, étape par étape et Normaliser avant de comparer.
- Ce que montre un spectrogramme, dans Une image de la hauteur des sons : le spectrogramme, dans L’audio comme des données.
Ce qu’il vous faut
- Votre dossier de projet
larkspeechà la fin du module 3, avec son environnement.venv, et les données du cours danslarkspeech/data. Si votre copie ne fonctionne plus, recopiezC41/snapshots/end-of-m03depuis le dossier des exercicesnextia-learning-labs, comme dans Préparer le projet de parole. - Un casque ou des haut-parleurs pour un court extrait. Chaque extrait a sa transcription sur la page.
- Aucun nouveau paquet et aucun téléchargement : cette leçon lit des transcriptions enregistrées.
Une personne qui prend des notes pendant un appel
Section intitulée « Une personne qui prend des notes pendant un appel »Imaginez une nouvelle agente du centre d’assistance qui prend des notes pendant les appels. Le premier jour, elle connaît les mots anglais courants, mais pas le magasin. Un appelant dit « my Fern wall planter ». Elle entend clairement les sons. Mais elle ne connaît pas le nom « Fern wall planter », alors elle écrit « phone will come to ». Les mots qu’elle écrit sont de vrais mots anglais, et la phrase a presque du sens. Elle reste pourtant fausse.
Une deuxième personne prend ses notes autrement. Elle a une liste imprimée de tous les mots qu’elle peut écrire. Pour chaque son, elle cherche le mot le plus proche dans sa liste. « Larkfield » n’y figure pas, alors elle ne peut jamais l’écrire. Elle écrit plutôt « luck field » : deux mots de la liste dont les sons sont presque identiques.
Ces deux personnes représentent les deux familles de systèmes de reconnaissance de la parole : des programmes qui transforment la parole en texte (ASR). Dans cette leçon, nous examinons leur fonctionnement interne, juste assez pour prévoir leurs erreurs.
Le problème : les mêmes appels, des erreurs très différentes
Section intitulée « Le problème : les mêmes appels, des erreurs très différentes »Larkfield a évalué deux systèmes de reconnaissance sur les mêmes 60 appels de test, avec le même guide de normalisation. Voici les scores de la commande speech score du module 2 :
| Système de reconnaissance | WER | Numéros de commande erronés | Noms de produits erronés |
|---|---|---|---|
| Vosk small | 31,2 % | 35 sur 52 | 51 sur 60 |
| Whisper small | 8,6 % | 8 sur 52 | 41 sur 60 |
Le WER indique que Whisper est meilleur. Mais il ne dit pas pourquoi, ni quelles erreurs chacun fait. Regardez un appel. Dans l’appel C-0056, le Fern wall planter d’un appelant est arrivé endommagé. Écoutez le début :
Transcription. Appelant : « Hi. My Fern wall planter arrived damaged, and I need help quickly before I head out. » Agente : « I can help with that. Can I have your order number, please? » Appelant : « Yes, it’s thirty-eight, forty-five, twenty-nine. » (Le script écrit le numéro sous la forme 384529.)
Regardez maintenant ce que chaque système a écrit pour les trois tours de parole de l’appelant. L’image indique chaque erreur. Un mot erroné est orange, un mot ajouté est bleu, et un mot manquant est rouge et barré.
Description textuelle du diagramme
Le tour 2 compte 16 mots dans le script. Vosk small en a reconnu 1 correctement (« my »); le reste comprend 15 mots erronés et 5 mots ajoutés. Whisper small a tout reconnu correctement sauf le nom du produit et « arrived » : il a écrit « phone will come to arrive ». Le tour 4 est le numéro de commande, dit par paires. Vosk a écrit « yes it’s thirty eight forty five twenty nine », et le guide a transformé ces nombres en mots en « 384529 ». Whisper a écrit « yes it is 384529 ». Les deux ont donc reconnu le tour 4 sans erreur. Le tour 6 est « I do not want a refund, I want a new one. » Whisper a écrit « I do not want to refund » : il a donc gardé « not » et « refund », et seul « a » est devenu « to ». Vous vérifierez vous-même le tour 6 de Vosk à la fin de cette leçon. Remarque : un alignement associe les mots en minimisant le nombre de changements. Il les associe donc parfois autrement qu’une personne le ferait. Les comptes restent corrects.
Deux choses ressortent. D’abord, les erreurs de Vosk semblent n’avoir aucun sens (« a neat how quickly the florida »). Celles de Whisper ressemblent à de l’anglais correct (« phone will come to arrive »). Ensuite, Vosk écrit les nombres en mots (« thirty eight forty five twenty nine »). Dans cet appel, le guide les a transformés en chiffres corrects. Mais dans les 60 appels de test, Vosk s’est trompé sur 35 des 52 numéros de commande. Pour comprendre pourquoi, examinons le fonctionnement de chaque famille.
Étape 1 pour les deux : du son à une image
Section intitulée « Étape 1 pour les deux : du son à une image »Les deux familles commencent de la même façon. Un système de reconnaissance ne lit pas directement la forme d’onde. Il transforme d’abord le son en une image de la hauteur des sons au fil du temps. Cette image ressemble au spectrogramme de L’audio comme des données.
Whisper utilise un spectrogramme log-mel. « Mel » est une échelle de hauteur des sons qui suit l’oreille humaine. Nous entendons le passage de 200 à 300 Hz comme un grand changement. Le passage de 3 200 à 3 300 Hz semble petit. L’échelle mel a donc de nombreuses bandes étroites dans les sons graves, et moins de bandes, plus larges, dans les aigus. « Log » signifie que l’intensité sonore suit une échelle logarithmique, comme les décibels. Whisper mesure 80 bandes mel toutes les 10 millisecondes, dans une fenêtre de 25 millisecondes.
Un petit exemple détaillé : un tour de parole de l’appelant
Section intitulée « Un petit exemple détaillé : un tour de parole de l’appelant »Voici le tour 4 de l’appel C-0056, « Yes, it’s thirty-eight, forty-five, twenty-nine », calculé par le code d’extraction des caractéristiques de Whisper :
| Étape | Valeur |
|---|---|
| Durée du tour de parole | 2,73 s |
| Échantillons à 16 000 par seconde (ce que Whisper attend) | 43 616 |
| Trames, une toutes les 10 ms | 272 |
| Nombres dans chaque trame (bandes mel) | 80 |
| Nombres dans l’image | 272 × 80 = 21 760 |
L’image contient donc environ deux fois moins de nombres que le son. Surtout, ses nombres sont rangés par hauteur, et c’est par la hauteur que les sons de la parole se distinguent.

Description textuelle du diagramme
Le graphique du haut montre le son, avec chaque mot prononcé au-dessus de son émission sonore. Celui du bas est l’image log-mel : le temps à l’horizontale, 80 bandes mel à la verticale, et la luminosité pour l’intensité sonore. Chaque mot produit des zones lumineuses dans les bandes basses, avec des rayures plus haut. Les bandes supérieures, au-dessus d’environ la bande 65, sont noires pendant tout le tour de parole. Elles contiennent les sons au-dessus de 4 000 Hz. Un fichier téléphonique à 8 000 échantillons par seconde ne contient rien à ces fréquences. Pour chaque appel téléphonique, Whisper lit donc une image dont le haut est vide.
Après cette première étape, les deux familles prennent des chemins très différents.
Description textuelle du diagramme
L’ancien pipeline, utilisé par Vosk, a quatre parties successives. Les caractéristiques décrivent une courte tranche de son toutes les 10 millisecondes. Le modèle acoustique indique quel son de parole se trouve dans chaque tranche. La liste de prononciation indique quels mots sont composés de ces sons. Le modèle de langage indique quel ordre des mots est probable. La sortie peut seulement contenir des mots de la liste. Le chemin de bout en bout, utilisé par Whisper, a trois parties. L’image log-mel vient d’abord. Un encodeur lit toute l’image, et un décodeur écrit le texte un morceau à la fois. Sa sortie peut contenir tout mot qu’il peut épeler, avec des majuscules et de la ponctuation.
L’ancien pipeline : Vosk
Section intitulée « L’ancien pipeline : Vosk »Vosk repose sur Kaldi, une boîte à outils que les chercheurs en parole ont utilisée pendant de nombreuses années. Ses modèles sont petits : environ 40 Mo par langue pour les modèles « small » utilisés dans ce cours. Il fonctionne sur le processeur d’un portable, et même sur un téléphone. Après les caractéristiques, le pipeline comporte trois parties entraînées.
Le modèle acoustique : quel son?
Section intitulée « Le modèle acoustique : quel son? »En anglais, la parole se compose d’environ 40 sons de base. Ces sons s’appellent des phonèmes. « Field » en contient quatre : f, ee, l, d. Le modèle acoustique examine chaque tranche de 10 millisecondes et donne un score à chaque phonème : « cette tranche est probablement un f, peut-être un th ». Il connaît les sons, pas les mots.
La liste de prononciation : quels mots?
Section intitulée « La liste de prononciation : quels mots? »La liste de prononciation (aussi appelée lexique) donne les phonèmes de chaque mot que le système de reconnaissance connaît. Par exemple, « field » est f-ee-l-d et « feel » est f-ee-l. Un mot absent de la liste ne peut jamais figurer dans la sortie. C’est ce qu’on appelle un vocabulaire fermé.
Le modèle de langage : quel ordre?
Section intitulée « Le modèle de langage : quel ordre? »Plusieurs suites de mots correspondent aux mêmes sons. « Recognise speech » et « wreck a nice beach » se prononcent presque de la même façon. Le modèle de langage donne un score à chaque suite de mots. À quelle fréquence ces mots se suivent-ils dans une grande quantité de texte? Un décodeur cherche ensuite les mots ayant le meilleur score total : des sons qui correspondent, et des mots souvent associés.
Ce que cela signifie pour Larkfield
Section intitulée « Ce que cela signifie pour Larkfield »« Larkfield » ne figure pas dans la liste de prononciation du petit modèle anglais de Vosk. Vosk ne peut donc jamais l’écrire. Dans les 60 appels de test, les scripts disent « Larkfield » 120 fois. Vosk l’a écrit 0 fois. Après « calling », il a plutôt écrit ces mots :
| Vosk a écrit | Nombre de fois |
|---|---|
| luck field | 16 |
| lark feel | 9 |
| work field | 7 |
| luck feels | 5 |
| large field | 5 |
Chaque fois, ce sont deux mots de la liste dont le son ressemble à « Larkfield ». La même chose arrive aux noms de produits : « my Fern wall planter arrived » est devenu « my boy was I move on ». Cela explique aussi de nombreux numéros de commande. Le modèle de langage de Vosk a appris à partir de textes ordinaires, où une suite de chiffres isolés est rare. La recherche préfère donc souvent des mots courants aux sons similaires. Dans l’appel de test C-0288, l’appelant dit « two six zero, zero two six », et Vosk a écrit « to six there sarah to sick ».
La bonne nouvelle : les parties sont séparées, vous pouvez donc en changer une. Vosk accepte une liste de phrases autorisées pour une courte commande. On peut aussi reconstruire son lexique et son modèle de langage avec de nouveaux mots. Cela demande des compétences et du temps, et le cours ne le fait pas. Le module 6 utilise la liste de phrases pour détecter l’avis d’enregistrement.
Le modèle de bout en bout : Whisper
Section intitulée « Le modèle de bout en bout : Whisper »Whisper est un modèle qu’OpenAI a entraîné et publié sous la licence MIT. Ses auteurs disent l’avoir entraîné sur environ 680 000 heures d’audio du Web, accompagnées de leurs textes, dans plusieurs langues. Il existe en plusieurs tailles : tiny (39 millions de paramètres), base (74 millions), small (244 millions), medium (769 millions) et plus grandes. Ce sont les chiffres des auteurs, pas les nôtres. Un paramètre est un nombre que le modèle a appris pendant l’entraînement.
Whisper fonctionne de bout en bout : un seul réseau de neurones passe de l’image log-mel au texte. Il n’a ni phonèmes, ni liste de prononciation séparée, ni modèle de langage séparé. Il a appris tout cela ensemble à partir d’exemples. Il a deux moitiés.
L’encodeur lit toute l’image
Section intitulée « L’encodeur lit toute l’image »L’encodeur lit une image log-mel allant jusqu’à 30 secondes à la fois. Il la transforme en une liste de vecteurs (listes de nombres), un pour chaque court moment de l’audio. Chaque vecteur décrit ce moment dans son contexte : les sons avant et après lui. Un appel plus long est découpé en fenêtres de 30 secondes.
Le décodeur écrit le texte, un morceau à la fois
Section intitulée « Le décodeur écrit le texte, un morceau à la fois »Le décodeur écrit le texte en petits morceaux appelés jetons (tokens). Un jeton est un mot courant ou une partie de mot : « Lark » et « field » pourraient former deux jetons. À chaque étape, le décodeur examine deux choses : les vecteurs de l’encodeur et les jetons qu’il a déjà écrits. Il choisit ensuite le prochain jeton le plus probable. Il s’arrête lorsqu’il écrit un jeton spécial de « fin ».
C’est la même idée qu’un grand modèle de langage qui écrit du texte, avec le son comme entrée supplémentaire. Le cours L’apprentissage profond et les transformeurs expliqués explique les encodeurs et les décodeurs en détail, dans Le transformeur original, étape par étape. Pour ce cours, il vous suffit de retenir l’idée : le décodeur écrit ce qui est probable, selon le son et les mots précédents.
Ce que cela signifie pour Larkfield
Section intitulée « Ce que cela signifie pour Larkfield »Le vocabulaire de Whisper est ouvert : il peut épeler n’importe quel mot à partir de ses jetons. Il peut donc écrire « Larkfield », et le fait souvent : Whisper small l’a écrit 55 fois sur 120. Mais il écrit ce qui est probable. « Fern wall planter » est un nom rare, et « phone will come to » est une suite probable en anglais. Il a donc écrit cette suite. Ses erreurs se lisent bien, ce qui les rend difficiles à repérer dans une transcription.
Cette même force lui permet de bien écrire les nombres. Dans ses textes d’entraînement, les gens écrivent « 384529 », pas « three eight four five two nine ». Whisper écrit donc des chiffres, ce dont le système de commandes de Larkfield a besoin.
Le décodeur présente un autre risque : il écrit toujours quelque chose de probable. Quand l’audio contient de la musique ou du silence, il peut inventer une phrase. Vous l’avez vu au module 3 : pendant de longs silences, Whisper small a écrit 65 mots que personne n’avait dits.
Exercice guidé : lire les erreurs des deux familles
Section intitulée « Exercice guidé : lire les erreurs des deux familles »Vous lisez les transcriptions enregistrées des deux familles avec la commande score (calculer le score) du module 2. Aucun modèle ne s’exécute, donc chaque commande prend quelques secondes.
-
Ouvrez un terminal dans votre dossier
larkspeechet activez l’environnement :source .venv/bin/activatesur macOS et Linux, ou.venv\Scripts\Activate.ps1dans Windows PowerShell. -
Calculez le score de Vosk small sur les appels de test :
Fenêtre de terminal speech score --method vosk-smallvosk-small, test calls, phone audio, normalisation fullslice calls words WER CER order nos wrong products wrongall 60 7334 31.2% 20.1% 35 of 52 51 of 60 -
Calculez le score de Whisper small de la même façon :
Fenêtre de terminal speech score --method whisper-smallwhisper-small, test calls, phone audio, normalisation fullslice calls words WER CER order nos wrong products wrongall 60 7334 8.6% 4.2% 8 of 52 41 of 60 -
Alignez maintenant un tour de parole de l’appelant avec
speech wer. Utilisez les mots du script et ceux de Vosk pour le tour 2 de l’appel C-0056 :Fenêtre de terminal speech wer "Hi. My Fern wall planter arrived damaged, and I need help quickly before I head out." "i'm a male on my boy was i move on to write done of a neat how quickly the florida"REF: * ** * **** hi my *** fern wall planter arrived damaged and i need help quickly before i head outHYP: i am a male on my boy was i move on to write done of a neat how quickly the floridaI I I I S I S S S S S S S S S S S S S S15 substitutions, 0 deletions, 5 insertions, 16 reference words: WER 125.0%, CER 74.1% (normalisation: full)Le guide a transformé le « i’m » de Vosk en « i am ». Le script compte 16 mots, et Vosk a écrit 21 mots pour les représenter. C’est pourquoi le WER d’un seul tour de parole peut dépasser 100 %.
Sur Windows, les commandes sont les mêmes. Elles ont été testées sur macOS seulement.
À vous de jouer : le troisième tour de parole de l’appelant
Section intitulée « À vous de jouer : le troisième tour de parole de l’appelant »Le tour 6 de l’appel C-0056 est « I do not want a refund, I want a new one. » Vosk small a écrit « we are is i do not want to be funny was me what minority or ». Avant d’exécuter la commande, faites une prédiction : combien de substitutions, de suppressions et d’insertions? La négation (« not ») est-elle conservée? Vérifiez ensuite avec speech wer.
Vérifiez votre réponse
REF: ** *** ** i do not want ** a refund i want a new 1HYP: we are is i do not want to be funny was me what minority or I I I I S S S S S S S7 substitutions, 0 deletions, 4 insertions, 11 reference words: WER 100.0%, CER 89.2% (normalisation: full)« Not » est conservé, donc l’appelant refuse encore quelque chose. Mais « refund » est perdu (« be funny »), alors un lecteur ne peut pas savoir ce que l’appelant refuse. Dans ce tour, Whisper small a gardé les deux mots : il a écrit « I do not want to refund », avec un seul mot erroné.
Quelle famille choisir et quand?
Section intitulée « Quelle famille choisir et quand? »| Ancien pipeline (Vosk small) | De bout en bout (Whisper small) | |
|---|---|---|
| WER sur les appels téléphoniques de test de Larkfield | 31,2 % | 8,6 % |
| Vitesse (facteur temps réel, 4 fils d’exécution CPU) | 0,085 | 0,075 |
| Mémoire | 566 Mo | 1 267 Mo |
| Nouveaux mots | reconstruire le lexique et le modèle de langage, ou utiliser une liste de phrases | une requête textuelle (leçon 4 de ce module) |
| Erreur typique | mots qui n’ont aucun sens, nombres écrits en mots | mots erronés mais naturels, texte inventé pendant les silences |
| Licence | Apache-2.0 | MIT |
Sur les appels synthétiques de Larkfield, Whisper fait beaucoup moins d’erreurs, à une vitesse presque identique. Le reste de ce module compare donc les tailles de Whisper. L’ancien pipeline reste utile. Il fonctionne sur de très petits appareils. Il peut reconnaître une courte liste fixe de phrases, comme « oui », « non » ou un choix de menu, avec très peu de calcul. Et son vocabulaire fermé l’empêche d’inventer un mot absent de sa liste.
Erreur courante
Prendre une transcription naturelle pour une transcription exacte
Symptôme : Grace lit vingt transcriptions de Whisper et les trouve excellentes : phrases claires, bonne ponctuation. Puis un appelant se plaint que personne n’a envoyé le remplacement du « Fern wall planter ». La transcription dit « my phone will come to arrive damaged ».
Cause : un décodeur de bout en bout écrit ce qui est probable. Ses erreurs donnent un anglais naturel, alors le lecteur ne les remarque pas. Les erreurs de Vosk (« a neat how quickly the florida ») semblent immédiatement suspectes.
Correction : ne jugez jamais un système de reconnaissance en lisant ses transcriptions. Comparez-les aux références et comptez séparément les mots importants, comme dans Les erreurs qui comptent. Whisper small a manqué 41 des 60 noms de produits dans les appels de test, malgré un WER de seulement 8,6 %.
Conséquence pour le travail en IA : un système qui lit ensuite la transcription reçoit du texte naturel, mais erroné. Ce peut être un classificateur de motifs d’appel ou un LLM qui produit un résumé. Lui non plus ne peut pas voir l’erreur.
Vérifiez votre compréhension
Vosk small n'a jamais écrit « Larkfield » dans les appels de test, mais Whisper small l'a écrit 55 fois. Expliquez cette différence à partir des composants de chaque système de reconnaissance.
Afficher la réponse
Vosk a un vocabulaire fermé : sa liste de prononciation contient tous les mots qu’il peut écrire, et « Larkfield » n’y figure pas. La recherche choisit donc des mots de la liste qui ont un son semblable, comme « luck field ». Le décodeur de Whisper écrit des jetons (tokens), de petits morceaux de mots, et peut donc épeler n’importe quel mot. Il écrit « Larkfield » quand c’est le texte le plus probable selon le son et les mots précédents.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Un tour de parole dure 4 secondes. Combien de trames log-mel Whisper produit-il, et combien de nombres l'image contient-elle? Pourquoi le haut de l'image est-il vide pour les fichiers téléphoniques de Larkfield?
Afficher la réponse
Une trame toutes les 10 ms donne 4 / 0,01 = 400 trames, chacune contenant 80 bandes mel : 400 × 80 = 32 000 nombres. Les bandes supérieures contiennent les fréquences au-dessus de 4 000 Hz. Un fichier téléphonique contient 8 000 échantillons par seconde et ne peut donc contenir que des fréquences jusqu’à 4 000 Hz. La ligne élimine aussi la plupart des sons au-dessus de 3 400 Hz. Rééchantillonner à 16 000 échantillons par seconde ne les rétablit pas.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Tomás dit : « Les transcriptions de Whisper se lisent tellement bien qu'on peut se passer des mesures. » Donnez un chiffre de cette leçon qui montre pourquoi il a tort.
Afficher la réponse
Whisper small a manqué 41 des 60 noms de produits dans les appels de test, avec un WER global de 8,6 %. Ses erreurs semblent naturelles (« phone will come to arrive » au lieu de « Fern wall planter arrived »). Le lecteur ne les remarque donc pas. Seule une comparaison avec les références, qui compte séparément les mots importants, les révèle.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- Un système de reconnaissance transforme d’abord le son en une image de la hauteur des sons au fil du temps. Whisper lit un spectrogramme log-mel : 80 bandes toutes les 10 ms. Dans les fichiers téléphoniques, les bandes supérieures sont vides.
- L’ancien pipeline (Vosk) a des composants distincts : un modèle acoustique (quels sons), une liste de prononciation (quels mots) et un modèle de langage (quel ordre). Son vocabulaire est fermé : « Larkfield » est devenu « luck field ».
- Le modèle de bout en bout (Whisper) possède un encodeur qui lit l’image entière et un décodeur qui écrit les jetons un à la fois. Il peut écrire n’importe quel mot, et ses erreurs semblent naturelles.
- Sur les appels téléphoniques synthétiques de test de Larkfield, Vosk small a un WER de 31,2 % et Whisper small de 8,6 %, à une vitesse presque identique.
- Ne jugez jamais une transcription selon sa facilité de lecture. Mesurez-la.
Vous savez maintenant pourquoi Whisper fait moins d’erreurs, mais des erreurs plus naturelles. Cependant, Whisper existe en plusieurs tailles, et Tomás veut la plus grande. Ensuite, vous exécuterez plusieurs tailles de Whisper sur votre portable. Vous comparerez leurs erreurs, leur vitesse, leur mémoire et leur coût.
Leçon suivante : Les tailles de Whisper sur un portable