Transcrire une interview gratuitement avec Gemini : la fin du casse-tête « qui a dit quoi »

Deux personnes parlent pendant trente-cinq minutes. Tu arrêtes l’enregistrement, tu ouvres le fichier, et là tu te retrouves avec un mur de texte où « je » et « elle » sont les seuls indices pour savoir qui a dit quoi. Si t’as déjà retranscrit une interview à la main, tu sais que le vrai boulot, c’est pas de taper — c’est de démêler qui parle à chaque fois que l’enregistrement reprend après un blanc.

Voilà un truc que quasiment personne n’a encore écrit en français : Google a discrètement donné à Gemini la capacité de faire ça pour toi, gratuitement, avec de vrais labels de locuteurs — « Speaker 1 », « Speaker 2 » — et ça marche étonnamment bien sur une interview à deux. C’est pas une bêta planquée derrière une liste d’attente. C’est là, dans l’appli Gemini, maintenant. Et pendant ce temps, tape « comment transcrire une interview » sur Google et tu tombes sur des articles qui te redirigent vers le paywall d’Otter ou la facturation à la minute de Rev.

C’est le guide pour l’option gratuite dont personne ne parle vraiment. On va faire la manip ensemble, étape par étape, avec un vrai extrait de transcription et ses labels de locuteurs, on va comparer honnêtement avec Otter.ai, Rev et Descript (et une alternative française qui mérite qu’on en parle), et on va aussi te dire où ça coince — parce que ça coince, et prétendre le contraire te ferait perdre ton après-midi.

C’est quoi Gemini Transcribe, et pourquoi t’en as pas entendu parler

Google a lancé un modèle de reconnaissance vocale amélioré, Gemini 3.5 Transcribe, fin août 2026, et il tourne déjà tranquillement en coulisses dans plein de produits Google que tu utilises probablement — l’appli Gemini sur ton téléphone, la fonction de dictée de Gboard, la saisie vocale de Google Docs. Il détecte et transcrit automatiquement plus de 85 langues, il nettoie les mots de remplissage si tu le demandes, et surtout — c’est le point qui nous intéresse ici — il sait distinguer les locuteurs et les étiqueter.

Rien de tout ça n’a fait la une comme le fait d’habitude une nouvelle version de Gemini. C’est sorti en même temps qu’une poignée d’autres annonces audio de Google la même semaine, donc la plupart des articles ont traité ça comme un détail : « Google a aussi mis à jour son modèle de transcription. » Personne n’a écrit la version de cette histoire qui commence par « tu enregistres des interviews pour gagner ta vie, et ça change ton mardi ».

Alors, mettons les choses au clair, parce que « transcription IA gratuite » nous a déjà fait le coup de la fausse promesse (je te regarde, toi, l’appli qui donne cinq minutes gratuites avant de réclamer une carte bancaire). Gemini Transcribe, utilisé via l’appli Gemini gratuite ou gemini.google.com, prend un fichier audio ou vidéo, le transcrit, et — si tu le demandes — sépare les locuteurs. Pas d’abonnement. Pas de crédit de minutes qui se réinitialise chaque mois. Tu t’inscris même pas à un « essai ».

Le piège, parce qu’il y en a toujours un, c’est que ça n’a pas été conçu comme un outil de transcription dédié. C’est une IA généraliste qui se trouve être très douée pour cette tâche précise, si tu lui demandes de la bonne façon. C’est toute la raison d’être de ce guide — la « bonne façon » n’est pas évidente, et se planter dessus te fait perdre patience sur une fonctionnalité qui, pourtant, marche vraiment.

Ce que la couverture française raconte (et pourquoi elle est déjà dépassée)

Voici où ça devient intéressant si t’as déjà croisé un article français sur le sujet. Blog du Modérateur a publié un article expliquant que Gemini « peut désormais analyser et transcrire le contenu d’un fichier audio », mais cet article décrit une fonctionnalité lancée en septembre 2025 — pas Gemini 3.5 Transcribe. Et les chiffres qu’il donne sont beaucoup plus serrés que ce qu’on va voir dans ce guide : fichiers de 10 minutes maximum pour les comptes gratuits, cinq prompts par jour, avec une limite étendue à trois heures par fichier pour les abonnés Google AI Pro ou Ultra.

Donc si t’as lu cet article et que tu t’es dit « ah, sympa, mais dix minutes ça sert à rien pour une interview », je comprends complètement — mais c’était vrai il y a un an, pas maintenant. Le modèle qui tourne aujourd’hui sous le capot de l’appli Gemini a changé, et les documents techniques officiels de Google (en anglais, malheureusement, la doc française traîne toujours derrière) parlent d’un plafond de traitement standard autour d’une heure, qui redescend à environ trente minutes dès que tu demandes spécifiquement des labels de locuteurs ou des timestamps au mot près.

Honnêtement, je te conseille de vérifier toi-même le comportement réel de ton compte avant de faire confiance à un chiffre trouvé sur un blog — le tien ou le mien. Les quotas au niveau de l’appli grand public (nombre de prompts par jour, durée par fichier) peuvent évoluer plus vite que la doc, et un plafond de type « app » peut très bien être plus restrictif que ce que le modèle est techniquement capable de faire. Ce qu’on sait avec certitude, en revanche, c’est que la fonction de séparation des locuteurs, elle, est bien là, et qu’elle marche — c’est le cœur de ce guide.

Journal du Net a de son côté publié deux guides pratiques sur la transcription avec Gemini 2.5 Pro via Google AI Studio, avec un prompt assez bien pensé qui recommande de distinguer clairement les locuteurs par des identifiants (« Speaker 1 », « Speaker 2 », ou leurs noms si mentionnés), de noter les passages inaudibles entre crochets plutôt que de deviner, et de consigner les éléments audio significatifs (hésitations, interruptions, bruits de fond pertinents). C’est du bon travail — mais ça reste un guide générique pour AI Studio, pas un workflow pensé pour un journaliste qui doit vérifier des citations avant publication. C’est exactement le trou que ce guide vient combler.

Source : Google — The Keyword

Pourquoi c’est le bon moment pour en parler

Un chiffre qui remet les choses en perspective : d’après le 6ᵉ baromètre Comfluence 2026, mené auprès de 142 journalistes français, 54 % utilisent l’IA « parfois » et plus d’un tiers (34 %) disent ne l’utiliser jamais. Et parmi les journalistes qui utilisent l’IA, seulement 41 % l’ont déjà utilisée pour la transcription ou le résumé d’interviews — devant la recherche documentaire et le fact-checking. Autrement dit, la profession en France découvre encore à peine le sujet, alors que la fonctionnalité existe déjà et qu’elle est gratuite. Il y a un vrai écart entre ce qui est possible et ce que la majorité de la profession sait faire aujourd’hui — et c’est exactement l’écart que ce guide veut combler.

Le guide pas à pas : de l’enregistrement à la transcription propre et étiquetée

Je vais dérouler un exemple concret du début à la fin, parce que les instructions génériques ne servent à rien dès que ton audio réel ne ressemble pas au tutoriel. Disons que tu es journaliste pigiste et que tu viens d’enregistrer une interview téléphonique de 24 minutes avec une source — appelons-la Nadia, gérante d’un garage automobile à Lyon — au sujet de l’extension de la zone à faibles émissions (ZFE) qui menace de rendre son activité de réparation de vieux diesels non viable. Deux locuteurs, toi qui poses la plupart des questions, un son correct malgré un peu de bruit ambiant. Une interview aussi banale que possible.

Étape 1 : bien enregistrer (sinon tu te bats avec la transcription après coup)

Avant même de toucher à Gemini, c’est l’enregistrement lui-même qui décide de la qualité de ta transcription. Quelques trucs qui comptent plus qu’on ne le pense :

• Utilise un micro externe ou cravate si tu peux. Un micro clippé à 15-30 centimètres de la bouche bat largement un téléphone posé sur une table. Si c’est un appel, demande à la personne de mettre des écouteurs avec micro plutôt que le haut-parleur.
• Choisis une pièce calme sans surfaces dures. L’écho sur du carrelage ou du verre perturbe la séparation des locuteurs plus qu’on ne l’imagine — le modèle distingue les voix par leur motif acoustique, et la réverbération brouille ce motif.
• Fais dire son nom à chaque personne en début d’enregistrement. « Bonjour, ici Nadia », « Et moi c’est Camille » — trente secondes qui ancrent les labels avant que la vraie conversation démarre.
• Une seule personne parle à la fois. Les prises de parole qui se chevauchent sont, de loin, la première cause de mauvaise diarisation (le terme technique pour « comprendre qui dit quoi »). On y revient plus loin.
• Enregistre en double. Un dictaphone de téléphone qui tourne en parallèle de ton enregistreur principal ne coûte rien et te sauve la mise quand le principal plante. Ça arrive plus souvent qu’on ne l’avoue.

Rien de tout ça n’est spécifique à Gemini — c’est le même conseil qu’un transcripteur chevronné te donnerait avant même l’existence des smartphones. L’IA n’a pas supprimé le besoin d’une bonne matière première. Elle a juste rendu une mauvaise matière première un peu plus pardonnable qu’avant.

Étape 2 : uploader le fichier sur Gemini

Va sur gemini.google.com (ou ouvre l’appli Gemini) et démarre une nouvelle conversation. Clique sur l’icône de trombone, et uploade ton fichier audio ou vidéo. Gemini gère sans problème les formats courants comme MP3, M4A et WAV, et la vidéo fonctionne aussi si ton « interview » était en réalité un appel Zoom.

Un chiffre à retenir avant d’uploader : la durée du fichier compte plus que sa taille. La documentation officielle de Google pour le modèle sous-jacent plafonne le traitement standard à environ une heure, mais ce plafond redescend à environ trente minutes dès que tu demandes spécifiquement des labels de locuteurs ou des timestamps au mot près — ce qui, dans notre cas, est toujours ce qu’on veut. En pratique, si ton interview est longue, prévois de la découper en morceaux de moins de trente minutes plutôt que d’uploader le tout d’un coup en espérant que ça passe.

Étape 3 : demander précisément ce que tu veux (c’est là que tout le monde se plante)

Voici l’erreur qui fait abandonner les gens après un seul essai : ils uploadent le fichier et tapent « transcris ça ». Gemini va le faire — mais par défaut, il peut nettoyer le texte en une belle prose sans labels, ou étiqueter les locuteurs de façon incohérente si tu ne précises pas. Il faut être explicite. Voici le prompt qui fonctionne vraiment :

Transcribe this audio verbatim, word for word, including filler
words. Label each speaker as "Speaker 1" and "Speaker 2" based on
their voice, and start a new line every time the speaker changes.
Include a rough timestamp every time the speaker changes.

Ce mot « verbatim » fait tout le boulot. Gemini peut tourner en mode « propre » qui retire les « euh » et les faux départs pour la lisibilité — ce qui est très bien pour certains usages, comme transformer un mémo vocal en note soignée. Mais le mode propre et l’étiquetage des locuteurs ne font pas très bon ménage dans la version actuelle : la diarisation ne s’active de façon fiable que quand tu demandes la version brute, non retravaillée. Demande le verbatim d’abord. Le nettoyage vient après, une fois la carte des locuteurs bien fixée.

Étape 4 : ce que tu récupères vraiment

Voici un extrait représentatif de cette interview avec Nadia — reconstitué pour te montrer exactement à quoi ressemble le format de sortie, labels compris :

[00:00] Speaker 1 : Merci encore de prendre le temps. On peut
commencer par : depuis combien de temps vous avez le garage ?

[00:04] Speaker 2 : Oui, bien sûr. Alors on a ouvert en, euh,
2018, juste avant, enfin, juste avant que tout parte en vrille
avec le diesel. Donc ça fait — huit ans maintenant, c'est fou
de le dire à voix haute.

[00:21] Speaker 1 : Et vous avez entendu parler de l'extension
de la ZFE quand exactement ?

[00:24] Speaker 2 : Franchement ? Un client me l'a dit avant la
mairie. Ce qui, enfin, ça en dit long quand même. J'ai découvert
ça par un flyer qu'un client a apporté, et après j'ai dû aller
fouiller l'arrêté moi-même parce que personne de la mairie
m'a contactée directement.

[00:43] Speaker 1 : Ça vous a fait quoi en le lisant ?

[00:45] Speaker 2 : J'étais — bon, je vais être honnête, j'étais
plutôt en colère. Parce que la nouvelle norme Crit'Air rend
carrément la moitié de mon parc de véhicules de prêt non
conforme, et personne n'a expliqué ce que ça change pour les
garages existants par rapport à ceux qui s'installent.

Remarque tout ce que Gemini a bien capté ici : les mots de remplissage préservés (« euh », « enfin »), un faux départ et son autocorrection rendus fidèlement (« juste avant, enfin, juste avant »), une pause représentée naturellement par un tiret, et — le point qui compte le plus — une attribution des locuteurs correcte et cohérente sur quatre échanges, sans un seul mélange. Pour un enregistrement propre à deux voix comme celui-ci, c’est vraiment proche de ce que te rendrait un transcripteur professionnel.

Source : Google AI for Developers

Étape 5 : nettoyer

Une fois que tu as un brouillon verbatim avec labels de locuteurs, décide du niveau de nettoyage dont tu as vraiment besoin. Pour une transcription destinée aux notes d’un podcast, tu voudras peut-être virer les mots de remplissage — recolle la version verbatim dans un nouveau prompt et demande à Gemini de « nettoyer les mots de remplissage et les faux départs en gardant exactement le même sens et la même structure ». Pour une interview de recherche destinée à un outil de codage comme NVivo, tu voudras probablement garder le verbatim, parce que le ton et l’hésitation sont parfois eux-mêmes des données.

Dans tous les cas, fais une relecture toi-même : parcours le texte en écoutant à vitesse 1,25x-1,5x, en repérant ce qui « sonne juste » à l’oreille mais se lit mal sur la page. C’est pas du travail optionnel — c’est exactement l’étape de vérification que tout guide de transcription, IA ou pas, recommande, parce que même une transcription fiable à 95 % cache toujours ce 5 % restant quelque part, souvent dans un nom propre ou un chiffre.

Étape 6 : exporter

Il n’y a pas de bouton « exporter en .docx » intégré — Gemini est une interface de chat, pas une appli de transcription dédiée. Sélectionne tout, copie, colle dans un Google Doc ou un fichier Word. Si tu piques des citations pour un article, c’est aussi le moment d’horodater tes meilleures phrases dans une note à part, pour ne pas devoir relire toute la transcription plus tard à la recherche de cette phrase parfaite.

Gemini Transcribe vs Otter, Rev et Descript : la comparaison honnête

C’est le tableau que la plupart des articles français sur « transcrire de l’audio en texte gratuitement » ne te montrent pas, parce que ce qui ressort sur cette requête est souvent écrit par les outils eux-mêmes, ou par des affiliés payés pour les recommander. Voici comment les chiffres se comparent réellement, sur la base des tarifs publiés par chaque éditeur en août 2026.

*Pratiquement illimité mois après mois, mais chaque fichier individuel doit rester sous les trente minutes environ si tu veux des labels de locuteurs — donc une longue interview veut dire découper en morceaux, pas un unique upload illimité en continu.

Quelques points à préciser clairement plutôt que de les enterrer dans le tableau. Les 300 minutes gratuites d’Otter paraissent généreuses jusqu’à ce que tu lises les petites lignes : seulement trois imports de fichiers à vie sur l’offre gratuite, jamais renouvelés — pas par mois. Si tu transcris plus de trois interviews pré-enregistrées au total, tu passes à la caisse ou tu changes d’outil, peu importe combien de tes 300 minutes il te reste. L’offre gratuite de Rev est la plus maigre en volume (45 minutes, anglais uniquement), parce que le vrai métier de Rev, c’est la transcription humaine et professionnelle à partir de deux dollars la minute — le palier IA gratuit, c’est un échantillon, pas un workflow. L’offre gratuite de Descript est franchement sympa si tu fais du montage façon podcast en supprimant du texte pour couper l’audio, mais ses crédits IA pour les fonctions de nettoyage sont à usage unique, pas mensuels.

Source : Otter.ai

Le vrai avantage de Gemini, c’est pas qu’il est plus précis que ces outils-là — il n’existe à ce jour aucun benchmark indépendant, sur audio identique, opposant directement Gemini 3.5 Transcribe à Otter, Rev ou Descript, et chaque éditeur communique ses propres chiffres de taux d’erreur sur ses propres jeux de test. Google annonce environ 2,6 % de taux d’erreur mot sur de l’audio propre non-streamé, ce qui est dans la moyenne haute du secteur, mais « dans la moyenne haute » et « clairement meilleur » sont deux affirmations différentes, et personne ne devrait te dire le contraire sans sourciller. Le vrai avantage de Gemini, c’est que ça coûte zéro euro, qu’il n’y a pas de plafond d’import, et que tu as probablement déjà le compte.

Et côté RGPD, y a une alternative française qui mérite d’être citée. Otter, Rev et Descript sont des sociétés américaines : tes enregistrements transitent par des serveurs aux États-Unis, ce qui pose un vrai problème de conformité pour beaucoup de rédactions et de cabinets français attentifs au RGPD. Des outils comme FastScribe existent justement pour ça — transcription native en français, hébergement européen, conformité RGPD annoncée, avec un résumé structuré en plus. Je n’ai pas de tarifs précis à te donner ici (le marché bouge vite), mais si l’hébergement des données est ton critère numéro un et que le budget suit, c’est une piste à creuser avant de signer avec un éditeur américain. Et Gemini, sur ce point précis ? Il ne fait pas mieux — Google traite lui aussi les données hors Europe et les utilise par défaut pour l’entraînement sur les comptes grand public. On y revient juste après.

Le vrai arbitrage se joue ailleurs, sur la confidentialité des données. Lis la section suivante avant d’uploader quoi que ce soit de sensible.

Ce que ça veut dire pour toi : 7 profils de lecteurs

Si tu es journaliste pigiste avec un bouclage serré. Utilise ça pour des interviews de routine, non sensibles, où la vitesse compte plus que la confidentialité parfaite — un candidat au conseil municipal, un porte-parole d’entreprise, quelqu’un qui serait à l’aise de savoir que l’enregistrement a transité par les serveurs de Google. Le calcul est simple : une interview téléphonique de 25 minutes qui te bouffait une heure de soirée prend maintenant dix minutes d’upload et de relecture, et c’est une heure de récupérée pour l’écriture elle-même. Ta première action : avant ta prochaine interview, teste le prompt verbatim + labels de locuteurs sur un enregistrement de deux minutes avec un ou une collègue, pour ne pas découvrir le workflow en direct un jour de bouclage.

Si tu es podcasteur ou podcasteuse et que tu prépares tes notes d’épisode. C’est quasiment le cas d’usage parfait — deux ou trois voix, un son de studio correct, pas d’enjeu de confidentialité. Demande d’abord la version verbatim pour bien fixer les labels de locuteurs, puis fais une deuxième passe de nettoyage pour virer les mots de remplissage sur ta page de notes ou ton récap de blog. Si tu publies les transcriptions complètes de tes épisodes pour le référencement (une vraie bonne pratique, puisque les transcriptions sont indexées et cherchables), ce workflow t’y amène sans une facture mensuelle Otter ou Descript qui grignote les revenus pub d’un show pas encore monétisé. Ta première action : transcris l’audio brut de ton prochain épisode avant montage, pour pouvoir extraire tes meilleures citations pour les réseaux sociaux pendant que l’épisode est encore frais.

Si tu es chercheur ou chercheuse en sciences humaines et que tu mènes des entretiens qualitatifs. Sois prudent ici — les participants dévoilent souvent des choses sous couvert de confidentialité que ton comité d’éthique ou la politique RGPD de ton labo promet de protéger, et le palier grand public de Gemini prévoit par défaut une revue humaine et une utilisation pour l’entraînement des modèles. Ce n’est pas une raison d’éviter l’IA en transcription complètement — c’est une raison de vérifier quel compte tu utilises avant de commencer. Ta première action : vérifie si ton établissement dispose d’un compte Google Workspace avec garanties de non-utilisation pour l’entraînement avant d’uploader un seul entretien de participant sur un compte Gemini personnel — la différence entre un compte perso et un compte Workspace, c’est la différence entre « relu par un prestataire » et « exclu contractuellement de toute relecture ».

Si tu es en RH et que tu mènes des entretiens de départ (« entretiens de sortie »). N’utilise pas Gemini grand public pour ça. Point final. Les entretiens de sortie contiennent régulièrement des détails de rémunération, des signalements de harcèlement et d’autres éléments que ton service juridique ne voudrait certainement pas voir traîner dans les données d’entraînement d’un tiers ou relus par un prestataire — le risque ici dépasse largement le temps économisé. Ta première action : si ton entreprise dispose de Google Workspace Enterprise, vérifie ses conditions contractuelles de non-entraînement avant même d’envisager ça — sinon, utilise un prestataire de transcription dédié et conforme, pensé pour exactement ce type de responsabilité.

Si tu es réalisateur ou réalisatrice de documentaire en phase de dérushage. Excellent cas d’usage pour un premier passage de repérage — tu ne publies pas la transcription brute, tu t’en sers pour retrouver, dans six heures de rushes, la citation que tu cherches, vite, sans payer au tarif minute pour des heures de rush qui finiront pour la plupart sur la table de montage. Une fois tes moments-clés identifiés grâce à la transcription gratuite, tu peux envoyer uniquement ces extraits à un prestataire certifié payant si tu as besoin d’une précision broadcast pour le montage final. Ta première action : fais passer ton interview la plus longue et la plus difficile (celle avec du cross-talk ou un accent qui t’inquiète) en premier, pour voir exactement où ça coince avant de compter dessus pour le reste de tes rushes.

Si tu travailles pour une association qui recueille des témoignages ou de l’histoire orale. Ça dépend entièrement de ce que tu as promis à tes témoins en matière de confidentialité — les projets d’histoire orale avec des personnes âgées ou des survivants de traumatismes portent souvent des engagements de confidentialité explicites qu’une politique de données d’IA grand public par défaut violerait, et cette confiance-là, une fois rompue, ne revient pas. Pour des projets où les témoins ont donné un consentement large pour une archive publique (un projet d’histoire locale destiné à une médiathèque, par exemple), le calcul s’inverse, et la transcription gratuite te permet d’enregistrer et de préserver bien plus de témoignages qu’un budget facturé à la minute ne le permettrait. Ta première action : obtiens un consentement éclairé qui nomme explicitement l’outil de transcription et sa politique de données, ou n’utilise pas cet outil pour ce projet-là.

Si tu es chargé ou chargée d’études UX menant des entretiens utilisateurs. Même prudence que pour la recherche académique, mais avec un enjeu commercial en plus — les participants partagent parfois des retours sur des fonctionnalités non annoncées ou des données d’usage sensibles sous NDA, et ta politique de confidentialité produit engage ton entreprise, pas juste toi. Ta première action : vérifie avec ton service juridique ou ta direction produit si un compte Workspace avec garanties contractuelles est déjà disponible en interne avant de lancer le premier entretien utilisateur dessus — c’est souvent déjà le cas et personne ne le sait.

Cas particuliers et dépannage

Bruit de fond ou environnement bruyant. Gemini gère raisonnablement bien un bruit de fond modéré — c’est explicitement conçu pour fonctionner dans des « environnements bruyants », selon la documentation de Google — mais un bruit important dégrade quand même à la fois la précision des mots et la séparation des locuteurs. Solution : si tu as le moindre contrôle sur l’environnement d’enregistrement, utilise-le. Après coup, il n’y a pas grand-chose à faire à part une relecture manuelle des passages les plus bruyants.

Locuteurs qui se chevauchent (cross-talk). C’est la première cause d’erreurs de transcription, tous outils confondus, IA ou humains, et Gemini ne fait pas exception. Quand deux personnes parlent en même temps, le modèle doit deviner, et il fusionne souvent les propos sur un seul locuteur ou perd carrément des mots. Solution : ça se règle à l’enregistrement — instaure une règle « on se laisse finir » avant de démarrer, surtout dans une interview vive et animée.

Plus de trois locuteurs. La documentation même de Google signale l’attribution des locuteurs comme « expérimentale » au-delà de trois voix, même si le plafond technique annoncé va jusqu’à huit. Une table ronde ou un entretien de groupe, c’est exactement là où les labels commencent à dériver — Speaker 2 devenant mal étiqueté en Speaker 3 en cours de route. Solution : pour un entretien de groupe, fais dire son nom à chaque personne régulièrement pendant l’enregistrement, pas seulement au début, et prévois plus de correction manuelle.

Accents marqués ou variantes régionales. Google annonce une prise en charge des accents et variantes régionales dans le cadre de sa couverture 85+ langues, et il fait effectivement mieux que la plupart des outils d’il y a deux ans sur ce point. Mais des tests en conditions réelles depuis le lancement ont révélé des faiblesses — le changement de langue en cours de phrase (par exemple arabe avec des termes techniques en anglais) a produit des mots brouillés ou perdus dans les premiers retours. Solution : si ton interlocuteur mélange régulièrement les langues, précise-le explicitement dans ton prompt plutôt que de compter sur la détection automatique.

Des fichiers longs qui s’arrêtent en cours de route. Certains premiers utilisateurs ont signalé avoir uploadé un fichier de 20 minutes et récupéré une transcription qui s’arrête mystérieusement à 5 minutes, en particulier quand la diarisation est activée. Solution : découpe tout ce qui dépasse 20-25 minutes en morceaux avant d’uploader, et vérifie toujours la fin de la sortie pour confirmer qu’elle couvre bien l’intégralité de l’enregistrement avant de t’y fier.

Audio en langue étrangère. La couverture des 85+ langues n’est pas uniforme — certains utilisateurs comparant Gemini à des outils spécialisés dans une langue précise (comme Soniox pour le japonais) ont trouvé l’outil spécialisé plus rapide et plus précis sur de la parole informelle rapide dans cette langue. Solution : pour des langues autres que le français ou l’anglais, fais un court test avant de lancer toute ton interview dessus, et garde une alternative spécialisée sous le coude si le résultat déçoit.

Locuteurs mal attribués. Même sur un audio propre à deux voix, une ligne se retrouve de temps en temps assignée au mauvais locuteur, généralement juste après une longue pause ou une interjection très courte comme « ouais » ou « mmh ». Solution : c’est exactement le rôle de la relecture de l’Étape 5 — lis en écoutant, et corrige les erreurs d’étiquetage au fur et à mesure.

Upload via la mauvaise interface. Quelques retours de développeurs ont montré que faire transiter l’audio par certains outils tiers construits sur Gemini envoie parfois le fichier vers un modèle de chat généraliste plutôt que vers le modèle de transcription dédié, ce qui donne de moins bons résultats (noms d’entreprise mal compris, noms propres brouillés) qu’un upload direct via gemini.google.com ou l’appli Gemini. Solution : pour tout ce qui compte vraiment, utilise l’appli ou le site officiel Gemini directement plutôt qu’un wrapper tiers.

Jargon technique ou noms propres inhabituels. Si ton interview est pleine de termes spécifiques à un secteur, de noms de produits ou d’orthographes de noms peu communes, attends-toi à quelques ratés au premier passage — le modèle devine l’orthographe d’après ce qu’il entend, comme le ferait un transcripteur humain qui ne connaît pas ton domaine. Solution : mentionne les noms ou termes inhabituels dans ton prompt avant de transcrire (« l’entreprise s’appelle Duskr, D-U-S-K-R »), ou demande à ton interlocuteur d’épeler tout ce qui est inhabituel directement sur l’enregistrement.

Qualité d’un appel téléphonique. Un audio d’appel téléphonique compressé, surtout sur une connexion instable, c’est une entrée plus difficile qu’un enregistrement numérique propre, et ça se voit surtout sur la séparation des locuteurs plutôt que sur la précision brute des mots — un son étouffé rend deux voix plus similaires qu’elles ne le sont réellement. Solution : quand c’est possible, enregistre les interviews téléphoniques via un service qui isole chaque interlocuteur sur une piste séparée (beaucoup d’applis d’enregistrement d’appels pour journalistes le font) plutôt qu’un enregistrement fusionné sur une seule ligne.

Ce qu’il ne peut pas faire

Soyons clairs sur les limites, parce qu’un guide qui ne raconte que les bonnes nouvelles ne vaut pas ton temps.

Ce n’est pas du sous-titrage en temps réel pour une conversation en direct — du moins pas via ce workflow grand public. Gemini a un mode de streaming en direct séparé, pensé pour les développeurs, mais la version app que la plupart des gens vont utiliser fonctionne en upload-puis-transcription, pas en sous-titrage simultané.

Ça ne produit pas de transcription certifiée à valeur légale. Si tu as besoin d’une transcription qui tienne devant un tribunal ou qui satisfasse une exigence de certification, c’est le vrai métier de Rev (transcription humaine assermentée) — pas un outil IA grand public gratuit, et personne ne devrait prétendre le contraire.

Ça ne gère pas de façon fiable le cross-talk important ou les conversations à plusieurs. Comme on l’a vu plus haut, ça se dégrade vite au-delà de deux ou trois locuteurs bien distincts, et il n’existe aucun réglage qui corrige ça — c’est une limite structurelle de la façon dont la diarisation fonctionne actuellement.

Ce n’est pas un outil garanti confidentiel pour du contenu sensible. Sur un compte Google personnel, le comportement par défaut, c’est la revue humaine et l’utilisation pour l’entraînement des modèles. Ce n’est pas un piège caché — Google le mentionne clairement — mais c’est la limite la plus importante pour toute personne qui transcrit des interviews de sources confidentielles, des entretiens sensibles, ou tout ce qui est couvert par une promesse de confidentialité.

Ça ne formate ni n’exporte de document soigné à ta place. Tu récupères du texte dans une fenêtre de chat. Le transformer en transcription formatée avec en-têtes, timecodes et mise en forme propre, c’est encore à toi de le faire — ou via un prompt séparé demandant à Gemini de reformater ce qu’il a déjà donné.

FAQ

Gemini Transcribe est vraiment gratuit, ou y a un piège caché ? C’est gratuit via l’appli Gemini et gemini.google.com avec un compte Google classique — pas d’abonnement, pas de crédit de minutes. Le « piège », c’est plutôt un arbitrage : ton audio peut être revu par des humains et utilisé pour entraîner les modèles de Google par défaut, ce qui compte beaucoup pour des interviews sensibles et pas grand-chose pour des interviews de routine.

Combien de locuteurs sait-il distinguer ? La documentation de Google annonce une prise en charge jusqu’à 8 locuteurs, mais signale explicitement que l’attribution à partir de 3 locuteurs ou plus est « expérimentale ». En pratique, c’est le plus fiable avec deux voix, et ça se fragilise nettement au-delà de trois.

Je peux avoir une transcription sans labels de locuteurs, juste du texte propre ? Oui — c’est même le comportement par défaut si tu ne demandes pas spécifiquement le verbatim avec labels de locuteurs. Demande simplement à Gemini de « nettoyer ça en texte lisible » au lieu du prompt verbatim ci-dessus.

Ça marche sur des fichiers vidéo, pas juste de l’audio ? Oui. Uploade une vidéo de la même façon qu’un audio — un enregistrement Zoom, une vidéo filmée au téléphone lors d’un entretien en présentiel — et Gemini transcrira la piste audio parlée.

Que se passe-t-il si mon interview dure plus de 30 minutes ? Découpe-la en morceaux de moins de trente minutes environ avant d’uploader si tu veux des labels de locuteurs ou des timestamps inclus. La transcription standard sans ces fonctions peut gérer jusqu’à environ une heure en un seul fichier.

C’est mieux qu’Otter ou Rev ? « Mieux » dépend de ce que tu optimises. C’est gratuit sans plafond d’import, ce que ni l’offre gratuite d’Otter ni celle de Rev ne peuvent égaler. Ce n’est pas forcément plus précis — aucun benchmark indépendant ne les a comparés directement sur un audio identique — et ça n’offre pas l’option de transcription humaine de Rev pour une précision de niveau juridique.

Je peux lui confier une interview confidentielle avec une source protégée ? Pas sur un compte Google personnel, non — pas sans désactiver explicitement l’activité des applis Gemini ou utiliser d’abord un chat temporaire, et même dans ce cas, sache que Google indique conserver certaines données pendant une courte fenêtre malgré tout. Pour du contenu réellement sensible, traite ça comme n’importe quel outil cloud : considère que ce n’est pas privé, sauf confirmation explicite du contraire. En France, la protection du secret des sources est un cadre légal précis (loi du 4 janvier 2010) — ce cadre protège tes relations avec ta source vis-à-vis de tiers extérieurs, mais il ne t’engage à rien vis-à-vis de l’éditeur de l’outil que tu choisis d’utiliser. C’est à toi de faire ce choix en amont, pas après coup.

Ça coûte quelque chose si je passe par l’API plutôt que par l’appli ? Oui, si tu es développeur et que tu construis sur l’API plutôt que d’utiliser l’appli grand public — le tarif tourne autour d’un demi-centime de dollar par minute pour le traitement standard. Les utilisateurs classiques qui passent par gemini.google.com ou l’appli Gemini ne paient rien.

Quels formats audio sont acceptés ? Les formats courants comme MP3, M4A et WAV fonctionnent sans souci, ainsi que les formats vidéo standards si tu uploades un appel enregistré ou une interview filmée.

Il faut payer Gemini Advanced ou un abonnement Pro pour utiliser ça ? Non. Ça fonctionne avec un compte Google gratuit classique, via l’appli Gemini standard et gemini.google.com — aucun abonnement Gemini Advanced ou Google One AI Premium requis pour la fonctionnalité de transcription elle-même.

Ça marche pour un cours magistral, une table ronde ou une réunion de groupe ? Ça produira une transcription, mais traite les labels de locuteurs avec méfiance au-delà de deux ou trois voix — la documentation même de Google qualifie l’attribution à 3+ locuteurs d’expérimentale, et en pratique, les tables rondes et réunions à plusieurs sont exactement là où le mauvais étiquetage apparaît le plus. Pour un cours magistral à un seul intervenant, la précision de transcription tient très bien puisqu’il n’y a aucun problème de diarisation à résoudre.

En résumé

Les outils de transcription payants n’ont pas tort de dire qu’une transcription étiquetée par locuteur, ça vaut le coup de payer pour ça — ils ne sont juste plus le seul endroit où en obtenir une. Si tes interviews sont de routine, ton audio raisonnablement propre, et que tu ne traites pas un sujet qui exige une confidentialité absolue, Gemini te donnera une transcription vraiment exploitable, gratuitement, et plus vite que de taper « comment transcrire une interview » dans une barre de recherche et de cliquer sur trois pages de tarifs avant de te décider.

Si tu fais ce genre de travail régulièrement — extraire du sens de conversations, structurer ce que les gens te racontent en quelque chose d’exploitable — c’est une compétence qui va bien au-delà d’un seul outil gratuit. Notre cours L’IA pour les Journalistes déroule un vrai workflow de l’enregistrement à l’article publié, vérification des citations comprise. Et notre cours Recherche et Apprentissage avec l’IA couvre le pipeline qui va de l’entretien à l’analyse, celui que chercheurs et chargés d’études utilisent au quotidien, outils IA inclus.

Sources

1. Google — Intelligent transcription with Gemini 3.5 Transcribe
2. Google AI for Developers — Gemini 3.5 Transcribe model docs
3. Google AI for Developers — Audio transcription guide
4. Blog du Modérateur — Gemini peut désormais transcrire des fichiers audio : comment ça marche
5. Journal du Net — Prompt pour transcrire un fichier audio avec Gemini 2.5 Pro dans Google AI Studio
6. Journal du Net — Prompt pour transcrire une fichier audio ou une vidéo avec Gemini 2.5 Pro dans Google AI Studio
7. Influencia — Journalisme : vers des médias produits par l’IA et des journalistes recentrés sur le fond ? (Baromètre Comfluence 2026)
8. Google — Gemini Apps Privacy Hub
9. Otter.ai — Pricing
10. Rev — Subscription Plans + Per-Minute Pricing
11. Descript — Pricing
12. AssemblyAI — Benchmarks
13. Légifrance — Loi n° 2010-1 du 4 janvier 2010 relative à la protection du secret des sources des journalistes