# Phi-4-multimodal-instruct

Éditeur : Microsoft (États-Unis). Poids ouverts. Licence : MIT.

En bref : 17e sur 39 en transcription en français.

Page : https://quelleia.com/voix/modeles/microsoft-phi-4-multimodal-instruct/. Classements de la voix de QUELLE IA, à part du score des modèles de langage, relevé du 19 octobre 2026.

## Présentation

Petit modèle multimodal ouvert de la famille Phi, qui prend en entrée texte, image et audio et répond en texte. Côté voix, il assure transcription et traduction de la parole dans un seul modèle, sans chaîne de deux modèles. (lu sur https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md)

- Sortie : février 2025 (lu sur la page de l'éditeur, https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md)
- Taille : 5,6 milliards de paramètres (lu sur la page de l'éditeur, https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md)

## Langues

- Annoncées par l'éditeur : 8 langues pour l'audio, dont le français (en, zh, de, fr, it, ja, es, pt).
- Évaluées par nos sources : français.
- Le français : annoncé par l'éditeur ; évalué, 17e sur 39 en transcription en français (5,04 %).
- Source des langues annoncées : https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md

## Ses classements

- Transcription en français : 17e sur 39, taux d'erreur par mot 5,04 % ; vitesse : RTFx 128 : transcrit 128 secondes d'audio par seconde de calcul ; par jeu de test : Common Voice 6,89 %, FLEURS 4,08 %, MLS 4,14 %. Source : Open ASR Leaderboard, Hugging Face, https://huggingface.co/spaces/hf-audio/open_asr_leaderboard (relevé du 19 octobre 2026, version du 17 octobre 2026).

## Modèles proches

- Transcription en français : [Speechmatics Enhanced](https://quelleia.com/voix/modeles/speechmatics-enhanced/), 16e (4,89 %), juste devant
- Transcription en français : [omniASR-LLM-7B-v2](https://quelleia.com/voix/modeles/meta-omniasr-llm-7b-v2/), 18e (5,25 %), juste derrière

## Comment lire ces chiffres

- Transcription : Le taux d'erreur par mot compte les mots mal transcrits, oubliés ou ajoutés, pour cent mots prononcés : plus il est bas, mieux c'est. Chaque tableau vient d'une seule source, sur ses propres enregistrements : deux tableaux ne se comparent pas chiffre à chiffre.

## Noms dans les sources

- Hugging Face (hf-audio) : microsoft/Phi-4-multimodal-instruct

## Liens

- Page de l'éditeur : https://huggingface.co/microsoft/Phi-4-multimodal-instruct

## Pages lues

- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« The model processes text, image, and audio inputs, generating text outputs, and comes with 128K token context length. »), 17/10/2026
- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« To achieve this, users needed to use a pipeline of two models: one model to transcribe the audio to text, and another model for the language or vision tasks. »), 17/10/2026
- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« + Audio: English, Chinese, German, French, Italian, Japanese, Spanish, Portuguese »), 17/10/2026
- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« Phi-4-multimodal-instruct has 5.6B parameters and is a multimodal transformer model. »), 17/10/2026
- https://huggingface.co/microsoft/Phi-4-multimodal-instruct/raw/main/README.md (« Release date:** February 2025 »), 17/10/2026