Bonjour, ici Sonetho. ⚡
« Pour le coréen, la reconnaissance vocale de Naver reste la meilleure, non ? »
On entend souvent cette phrase, mais rares sont ceux qui ont vraiment vérifié.
Alors nous avons mesuré nous-mêmes.
Les mêmes 8 audios coréens dans trois moteurs, comparés caractère par caractère à la transcription de référence.
📊 Résultats en bref (taux d'erreur caractère CER, plus c'est bas, plus c'est précis)
| Catégorie | Clova CSR | Scribe v1 | Scribe v2 |
|---|---|---|---|
| Répliques émotionnelles | 3.2% | 1.1% | 1.1% |
| Lecture style journal télévisé | 0~0.8% | 0~0.8% | 0~0.8% |
| Mélange anglais et chiffres | 36.9~37.7% | 8.5~13.8% | 8.5~20.8% |
| Cohérence sur texte long | 1.7~7.3% | 0% | 0% |
| Moyenne | 11.4% | 3.2% | 4.0% |
Commençons par rendre justice à Clova.
Sur du coréen pur, le CSR frôle lui aussi le sans-faute.
En lecture style journal télévisé, les trois moteurs étaient à égalité, autour de 0%.
Si votre usage s'arrête là, n'importe lequel fera l'affaire.
💥 Le match s'est joué sur le mélange avec l'anglais
Dès qu'une phrase coréenne contient des noms de marques et des chiffres, l'écart se creuse.
Voici quelques sorties réelles du CSR, reproduites telles quelles.
| Référence | Sortie Clova CSR |
|---|---|
| ChatGPT | "채취 pt" |
| Gemini | "나재민이", "개 미니" |
| 일레븐랩스 (ElevenLabs en coréen) | "11 x" |
| 약 15달러 수준 (environ 15 dollars) | "약 시부터 여수 중" |
Sous-titres YouTube, contenus tech, comptes rendus de réunion d'aujourd'hui : dès que des mots anglais se glissent dans l'audio, cet écart se transforme directement en heures de correction.
Sur les mêmes passages, Scribe a conservé ChatGPT, Gemini et API à l'identique.
🧐 Scribe n'est pas parfait non plus
Par honnêteté, voici aussi les erreurs de Scribe.
Il pèche sur les noms propres qu'il rencontre pour la première fois.
Il a écrit « sonto.com » au lieu de « sonetho.com », et sur un échantillon il a entendu « 1 dollar » au lieu de « 11 dollars ».
Si les chiffres engagent de l'argent, la relecture reste indispensable, quel que soit le moteur.
La différence entre v1 et v2 mérite aussi le détour.
La v2 normalise l'écriture d'elle-même : « 22 dollars » devient « $22 ».
Notre méthode de notation (CER) compte cela comme une erreur, alors que le sens est parfaitement juste.
Si la forme d'origine est essentielle, prenez la v1 ; si l'objectif est un sous-titre ou un document agréable à lire, la v2 s'impose.
La v2 existe aussi en version streaming temps réel.
💰 Et côté tarifs ?
ElevenLabs Scribe : $0.22 de l'heure (en traitement par lots).
Le plan gratuit inclut déjà 4,5 heures par mois.
Le Starter à $6 en comprend 27 et le Creator à $22 en comprend 100 : la plupart des projets personnels tiennent dans le plan.
Reconnaissance vocale Clova (CSR) : facturation à l'usage, arrondie par tranches de 15 secondes.
Pour le tarif exact, consultez le calculateur de prix de Naver Cloud.
À noter : le CSR est une API pensée pour les énoncés courts, avec une limite de 60 secondes.
Pour les enregistrements longs et la séparation des locuteurs, il faut un produit distinct, CLOVA Speech.
🤔 Alors, lequel choisir ?
Clova CSR est le bon choix pour
Traiter des énoncés courts, essentiellement en coréen pur.
Un projet qui exige une infrastructure cloud hébergée en Corée.
Une équipe déjà installée dans l'écosystème Naver Cloud.
ElevenLabs Scribe est le bon choix pour
Les sous-titres et comptes rendus de contenus où l'anglais se mêle au coréen.
Les audios tech et marketing truffés de noms de marques.
Les 4,5 heures gratuites permettent de juger la qualité par vous-même avant de décider.
Essayer ElevenLabs Scribe gratuitement →
🧪 Méthodologie (reproductible)
Nous avons rédigé des scripts dans 4 catégories (répliques émotionnelles, style journal, mélange anglais et chiffres, texte long), puis nous les avons synthétisés avec deux TTS haut de gamme (Clova Ara Pro et ElevenLabs Hyuk) pour obtenir 8 audios.
Chaque audio est passé dans les trois moteurs, puis comparé caractère par caractère à la transcription de référence (CER).
Les limites, sans détour.
L'entrée étant de la voix de synthèse, les conditions sont idéales et sans bruit ; avec de vraies voix humaines ou en environnement bruyant, les chiffres peuvent bouger.
Certaines erreurs peuvent aussi venir de la prononciation du TTS lui-même.
❓ Questions fréquentes (FAQ)
Q. Quel est le STT le plus précis pour le coréen ?
Dans notre mesure, Scribe v1 affiche le taux d'erreur caractère moyen le plus bas, à 3.2%.
Mais sur du coréen pur en registre formel, Clova CSR fait jeu égal autour de 0% : le vrai critère de choix, c'est la présence d'anglais dans votre audio.
Q. Quelle différence entre la reconnaissance vocale Clova (CSR) et CLOVA Speech ?
Le CSR est une API pour les énoncés courts de 60 secondes maximum, tandis que CLOVA Speech est un produit distinct qui prend en charge les fichiers longs et la séparation des locuteurs.
Ce test porte sur le CSR.
Q. Scribe v1 ou v2, lequel utiliser ?
La v1 si la préservation de la forme d'origine est essentielle, la v2 si vous voulez une sortie agréable à lire, avec les symboles monétaires normalisés automatiquement.
La v2 prend aussi en charge le streaming temps réel ($0.39 de l'heure).
La suite pratique, transcription d'interviews et séparation des locuteurs, vous attend dans notre comparatif STT ElevenLabs vs Whisper vs Deepgram.
À très vite pour le prochain article. C'était Sonetho. ⚡