Construire un moteur de dictée en 2026 est trivial.

Construire une architecture propre autour d’un moteur de dictée est plus intéressant.

Cet article présente Flowvox, un MVP de moteur de transcription audio développé en PHP, en s’appuyant sur :

• Symfony

• Symfony Messenger

• Flow : orchestrateur maison

• ffmpeg

• whisper.cpp

Le code source est disponible en open source : 👉 https://github.com/darkwood-com/flowvox

L’objectif n’était pas simplement d’utiliser Whisper. L’objectif était de structurer correctement le pipeline.

Un moteur vocal minimal peut se résumer à :

Audio → Texte

Mais dans un système réel, plusieurs contraintes apparaissent :

• Déclenchement start / stop

• Finalisation propre du fichier audio

• Gestion d’état du recorder

• Orchestration des étapes

• Extension vers post-traitement (résumé, LLM, analyse)

La question devient alors :

Comment modéliser un pipeline audio propre, extensible et maîtrisé ?

Le MVP repose sur :

• PHP 8+

• Symfony

• Symfony Messenger

• Flow (orchestrateur)

• ffmpeg (captation audio locale)

• whisper.cpp (transcription open source locale)

Aucune API distante. Aucun service cloud. Transcription 100% locale.

L’architecture est organisée en trois flows :

InputProvider → Recorder → Transcribe

Chaque étape est isolée et responsable d’un rôle précis.

Responsabilité :

• Écouter les commandes voice:start et voice:stop

• Émettre un VoiceControlEvent

Les commandes CLI déclenchent des messages via Symfony Messenger.

Le worker, en arrière-plan, reçoit ces événements et les injecte dans Flow.

Ce découplage permet :

• Un contrôle granulaire

• Une gestion multi-session

• Une séparation claire des responsabilités

Responsabilité :

• Piloter une instance de VoiceRecorder

• Gérer le cycle de vie d’un processus ffmpeg

Le VoiceRecorder encapsule un processus système lancé via :

Symfony\Component\Process\Process

Problème central :

Comment gérer proprement start / stop sans corrompre le fichier audio ?

Trois états sont explicitement modélisés :

• idle

• recording

• stopping

Lors d’un stop, un SIGINT est envoyé à ffmpeg afin de finaliser correctement le header WAV.

L’état stopping évite :

• Les double-start

• Les conflits concurrents

• Les fichiers incomplets

Le processus est maîtrisé, pas subi.

Responsabilité :

• Recevoir un fichier WAV finalisé

• Lancer whisper.cpp

• Produire un texte transcrit

Whisper est exécuté localement via CLI.

Le MVP reste volontairement simple :

• Pas de streaming

• Pas de chunking temps réel

• Une transcription synchrone

L’objectif est de valider l’intégration et l’orchestration.

Le moteur fonctionne via un worker Symfony :

php bin/console voice:worker

Ce worker :

1. Instancie Flow

2. Enregistre les flows

3. Écoute Symfony Messenger

4. Ordonne l’exécution des étapes

Commandes disponibles :

voice:start voice:stop voice:worker-list

Le flux complet devient :

voice:start → Recorder démarre → voice:stop → Recorder finalise → TranscribeFlow s’exécute → Texte produit

Sans état global externe.

Flow permet :

• Une architecture orientée pipeline

• Des stratégies d’Input Processing (IP Strategy)

• Une gestion explicite des événements

• Une séparation nette entre orchestration et logique métier

Le système n’est pas couplé à Whisper.

Whisper est une implémentation. Flow est la structure.

• Gestion propre d’un processus système

• Modélisation explicite des états

• Orchestration événementielle

• Extensibilité du pipeline

Ce n’est pas un produit.

C’est une base architecturale.

Les prochaines itérations naturelles :

• Streaming par chunk audio

• Transcription parallèle

• Post-traitement LLM

• Intégration NativePHP (desktop)

• Support mobile

• Batching multi-modèles

Mais ces évolutions ne changent pas le cœur :

Une architecture claire. Une orchestration maîtrisée. Un pipeline extensible.

Le dépôt open source est disponible ici :

👉 https://github.com/darkwood-com/flowvox

Contributions, suggestions et retours sont les bienvenus.

Construire un moteur vocal en PHP est simple.

Construire une architecture propre autour d’un moteur vocal est plus intéressant.

Flowvox valide un principe :

La transcription n’est qu’un composant. L’orchestration est la véritable structure.