Qu’est-ce que le taux d’erreur de mots (WER) ? La mesure expliquée (2026)

Réponse rapide : le taux d’erreur de mots (WER, pour word error rate) est l’étalon standard de la précision d’une transcription. Il compte les trois façons dont un transcript peut se tromper — un mot remplacé, un mot supprimé, un mot inséré — et divise ce total par le nombre de mots réellement prononcés. Un WER de 10 % signifie qu’environ un mot sur dix est faux. La définition cache trois surprises : le WER peut dépasser 100 %, un même transcript peut obtenir deux scores différents selon la façon dont le texte a été normalisé avant le comptage, et le chiffre ne veut rien dire sans savoir sur quel audio il a été mesuré. Et pour les langues qui s’écrivent sans espaces, comme le japonais et le chinois, le secteur passe au taux d’erreur de caractères (CER) — un indicateur différent que les éditeurs citent souvent comme s’il s’agissait du même.

Ce guide a été écrit par l’équipe LoroNote le 26 août 2026. LoroNote exécute Whisper Large V3 Turbo sur l’appareil : les chiffres de WER décident donc de ce que nous construisons et de ce que nous affirmons — et chaque chiffre ci-dessous provient de l’article publié par OpenAI, de ses fiches de modèle ou de l’Open ASR Leaderboard public, tous liés à la fin. Aucun n’est notre propre mesure.

La formule : trois façons de se tromper

Le WER compare deux textes : la référence (ce qui a réellement été dit, transcrit par un humain attentif) et l’hypothèse (ce que la machine a produit). Chaque différence entre les deux tombe dans l’une de trois catégories :

• Substitution (S) — un mot remplacé par un autre
• Suppression (D) — un mot prononcé absent du transcript
• Insertion (I) — un mot du transcript que personne n’a dit

Le score est le total des trois divisé par le nombre de mots de la référence :

WER = (S + D + I) / N, où N est le nombre de mots prononcés — pas le nombre de mots du transcript.

Un exemple concret. Quelqu’un dit : « envoyez le rapport à Priya avant vendredi matin » — huit mots. Le transcript indique : « envoyez un rapport à Prisha avant vendredi ». Cela fait deux substitutions (le → un, Priya → Prisha) et une suppression (matin) : trois erreurs sur huit mots, soit un WER de 37,5 %. Remarquez ce que l’exemple glisse au passage : le nom déformé est l’erreur qui vous coûterait réellement quelque chose, et elle compte exactement autant que le devenu un. Nous y revenons plus bas.

Pourquoi le WER peut dépasser 100 %

Les substitutions et les suppressions sont plafonnées par la longueur de la référence — on ne peut pas supprimer plus de mots qu’il n’en a été prononcé. Les insertions, non. Un modèle génératif de reconnaissance vocale placé devant un passage quasi silencieux peut inventer des phrases entières, et chaque mot inventé est une insertion comptée face à une référence de presque zéro mot. Cela pousse le WER au-delà de 100 %, ce qui n’est pas un bug d’arrondi mais la formule qui fonctionne comme prévu. C’est aussi pourquoi l’hallucination — un comportement documenté de Whisper sur le silence, le bruit et la musique — compte davantage que sa part du WER moyen ne le suggère ; nous avons comparé comment deux architectures de modèle diffèrent précisément là-dessus dans Parakeet V3 vs Whisper Large V3.

Le WER face au « précis à 99 % »

Les éditeurs mettent rarement en avant un taux d’erreur ; ils mettent en avant une précision. La conversion est simple — la précision vaut environ 100 % moins le WER — mais le cadrage travaille en silence. « Précis à 99 % » sonne comme une propriété du produit. Or un WER ne décrit jamais un produit que sur un corpus de test donné, et la bannière de précision n’en nomme presque jamais un. Le même moteur qui obtient 97 % sur de la parole lue propre, micro proche, peut tomber à 84 % sur une réunion enregistrée de loin sans que rien ne change dans le logiciel. Une affirmation de précision chiffrée sans corpus de test nommé est une décision publicitaire, pas une évaluation.

La règle pratique : chaque fois que vous croisez un pourcentage de précision, soustrayez-le de 100 et demandez « sur quel audio ? ». Si la réponse n’est pas publiée, le chiffre ne peut être comparé à rien — pas même au chiffre du même éditeur l’année précédente.

Toutes les erreurs ne coûtent pas pareil — et le WER l’ignore

Le WER est délibérément démocratique : un « euh » perdu et un nom de médicament erroné comptent chacun pour un. Cette neutralité est ce qui rend l’indicateur objectif et comparable d’un système à l’autre, et c’est aussi sa limite la plus connue. Un transcript avec cinq mots de remplissage déformés et un transcript avec cinq noms de clients déformés ont le même WER et des conséquences très différentes.

Les équipes d’évaluation contournent parfois le problème avec des métriques pondérées par mots-clés ou des taux d’erreur sur les entités, mais les chiffres phares que vous rencontrerez — dans les articles, sur les classements, dans le marketing — sont presque toujours du WER brut. La conséquence pratique pour qui choisit un outil de transcription : après tout test, lisez les erreurs elles-mêmes au lieu de vous arrêter au décompte. L’endroit où tombent les erreurs compte plus que leur nombre.

La normalisation : pourquoi un même modèle obtient deux scores

Avant tout comptage, la référence et l’hypothèse sont normalisées : mises en minuscules, débarrassées de la ponctuation, avec les nombres, contractions et graphies unifiés — « vingt-six » est-il une erreur face à « 26 » ? « c’est » face à « cela est » ? Chaque évaluation répond à ces questions avec ses propres règles, et les règles déplacent le score.

OpenAI a jugé la question assez importante pour livrer un normaliseur de texte dédié aux côtés de Whisper et consacrer une annexe de l’article Whisper à la façon dont ses choix modifient le WER mesuré. Sur un benchmark comme LibriSpeech, les seules différences de normalisation peuvent déplacer le chiffre publié d’un modèle de plus d’un point de pourcentage — soit à peu près la taille de l’écart que bien des comparaisons directes prétendent avoir trouvé.

C’est pourquoi nous répétons la même mise en garde à travers ce blog, en dernier lieu dans la comparaison Apple SpeechAnalyzer : des chiffres de WER issus de deux évaluations publiées séparément sont un contexte approximatif, pas un verdict. La seule comparaison propre, ce sont deux systèmes notés dans la même passe, sur le même audio, avec le même normaliseur.

Un WER ne veut rien dire sans son corpus de test

Le benchmark vocal le plus cité, LibriSpeech, est construit à partir de livres audio du domaine public et découpé en deux moitiés dont les noms disent tout : test-clean (enregistrements clairs, locuteurs faciles) et test-other (le reste, plus difficile). Un seul corpus, deux conditions — et chaque modèle obtient un score visiblement moins bon sur la seconde. Cette structure est toute la leçon du WER en miniature : l’audio fait partie du chiffre.

Les chiffres publiés pour les grands modèles Whisper font la même démonstration à pleine échelle. Sur de la parole lue propre, un seul locuteur, ils atteignent environ 2–3 % de WER. En moyenne sur huit corpus anglais variés de l’Open ASR Leaderboard, environ 7,4 %. Sur des enregistrements de réunion à micros éloignés avec voix qui se chevauchent, autour de 16 %. Sur une langue peu dotée comme le hindi, les chiffres publiés avoisinent 27 %. Les mêmes poids, un ordre de grandeur d’écart — nous avons parcouru cette échelle barreau par barreau dans Quelle est la précision de Whisper ?

Le corpus de test peut aussi masquer un autre piège : quel modèle a réellement été testé. Le benchmark devenu viral en 2026, affirmant que le nouveau moteur d’Apple battait Whisper, avait mesuré Whisper Small — plusieurs tailles en dessous des modèles que les applications sur appareil exécutent réellement. Le chiffre du titre était vrai ; la comparaison ne l’était pas.

Quand le « mot » ne fonctionne plus : le CER pour le japonais, le chinois et le coréen

Le WER suppose qu’on peut découper une phrase en mots à l’œil nu. Le japonais et le chinois s’écrivent sans espaces : « combien de mots compte cette phrase » est en soi une décision de modélisation — deux segmenteurs donnent deux comptes différents, et le taux d’erreur hérite du désaccord. Pour ces langues, les évaluations passent au taux d’erreur de caractères (CER) : la même arithmétique substitution-suppression-insertion, appliquée par caractère plutôt que par mot. La fiche du modèle Whisper Large V3 d’OpenAI rapporte elle-même un CER plutôt qu’un WER pour des langues comme le japonais, le chinois, le coréen et le thaï.

Le coréen est le cas intermédiaire instructif : il a des espaces, mais les particules s’attachent aux mots qu’elles suivent, et des variations d’espacement parfaitement légitimes déplacent les frontières de mots sans changer le sens — un comptage au mot pénalise donc des différences qu’aucun lecteur n’appellerait des erreurs, et le comptage au caractère y est aussi le choix le plus stable.

L’avertissement pratique : un CER de 5 % et un WER de 5 % ne sont pas la même affirmation. Les scores au caractère sont numériquement plus bas que les scores au mot sur la même sortie, parce qu’un mot faux contient généralement encore plusieurs caractères justes. Un tableau de précision multilingue qui mélange discrètement les deux métriques — et beaucoup le font — n’est pas comparable entre ses propres lignes. Cela nous concerne directement : LoroNote transcrit plus de 100 langues sur l’appareil, et « quelle est sa précision dans ma langue » ne trouve de réponse qu’une fois que vous savez quelle métrique sert, au départ, à mesurer votre langue.

Mesurez votre propre WER en dix minutes

Chaque chiffre ci-dessus a été mesuré sur l’audio de quelqu’un d’autre. Le test qui répond à votre question tourne sur le vôtre, et il n’exige rien de plus qu’un éditeur de texte :

1. Enregistrez environ deux minutes d’audio représentatif. Même pièce, même distance au micro, même langue, vrais noms propres et vrai jargon — le test n’est honnête que si l’échantillon l’est.
2. Transcrivez-le avec l’application que vous évaluez.
3. Fixez vos règles avant de compter. C’est l’étape que tout le monde saute, et c’est le problème de normalisation vu plus haut en miniature : ignorez la ponctuation et les majuscules, choisissez une convention pour les nombres, et décidez d’avance si les mots de remplissage comptent. N’importe quelles règles conviennent — du moment que vous les fixez avant de regarder la sortie et que vous les gardez identiques pour tester une seconde application.
4. Notez un passage de 200 mots. Comparez le transcript à ce qui a réellement été dit et relevez chaque substitution, suppression et insertion. Divisez par 200. Voilà votre WER, sur le seul benchmark qui ait jamais porté sur votre audio.
5. Puis lisez les erreurs. Cinq mots de remplissage déformés et cinq noms de clients déformés donnent le même score et une journée très différente. Si des noms récurrents échouent systématiquement, ce problème précis a une solution précise — le dictionnaire personnalisé de LoroNote existe pour les termes que le modèle doit cesser de rater.

Comme LoroNote transcrit sur l’appareil et que les deux premières minutes de chaque enregistrement sont gratuites, toute l’expérience ne coûte rien et l’enregistrement ne quitte jamais votre iPhone — pas d’envoi, pas de compte, et le mode Avion ne change rien.

Questions fréquentes

Comment calcule-t-on le taux d’erreur de mots ?

Additionnez les trois types d’erreurs — substitutions, suppressions et insertions — et divisez par le nombre de mots réellement prononcés : WER = (S + D + I) / N. N vient de la référence (ce qui a été dit), pas du transcript, ce qui explique qu’une insertion massive puisse pousser le WER au-delà de 100 %.

Qu’est-ce qu’un bon taux d’erreur de mots ?

Cela dépend entièrement de l’audio. Sur de la parole propre, micro proche, un seul locuteur, les grands modèles actuels atteignent 2–3 % de WER, près du plafond pratique ; sur de l’audio anglais réel et varié, un score de l’ordre de 5 à 10 % est solide ; sur des réunions à micros éloignés avec chevauchements, même les modèles phares tournent autour de 16 %. Un « bon » WER est un WER mesuré sur un audio qui ressemble au vôtre — un éditeur qui cite des chiffres de parole propre pour un usage en salle de réunion répond à une autre question.

Le taux d’erreur de mots peut-il dépasser 100 % ?

Oui. Les insertions ne sont pas limitées par le nombre de mots prononcés : un modèle qui invente du texte — par exemple en hallucinant des phrases pendant un silence — peut accumuler plus d’erreurs que la référence ne compte de mots. Un WER supérieur à 100 % signale presque toujours un problème d’insertion plutôt qu’une mauvaise écoute.

Pourquoi deux évaluations donnent-elles des WER différents pour le même modèle ?

Deux raisons, généralement cumulées : un audio de test différent et une normalisation de texte différente. Les règles de normalisation — la façon d’unifier ponctuation, casse, nombres et contractions avant le comptage — peuvent à elles seules déplacer un chiffre LibriSpeech publié de plus d’un point. Seuls deux systèmes notés dans la même passe d’évaluation se comparent proprement.

Le WER est-il le bon indicateur pour toutes les langues ?

Non. Pour les langues qui s’écrivent sans espaces, comme le japonais et le chinois, les frontières de mots sont ambiguës et les évaluations utilisent le taux d’erreur de caractères (CER) ; le coréen est lui aussi généralement mieux servi par un comptage au caractère. Les valeurs de CER sont numériquement plus basses que le WER sur la même sortie : il ne faut donc jamais comparer les deux directement.

Le WER mesure-t-il si les locuteurs sont correctement identifiés ?

Non. Le WER ne note que les mots. Les attribuer à la bonne personne relève de la diarisation, une étape distincte avec sa propre métrique d’erreur, et un transcript peut avoir un WER très bas tout en attribuant chaque réplique au mauvais locuteur. Comment fonctionne l’identification des locuteurs couvre cette moitié du problème.

Le mot de la fin sur le taux d’erreur de mots

Le taux d’erreur de mots est le chiffre le plus utile de la reconnaissance vocale et le plus facile à mal employer. La formule est honnête — trois types d’erreurs rapportés aux mots prononcés — mais chaque chiffre publié transporte des passagers silencieux : le corpus sur lequel il a été mesuré, le normaliseur qui a préparé le texte, et le changement de métrique qui survient quand la langue cesse d’utiliser des espaces. Lisez tout WER avec ces trois questions en tête, et les chiffres deviennent réellement informatifs. Mieux encore : prenez dix minutes pour en mesurer un sur votre propre audio — c’est le seul corpus de test qui ait jamais parlé de vous.

Sources

• OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision — l’article Whisper ; l’annexe C couvre le normaliseur de texte et son effet sur le WER mesuré
• OpenAI, fiche du modèle whisper-large-v3 — chiffres par langue, rapportés en WER ou en CER selon la langue
• Open ASR Leaderboard — moyennes anglaises multi-benchmarks et chiffres de réunion AMI
• Corpus LibriSpeech — le découpage test-clean / test-other
• LoroNote, Quelle est la précision de Whisper ? Les vrais chiffres — les chiffres publiés ci-dessus, avec leurs conditions

Chiffres revérifiés dans les sources liées le 26 août 2026.