🔍 Rapport d'Analyse Technique : Cause de l'Échec de la Transcription Automatique (Vocal Telegram de 15h54)

Date & Heure d'analyse : 29 octobre 2026 — 16h35 (Guadeloupe UTC-4)
Composant impacté : Passerelle Telegram Remoat (C:\ASSISTANT_IA\Remoat\src\utils\voiceHandler.ts)
Message concerné : Message vocal Telegram de 15h54:35 (durée 610s / 10m10s, taille 3,2 Mo, ID unique AgADdAoAApsqGUc)
Statut de l'analyse : Causes racines identifiées à 100% (double défaillance logicielle : disjoncteur STT abusif + sous-estimation de timeout CPU).


1. 📋 Synthèse Exécutive du Diagnostic

L'échec de la transcription automatique du message vocal de 15h54 n'est ni une corruption de l'enregistrement audio, ni une saturation des serveurs Telegram, ni une panne du modèle d'IA.

L'échec résulte d'un enchaînement de deux défauts de conception dans le module voiceHandler.ts de Remoat : 1. Un disjoncteur (circuit breaker) trop agressif : À 13h52, un court audio de 21s silencieux a fait renvoyer un texte vide aux moteurs cloud. Le code a interprété ce silence comme une panne et a placé ElevenLabs et Google Cloud STT en quarantaine (cooldown) pour 24 heures complètes. Toutes les requêtes de l'après-midi ont donc sauté le cloud pour basculer de force sur le moteur local CPU faster_whisper. 2. Une formule de timeout erronée qui tue le processus après 7 minutes : Le moteur de secours local faster_whisper calcule la durée estimée de l'audio via un ratio fixe de 20 700 octets/seconde. Pour ce vocal compressé à ~5 300 octets/seconde, le script a sous-estimé la durée à 156 secondes au lieu des 610 secondes réelles (10m10s). Il a fixé un timeout de coupure à 420 secondes (7 minutes). Or, sur CPU, la transcription d'un audio de 10 minutes nécessite environ 15 à 20 minutes. À 16h01:44 (exactement 420 secondes après le début du traitement à 15h54:44), Node.js a brutalement abattu le processus avec un signal SIGTERM (killed=true).


2. 🔬 Preuves Techniques & Chronologie des Logs (bot_startup.log)

Phase 1 : La mise en quarantaine abusive des moteurs Cloud Ă  13h52

[13:52:49] [VoiceHandler] Downloaded voice message ... (33763 bytes)
[13:52:49] [VoiceHandler] Transcribing via ElevenLabs Scribe API...
[13:52:50] [VoiceHandler] Transcribing via Google Cloud Speech-to-Text...
[13:52:55] [ERROR] [VoiceHandler] Google STT error: code=4 | Google STT: aucune parole detectee
[13:52:55] [VoiceHandler] Transcribing via faster_whisper (local, secours final)...
[13:54:07] [ERROR] [VoiceHandler] faster_whisper transcription error: code=3 | Transcription vide

Phase 2 : Réception du message de 15h54 et saut direct en local

[15:54:35] [Update Received] duration: 610, file_size: 3230063 ...
[15:54:44] [VoiceHandler] Downloaded voice message ... (3230063 bytes)
[15:54:44] [VoiceHandler] ElevenLabs en cooldown (echec recent), on saute directement a Google.
[15:54:44] [VoiceHandler] Google en cooldown (echec recent), on saute directement a Deepgram.
[15:54:44] [VoiceHandler] Deepgram en cooldown (echec recent), on saute directement au Whisper local.
[15:54:44] [VoiceHandler] Transcribing via faster_whisper (local, secours final)...

Phase 3 : Coupure brutale par Timeout SIGTERM Ă  16h01:44

[16:01:44] [ERROR] [VoiceHandler] faster_whisper transcription error: 
code=null | signal=SIGTERM | killed=true (timeout) | Command failed: 
C:\Users\lisa\AppData\Local\hermes\hermes-agent\.venv\Scripts\python.exe 
C:\ASSISTANT_IA\scratch\faster_whisper_transcribe.py 
C:\Users\lisa\AppData\Local\Temp\remoat-voice\1793303684239-AgADdAoAApsqGUc.oga fr

Durée exacte d'exécution : 15h54:44 ➔ 16h01:44 = 420,000 secondes (pile 7 minutes).


3. 🧩 Analyse Détaillée des Deux Failles de Code

Faille A : Le calcul de timeout dans transcribeLocalWhisper (voiceHandler.ts)

let estimatedDurationSec = 60;
try {
    const stat = await fs.stat(voicePath);
    estimatedDurationSec = Math.max(10, stat.size / 20700);
} catch { }

const timeoutMs = Math.max(180_000, Math.ceil(estimatedDurationSec * 2500) + 30_000);

Faille B : Confusion entre silence audio et panne technique dans la cascade STT

if (!isSttOnCooldown('elevenlabs')) {
    const elevenLabsResult = await transcribeElevenLabs(voicePath);
    if (elevenLabsResult) {
        markSttSuccess('elevenlabs');
        return elevenLabsResult;
    }
    markSttFailure('elevenlabs'); // <-- ERREUR MAJEURE
}

4. 🛠️ Plan d'Action & Correctifs Recommandés

  1. Passer la durée réelle Telegram à transcribeVoice : Transmettre voice.duration directement à transcribeVoice(voicePath, voiceDurationSec) au lieu de recalculer une durée approximative et erronée sur la taille du fichier.
  2. Distinguer l'erreur technique du silence dans la gestion du circuit breaker : Ne déclencher markSttFailure que sur une erreur HTTP avérée (code 401, 429, 500) ou exception réseau, et jamais sur un retour vide ou une absence de voix détectée.
  3. Réduire la durée de cooldown : Rabaisser le cooldown de 24 heures à 5 minutes (ou 15 minutes max avec backoff progressif) pour éviter de paralyser le système durant toute une journée de travail.
  4. Intégrer le fallback Gemini Multimodal : Comme prouvé par la récupération manuelle de 16h22, Gemini (Gemini 2.5 Flash / 3.8 Flash) accepte nativement les fichiers audio de plus de 10 minutes et les transcrit en moins de 10 secondes sans aucune charge CPU locale. L'ajouter dans la chaîne de cascade STT évite tout risque de saturation CPU.