S1-mini nettoie les transcriptions après l’ASR

Un normaliseur de texte, pas un autre modèle ASR

Je n’utiliserais pas S1-mini à la place d’un moteur ASR. C’est un modèle à poids ouverts de 0,6 milliard de paramètres destiné à l’étape suivante : le moteur transforme d’abord l’audio en texte brut, puis le normaliseur le réécrit sous une forme lisible. Pour ce segment précis de la chaîne, un modèle dédié paraît cohérent.

Dans la fiche Superwhisper sur Hugging Face, S1-mini est décrit comme un normaliseur de texte pour les résultats de reconnaissance vocale. Il supprime les hésitations, traite les faux départs et les autocorrections, puis ajoute la ponctuation et les majuscules. Il met aussi les nombres, dates, heures, devises et adresses e-mail dans un format écrit.

Il ne s’agit pas d’un simple ajustement esthétique. Dans une interface vocale, la sortie ASR brute doit souvent être corrigée par un ensemble de règles, un modèle de ponctuation distinct ou un LLM généraliste. S1-mini cherche à couvrir ces opérations en un seul passage spécialisé et renvoie par défaut uniquement le texte nettoyé.

Pour un déploiement local, des exemples avec Docker et SGLang sont publiés, y compris une interface de chat compatible avec OpenAI. Une version GGUF pour llama.cpp est également disponible. Les instructions précisent qu’il faut désactiver le mode thinking, car le modèle a été entraîné sans celui-ci.

Le blog officiel de Superwhisper annonce une précision de tokens de 94,8 % et un taux d’erreur d’édition de texte de 11,6 %. Il évoque aussi le traitement de la structure, notamment la détection de listes et le formatage des e-mails. Lors de la publication de la fiche, il s’agissait de chiffres fournis par le développeur, non d’une validation indépendante.

Quand un modèle dédié change réellement la chaîne

Pour la dictée et les applications vocales, un tel normaliseur peut supprimer une couche importante de règles manuelles. Il est particulièrement utile lorsque l’on veut fournir un texte propre à l’utilisateur, mais qu’exécuter un LLM généraliste après chaque requête ASR serait trop lourd ou imprévisible.

Lors d’une évaluation technique, je vérifierais d’abord la préservation du sens plutôt que l’élégance de la ponctuation. Les noms, termes métier, fragments de code, mélanges de langues et symboles dictés sont particulièrement sensibles. Ce passage supplémentaire ajoute aussi de la latence et un point de défaillance, même si le modèle reste compact et local.

Il existe également une limite de principe : supprimer les pauses et autocorrections est utile pour des notes, mais peut être dangereux pour un verbatim. La question essentielle n’est pas de savoir si le texte est plus fluide, mais si le modèle a modifié le fond en même temps que la forme.

Nous avons précédemment comparé des outils d’IA de transcription et de synthèse de réunions, en nous concentrant sur la précision et les risques d’hallucination. Ce contexte aide à situer les cas où un modèle de post-traitement comme s1-mini peut améliorer la transcription finale.