Transcription vidéo avec des API multimodales

Si vous avez besoin de simple speech-to-text, utilisez une API axée audio. Si le texte à l'écran, les visages ou les diapositives changent le sens, utilisez une API multimodale. Si vous avez besoin de rechercher dans une bibliothèque vidéo, utilisez une pile d'indexation.

Je diviserais le marché en trois catégories :

• Transcription axée audio : APIMart, OpenAI Whisper, AssemblyAI

• Analyse multimodale sensible à la vidéo : Google Gemini, OpenAI + analyse d'images

• Flux d'archivage et de recherche : pile AWS, Azure Video Indexer

Cette répartition compte parce que les compromis sont marqués :

• OpenAI et APIMart ont un plafond de synchro de 25 Mo, donc les longs fichiers ont besoin d'un découpage

• Gemini peut gérer jusqu'à 1 heure de vidéo dans une seule fenêtre de contexte aux réglages par défaut

• AWS Transcribe prend en charge jusqu'à 4 heures par tâche

• AssemblyAI va jusqu'à 10 heures par fichier et rapporte un RTF de 0,008x

• Azure Video Indexer combine transcription, OCR, visages et données de scène dans une seule timeline

• La tarification va d'environ 0,006 $ par minute pour Whisper à 0,15 $ par minute pour l'indexation vidéo avancée d'Azure

Donc le meilleur choix ne concerne pas seulement la précision de transcription. Il concerne ce que vous ingérez, la durée du média, si le visuel compte et la quantité de travail de pipeline que vous voulez posséder.

Google Vertex AI Tutorial #5 - Tutoriel multimodal : analyse d'image, vidéo et audio avec Gemini 2.0

Comparaison rapide

Mon avis est simple : choisissez la configuration la plus simple qui correspond à votre flux de travail. Utilisez des outils audio seuls pour l'échelle, des outils multimodaux quand l'écran compte, et des plateformes d'indexation quand vous avez besoin de recherche vidéo plus tard.

1. APIMart

APIMart vous donne une seule passerelle API pour la transcription vidéo et audio, avec Whisper-1 disponible via un point de terminaison compatible OpenAI. C'est particulièrement pratique quand la vidéo arrive de différents endroits et que vous voulez UN seul pipeline de transcription au lieu d'une configuration disparate.

Couverture modale

APIMart fonctionne avec YouTube, TikTok, Instagram et des URL de média direct ^[7]. Il accepte aussi les formats audio et vidéo courants, y compris mp3, mp4, mpeg, mpga, m4a, wav et webm ^[8].

Vous pouvez retourner des transcriptions en json, text, srt, vtt et verbose_json. Si vous avez besoin de plus de détail, verbose_json inclut les horodatages, les segments et les métadonnées. Cela en fait un bon choix pour l'alignement des sous-titres et l'analyse de suivi.

Modèle d'intégration

APIMart est compatible avec le SDK OpenAI. En pratique, cela signifie que vous pouvez basculer le base_url vers https://api.apimart.ai/v1 et garder le même schéma d'authentification.

Pour les travaux plus importants, APIMart prend aussi en charge les requêtes asynchrones qui retournent un task_id pour le polling ou les callbacks webhook. Il y a aussi une Batch API pour le travail non urgent, avec un délai d'exécution allant jusqu'à 24 heures et des coûts de tokens plus bas.

Performance de transcription

Whisper-1 prend en charge plus de 99 langues avec des codes de langue ISO-639-1 ^[7][8]. Si vous spécifiez language, vous pouvez améliorer à la fois la vitesse et la précision.

Les requêtes synchrones sont plafonnées à 25 Mo, donc les vidéos plus longues doivent être découpées. APIMart s'appuie sur un SLA de disponibilité de 99,9 % grâce au routage multi-fournisseurs et au basculement automatique ^[9]. La transcription vidéo via le modèle AgentX Video Transcript commence à 0,39 $ par transcription ^[7].

En clair, APIMart est conçu pour une ingestion rapide, une sortie structurée et très peu de changements de SDK.

2. API Google Gemini

Google Gemini fonctionne un peu différemment des outils de transcription audio seuls. Au lieu d'écouter la piste audio par elle-même, il examine la vidéo et l'audio ensemble dans une seule fenêtre de contexte. Cela compte quand l'écran ajoute du sens à ce qui est dit ^[10][13].

Couverture modale

Gemini est nativement multimodal, il peut donc gérer vidéo, audio, images et texte dans un seul prompt ^[10][13]. Pour la vidéo, il échantillonne des images à 1 FPS tout en traitant l'audio en même temps ^[11]. Ce traitement côte à côte peut aider Gemini à attribuer les locuteurs en utilisant à la fois le son et les signaux visuels, comme les étiquettes de nom ou la détection de visage ^[12][13]. Il peut aussi réduire le besoin de deviner les locuteurs ou les langues à l'avance ^[13].

Modèle d'intégration

Vous pouvez utiliser Gemini via Vertex AI si vous travaillez dans Google Cloud, ou via Google AI Studio si vous voulez prototyper vite avec une clé API ^[12][13]. Pour l'ingestion de fichiers, Gemini vous offre quelques voies selon la taille du fichier ^[11].

Ces options comptent parce que Gemini brille quand vous devez gérer des entrées longues et riches en média dans une seule requête. Réglez response_mime_type sur application/json, puis utilisez soit un schéma soit un prompt Timestamp | Speaker | Text pour obtenir des transcriptions plus propres ^[10][12][13]. En clair, Gemini est à son meilleur quand la qualité de la transcription dépend de ce qui apparaît à l'écran, et pas seulement de ce que le microphone capte.

Limites de scalabilité

La fenêtre de contexte de 1 million de tokens permet à Gemini de traiter jusqu'à 1 heure de vidéo en résolution par défaut, ou jusqu'à 3 heures en basse résolution ^[11][10]. Gemini 2.5 et les modèles ultérieurs prennent en charge jusqu'à 10 vidéos par requête, tandis que les versions antérieures n'en permettaient qu'une ^[11]. Si vous exécutez des requêtes répétées sur la même vidéo longue, la mise en cache de contexte peut réduire la latence et les coûts de tokens d'entrée ^[10].

Performance de transcription

L'usage de tokens s'établit à environ 300 tokens par seconde en résolution par défaut. Cela se décompose en environ 258 tokens pour l'image et 32 pour l'audio ^[11]. Si vous passez en basse résolution, cela tombe à environ 100 tokens par seconde ^[11].

Comme référence de prix approximative, une charge de travail d'environ 4 heures sur 7 fichiers coûte environ 1,00 $ avec Flash-Lite et Flash ^[12]. Une chose à surveiller : les scènes à mouvement rapide peuvent perdre du détail à 1 FPS. Si ces moments visuels comptent, ralentir les segments à fort mouvement avant de les envoyer à l'API peut vous aider à obtenir un détail plus fin ^[11].

Quand le travail est principalement de la transcription axée audio, le compromis commence à pencher vers une ingestion plus simple et une surcharge de traitement plus faible.

3. Amazon Transcribe et la pile d'analyse vidéo AWS

Là où Gemini utilise un seul prompt multimodal, AWS répartit le travail à travers des couches de service. La transcription vidéo passe par des services parallèles au lieu d'un flux tout-en-un. Cela vous donne plus de contrôle, mais cela signifie aussi plus de pièces mobiles à câbler et à gérer.

Couverture modale

AWS traite la vidéo comme un problème multi-signal parce que la transcription à elle seule manque le contexte visuel et temporel. La pile traite les signaux visuels, audio, de parole et temporels ^[15]. Des modèles Amazon Bedrock comme Nova et Titan peuvent ensuite transformer les images en texte recherchable ^[14][15].

Cette configuration fait d'AWS un meilleur choix pour les pipelines qui ont besoin d'un traitement distinct pour la parole, la vision et le timing.

Modèle d'intégration

Une configuration courante utilise S3, EventBridge et Step Functions pour déclencher la transcription, l'analyse visuelle et l'extraction de métadonnées en parallèle, avec des sorties stockées dans DynamoDB ^[22][17]. Il est aussi utile d'utiliser des rôles IAM étroitement définis pour chaque étape.

Pour la recherche, AWS combine la récupération par mots-clés et par vecteurs à travers les embeddings de parole, audio et visuels ^[15][16].

Voici le compromis en termes simples : chaque branche supplémentaire vous donne un contrôle plus serré, mais elle pousse aussi le coût d'orchestration vers le haut.

Limites de scalabilité

Amazon Transcribe prend en charge des fichiers jusqu'à 2 Go et des vidéos jusqu'à 4 heures par tâche ^[6][20]. Pour des charges de travail plus importantes, augmentez le stockage éphémère et la mémoire de Lambda, et utilisez SQS pour lisser la concurrence ^[19][21].

Performance de transcription

AWS peut traiter environ 1 heure de vidéo en moins de 5 minutes, avec Transcribe qui commence à 0,024 $ par minute et un temps jusqu'au premier mot d'environ 500 à 800 ms ^[6][18].

En pratique, AWS penche vers des pipelines structurés plutôt qu'une transcription en une seule étape.

4. Azure AI Speech et Video Indexer

Azure AI Video Indexer adopte une approche multimodale. Il rassemble Azure AI Speech, Vision et Translator pour extraire des insights de la vidéo et de l'audio. En une seule passe, Video Indexer exécute plus de 30 modèles à travers l'audio et la vidéo, puis retourne une timeline avec transcriptions, OCR, visages et étiquettes ^[24][27].

Couverture modale

La plateforme fonctionne à travers l'audio, la vidéo et les métadonnées structurées en même temps. Elle prend en charge le speech-to-text dans plus de 50 langues, la détection automatique de langue, la détection de jusqu'à 10 langues par tâche et l'étiquetage de locuteurs pour jusqu'à 16 locuteurs ^[24][26].

Les images vidéo ajoutent plus de contexte par-dessus la transcription. Vous obtenez OCR, scènes, plans, images clés, étiquettes d'objets et regroupements de visages. Cette couche supplémentaire aide à la recherche, au montage et aux flux de texte en aval parce que la transcription n'est plus isolée ^[23][24][26]. Si le côté visuel change la façon dont la parole devrait être lue, utilisez le préréglage audio-vidéo.

Cette timeline unifiée fait d'Azure un meilleur choix pour les archives vidéo recherchables que pour de simples transcriptions ponctuelles.

Pour les flux d'IA en aval, la Prompt-Ready API convertit la vidéo en texte au niveau des segments avec OCR, étiquettes et données de locuteur intégrées. Cela la rend prête pour les flux de résumé et de recherche ^[28][29].

Modèle d'intégration

Stockez le média source dans votre compte Azure Storage. Video Indexer conserve les métadonnées d'indexation dans un stockage géré sans frais supplémentaires. Vous pouvez régler retentionPeriod de 1 à 7 jours pour supprimer automatiquement le média source et les insights ^[26].

Pour la recherche et l'analyse, les insights extraits peuvent être embarqués et stockés dans Azure AI Search. Cette configuration prend en charge les flux de génération augmentée par récupération à travers de grandes bibliothèques vidéo ^[29].

Limites de scalabilité

Les comptes d'essai viennent avec 600 minutes d'indexation gratuites sur le site web ou 2 400 minutes via le portail API. Si vous passez en production, vous aurez besoin d'un abonnement Azure illimité payant ^[27].

Si la résidence des données ou la faible latence est un enjeu important, Azure Arc prend en charge le traitement sur site ^[24].

Performance de transcription

La tarification commence à 0,024 $ par minute pour l'audio standard et monte jusqu'à 0,15 $ par minute pour l'indexation vidéo avancée ^[30]. Si vous voulez éviter les frais d'encodage, sélectionnez « No streaming » ^[26].

La qualité de transcription tend à être meilleure quand vous réglez la langue source à l'avance au lieu de vous appuyer sur la détection automatique ^[25][26]. Pour les fichiers multilingues, le paramètre customLanguages vous laisse nommer jusqu'à 10 langues attendues plutôt que d'utiliser l'ensemble de détection 9 langues par défaut ^[25].

Pour les équipes qui veulent un accès direct au modèle plutôt qu'un service d'indexation géré, l'option suivante passe de l'orchestration média à l'inférence multimodale brute.

5. API multimodale OpenAI

L'API multimodale d'OpenAI fonctionne un peu différemment des services d'indexation gérés couverts plus tôt. Au lieu d'envoyer la vidéo telle quelle, vous extrayez d'abord l'audio pour la transcription et échantillonnez des images pour le contexte visuel. C'est le grand compromis ici : vous obtenez de la flexibilité, mais vous prenez aussi en charge cette étape de prétraitement.

Couverture modale

Pour la transcription, vous pouvez utiliser Whisper (whisper-1) ou des modèles basés sur GPT-4o comme gpt-4o-transcribe et gpt-4o-transcribe-diarize. L'option de diarisation prend en charge les transcriptions avec des étiquettes de locuteur et peut utiliser jusqu'à quatre courtes références audio - de 2 à 10 secondes chacune - via known_speaker_references[] pour associer des segments à des personnes spécifiques ^[31].

Côté visuel, GPT-5.4 analyse des images extraites, pas un flux vidéo en direct, donc le prétraitement est requis ^[5][32]. Les formats d'image pris en charge incluent PNG, JPEG, GIF et WebP encodés en base64.

Modèle d'intégration

Cette configuration suit un flux en deux étapes : extraire l'audio, le transcrire via l'Audio API, et inclure les images échantillonnées quand le contexte visuel compte. Le paramètre prompt aide quand vous devez passer des termes techniques, des acronymes ou un contexte antérieur ^[31]. Vous pouvez aussi utiliser timestamp_granularities[] pour des horodatages au niveau du mot et un contrôle de montage plus serré.

À partir de là, la sortie de transcription au format verbose_json ou diarized_json peut alimenter GPT-5.4 pour le résumé ou l'extraction d'éléments d'action ^[1][31]. Ce contrôle des horodatages est utile, surtout pour le montage et l'automatisation en aval, mais cela signifie aussi plus de travail d'orchestration.

Limites de scalabilité

La principale limite pour le contenu long est le plafond de taille de fichier de 25 Mo, qui correspond à environ 30 minutes d'audio ^[31][33]. Tout ce qui dépasse cela doit être découpé.

Pour les cas d'usage en direct ou quasi direct, la Realtime WebSocket API offre une latence de 300 à 800 ms et inclut une suppression de bruit intégrée ^[33]. Le hic est la durée de session : chaque session culmine à 30 minutes, donc les flux plus longs ont besoin de reconnexion et de raccordement.

Performance de transcription

Whisper offre environ 5,2 % de Word Error Rate (WER) sur la transcription anglaise et prend en charge plus de 57 langues ^[1][31]. La tarification commence à 0,006 $ par minute pour Whisper. Si vous gérez du travail à fort volume, gpt-4o-mini-transcribe peut réduire la dépense, tandis que le traitement multimodal peut coûter 2 à 7 fois plus que les flux textuels seuls ^[1][5][31].

En clair, les principaux compromis ici sont l'effort d'intégration et la surcharge de découpage - surtout une fois que les fichiers deviennent longs ou que les sessions dépassent les limites de la plateforme.

6. AssemblyAI

Pour la vidéo longue et riche en parole où l'analyse d'images ne fait pas partie du travail, contrairement aux conversations multimodales qui nécessitent un contexte visuel, AssemblyAI garde les choses simples. C'est un outil axé audio qui tire l'audio de la vidéo pour la transcription. Il n'inspecte pas les images, il convient donc mieux au contenu axé parole qu'à tout ce qui dépend du contexte visuel.

Couverture modale

AssemblyAI traite les fichiers vidéo via un pipeline axé audio. Il extrait automatiquement la piste audio des fichiers MP4, MOV ou WEBM et la convertit en audio non compressé 16 kHz pour le traitement ^[35][38]. Ses principales forces incluent la diarisation des locuteurs, l'analyse de sentiment, la rédaction de PII et les résumés LeMUR ^[36][39]. Il prend aussi en charge plus de 99 langues avec détection automatique de langue pour la transcription ^[34][40].

La sortie est orientée vers les flux de diarisation, de rédaction et de résumé. Donc si la qualité de la transcription et le post-traitement comptent plus que ce qui se passe à l'écran, cette configuration a beaucoup de sens.

Modèle d'intégration

Le flux d'intégration est simple. Uploadez les fichiers locaux vers /v2/upload, puis passez l'URL retournée à /v2/transcript ; si votre fichier vit déjà dans le cloud, vous pouvez envoyer une URL publique directement ^[34][42]. Les SDK Python et JavaScript gèrent le polling pour vous, et les équipes de production peuvent utiliser des webhooks pour les callbacks d'achèvement ^[41][37].

Les réponses reviennent en JSON avec des métadonnées au niveau du mot. L'API exporte aussi nativement en SRT, VTT et TXT brut ^[34].

Limites de scalabilité

AssemblyAI autorise des fichiers jusqu'à 5 Go via le point de terminaison de transcription et 2,2 Go pour les uploads directs, avec une durée maximale de 10 heures ^[38]. Les comptes gratuits sont limités à 5 tâches concurrentes. Les paliers payants commencent à 200 tâches concurrentes et peuvent monter plus haut sur demande ^[34][43].

Pour le travail en temps réel, les sessions de streaming commencent à 100 par minute et montent automatiquement de 10 % chaque fois que l'utilisation atteint 70 % ^[40].

Performance de transcription

C'est là qu'AssemblyAI se démarque : la vitesse à l'échelle, surtout pour les gros fichiers et la transcription par lots. La plateforme rapporte un Real-Time Factor (RTF) de 0,008x, ce qui signifie qu'un cours vidéo de 8 heures peut être traité en environ 300 secondes ^[38].

La tarification est modulaire. La transcription asynchrone coûte 0,15 $/heure pour Universal-2 et 0,21 $/heure pour Universal-3.5 Pro. Les modules complémentaires comme la diarisation des locuteurs (+0,02 $/heure) et le résumé (+0,03 $/heure) sont facturés en plus ^[40]. Vous pouvez uploader des fichiers vidéo natifs directement, et AssemblyAI gère l'extraction audio en interne ^[35][38].

Comparaison d'intégration, d'échelle et de performance

Les plus grandes différences ici se résument au design du flux de travail, pas à la précision brute de transcription. Chaque plateforme résout une partie différente du problème : raisonnement multimodal natif, pipelines d'entreprise en couches, ou traitement axé audio. Donc le choix principal n'est pas juste « Laquelle transcrit le mieux ? ». C'est comment la vidéo entre dans l'API, quelle quantité d'orchestration l'entoure, et à quel point la configuration tient à l'échelle.

L'architecture du flux de travail est la ligne de démarcation la plus claire. Google Gemini est la seule option ici qui peut raisonner à travers l'audio et la vidéo en un seul appel ^[5][45]. OpenAI gère bien la vision, mais la transcription vidéo a encore besoin d'un traitement audio distinct ^[5]. AssemblyAI reste concentré sur l'audio, sans analyse au niveau des images. AWS et Azure traitent la vidéo via des piles de services en couches, ce qui donne aux équipes plus de contrôle mais ajoute aussi du travail d'orchestration. APIMart se place au-dessus de ces chemins comme une couche d'orchestration unifiée, donnant aux équipes un seul point de terminaison API à travers les modèles vidéo, image et langage ^[44].

Les schémas d'intégration se répartissent en trois configurations courantes. Les tâches REST par lots fonctionnent bien quand la latence compte moins que le débit et le coût. Les pipelines à URI de stockage, comme AWS S3 et Azure Blob, sont le choix standard pour les grandes archives. Le streaming WebSocket convient au sous-titrage en direct, mais il apporte aussi plus de pièces mobiles, surtout autour du découpage audio et de la gestion des connexions.

Les écarts de performance apparaissent plus clairement quand l'audio devient désordonné. Les fichiers propres à un seul locuteur sont généralement le cas le plus facile. Une fois que vous avez des enregistrements bruités, des locuteurs qui se chevauchent ou du contenu multilingue, les compromis deviennent plus évidents. AWS Transcribe plafonne l'identification de locuteurs à 10 participants, tandis qu'AssemblyAI en prend en charge jusqu'à 50 ^[46]. Et dans certains cas, le contexte visuel aide à démêler la parole que l'audio seul ne peut pas entièrement résoudre ^[6].

Avantages et inconvénients par plateforme

Aucune plateforme ne gagne sur toute la ligne. Le bon choix dépend de votre configuration : ce que vous ingérez, quelle quantité vous devez traiter, et ce qui doit se passer après la transcription.

Ce tableau transforme les comparaisons de plateformes précédentes en une vue plus pratique et prête pour la décision.

APIMart fonctionne bien pour l'ingestion multi-sources parce qu'il retourne des transcriptions horodatées et des métadonnées via une seule API. Le compromis est simple : il fonctionne comme une couche d'orchestration gérée, il n'est donc pas conçu pour le streaming en temps réel ni les tâches de fichiers audio purs.

Google Gemini se démarque quand le contexte visuel change le sens de ce qui est dit. Si vous traitez de l'audio pur à fort volume, cependant, il devient une option moins efficace.

AssemblyAI est un bon choix pour les flux audio à forte conformité. Il prend en charge la diarisation, la rédaction de PII, le sentiment, et montre 30 % moins d'hallucinations que Whisper Large-v3 ^[3]. Le hic est qu'il est audio seulement, donc vous n'obtenez aucun contexte visuel.

Azure AI Speech et Video Indexer a du sens pour le travail d'entreprise réglementé. Il rassemble parole, diarisation, rédaction et indexation visuelle dans un seul pipeline recherchable. En revanche, cela demande plus d'orchestration, et la tarification change selon les fonctionnalités que vous utilisez.

OpenAI convient à la transcription par lots quand vous voulez aussi une analyse de vision distincte. Mais vous aurez besoin de prétraitement supplémentaire, et l'API Whisper a une limite de fichier de 25 Mo ^[6][1].

Utilisez la matrice ci-dessous pour associer chaque plateforme à la contrainte qui compte le plus : contexte, conformité, échelle ou orchestration.

Conclusion

Choisissez des API axées audio pour la transcription à fort volume, des API multimodales quand le contexte visuel compte, et des plateformes d'indexation média quand vous avez besoin d'archives vidéo recherchables.

Le choix se résume généralement à trois filtres : contexte, volume et orchestration. Avez-vous besoin de contexte visuel ? Quelle quantité de contenu traitez-vous ? Et quelle quantité d'orchestration votre équipe peut-elle réalistement prendre en charge ? Chaîner plusieurs fournisseurs peut ajouter vite de la surcharge d'ingénierie, surtout à l'échelle.

Si votre équipe veut moins de pièces mobiles, une API unifiée peut rendre cette décision plus simple. Si vous construisez des pipelines vidéo et voulez réduire la complexité d'intégration, APIMart rassemble plus de 500 modèles d'IA - y compris des modèles vidéo, image et langage - via une seule API.

Classifiez d'abord le flux de travail : audio seulement, sensible à la vidéo, ou indexation. Puis choisissez l'option la plus simple qui correspond à vos besoins d'échelle, de coût et de précision.

FAQs

Comment choisir entre la transcription audio seulement et multimodale ?

Choisissez la transcription audio seulement quand vous travaillez avec de l'audio brut et avez surtout besoin de speech-to-text. Cela inclut des choses comme le streaming à haute vitesse ou la rédaction de PII.

Choisissez la transcription multimodale quand vous avez besoin de l'image complète : vidéo, audio et contexte visuel ensemble. Cela peut inclure le texte à l'écran, les changements de scène ou les événements qui se produisent en parallèle de la parole.

APIMart rend cela plus facile en vous donnant une seule API pour accéder à différents modèles.

Quand le contexte vidéo améliore-t-il la qualité de la transcription ?

Le contexte vidéo peut améliorer la qualité de la transcription quand les modèles utilisent le traitement multimodal natif au lieu du speech-to-text audio seulement.

Quand un modèle regarde la vidéo et écoute l'audio, il a plus de contexte avec lequel travailler. Cela l'aide à démêler les parties désordonnées comme l'identification des locuteurs, les échanges de tour de parole entre plusieurs locuteurs et les longues périodes de conversation. Cela compte encore plus quand l'audio est bruité ou le dialogue est dense.

APIMart donne aux équipes un seul endroit pour accéder à ces fonctionnalités multimodales via une seule API évolutive.

Quelle est la façon la plus simple de gérer les longs fichiers vidéo ?

Utilisez une plateforme d'API IA unifiée comme APIMart pour garder l'intégration simple. Au lieu de câbler des fournisseurs et des points de terminaison distincts pour différents modèles multimodaux, vous pouvez envoyer des requêtes via un seul point de terminaison. Cela réduit le temps de configuration et rend votre pile plus facile à gérer.

Pour les gros fichiers, une URL vidéo publique est souvent le chemin le plus facile. Elle vous aide à éviter les limites de taille de fichier et le tracas de déplacer de gros fichiers à la main.

Si le contenu est privé, utilisez plutôt une Files API. Cela vous laisse uploader et stocker des fichiers jusqu'à 2 Go et les réutiliser à travers les requêtes, ce qui est pratique quand vous ne voulez pas uploader le même asset encore et encore.