Reconnaissance vocale
La reconnaissance vocale (speech-to-text, STT), aussi appelée reconnaissance automatique de la parole (ASR), est la technologie d'IA qui convertit l'audio parlé en texte écrit : vous parlez, et le logiciel écrit ce que vous avez dit. Elle fait fonctionner la dictée sur smartphone, les sous-titres en direct, les assistants vocaux et les chatbots vocaux, et c'est la première étape chaque fois qu'un système d'IA doit comprendre la parole.
Comprendre Reconnaissance vocale
La reconnaissance vocale a énormément progressé avec le deep learning. Les systèmes ASR modernes comme Whisper d’OpenAI atteignent une précision de transcription quasi humaine, quels que soient l’accent, la langue ou les conditions acoustiques. Cette fiabilité rend l'entrée vocale pertinente pour les usages professionnels, au-delà des commandes simples. La transcription de réunions, la prise de notes vocales, la création de tâches à la voix et les assistants IA pilotés par la voix dépendent tous d'une reconnaissance vocale fiable. L’association de la reconnaissance vocale avec la compréhension par LLM permet de véritables interfaces naturelles où l’on parle normalement et où l’IA comprend l’intention plutôt que d’analyser des commandes figées.
Comment fonctionne la reconnaissance vocale : les systèmes modernes procèdent en trois étapes. D'abord, l'audio est découpé en trames courtes (en général de 10 à 25 millisecondes) puis transformé en spectrogramme, une image des fréquences les plus fortes à chaque instant. Ensuite, un réseau de neurones, le plus souvent un transformer ou un conformer entraîné sur des centaines de milliers d'heures de parole transcrite, associe ces trames à des sons et des mots probables. Enfin, un décodeur choisit la phrase la plus probable en s'appuyant sur sa connaissance de la langue pour distinguer, par exemple, « vers », « verre » et « vert » selon le contexte. Les anciens systèmes séparaient modèle acoustique, modèle de prononciation et modèle de langue ; les modèles de bout en bout actuels apprennent les trois ensemble.
Le speech-to-text est-il de l'IA générative ? On le classe généralement dans la reconnaissance, pas dans la génération : son rôle est de restituer ce qui a été dit, pas de créer du contenu. La frontière s'est toutefois brouillée. Des modèles comme Whisper reprennent l'architecture transformer encodeur-décodeur des modèles de langage génératifs et écrivent la transcription token par token, ce qui explique qu'ils « hallucinent » parfois des mots que personne n'a prononcés, surtout pendant les silences ou dans le bruit. La synthèse vocale (text-to-speech), le sens inverse, est la partie générative d'un système vocal.
La reconnaissance vocale dans les chatbots : dans un chatbot ou un assistant vocal, le STT est un maillon d'une chaîne. La reconnaissance vocale transforme vos paroles en texte, un grand modèle de langage lit ce texte et décide quoi répondre ou faire, puis la synthèse vocale lit la réponse à voix haute. Le STT en streaming envoie des transcriptions partielles pendant que vous parlez encore, et la détection de fin de parole repère le moment où vous avez fini, si bien que la réponse peut commencer en une seconde environ. Certains modèles récents de parole à parole sautent l'étape du texte, mais la plupart des assistants en production gardent la chaîne en trois parties, car chaque pièce peut être remplacée et vérifiée. La reconnaissance d'intention (speech to intent) va un cran plus loin que la transcription : « rappelle-le-moi à 17 h » devient un rappel, pas seulement une phrase.
Usages et limites : dictée de messages et de documents, sous-titrage de vidéos et d'événements en direct, analyse d'appels en centre de contact, dictée médicale et juridique, recherche vocale, commande mains libres en voiture ou en cuisine. La précision se mesure par le taux d'erreur sur les mots (WER), la part de mots ajoutés, omis ou remplacés. Une dictée propre avec un micro proche obtient souvent un taux à un chiffre, tandis que les voix qui se chevauchent, les accents marqués, le jargon et l'audio de qualité téléphonique le font fortement grimper. Pour un compte rendu mot à mot d'une réunion avec identification des intervenants, utilisez un service de transcription dédié ; pour un assistant qui agit selon ce que vous dites, STT plus LLM est la bonne architecture.
Comment GAIA utilise Reconnaissance vocale
Le module vocal de GAIA utilise la reconnaissance vocale pour permettre une interaction sans les mains. Vous pouvez dicter des tâches, poser des questions sur votre agenda et donner des ordres à la voix. Le texte transcrit est analysé par le LLM de GAIA pour détecter l’intention et exécuter des actions. Cela est particulièrement utile en mobilité et pour enregistrer tâches et notes loin du clavier.
Concepts liés
Synthèse vocale
La synthèse vocale (TTS) est une technologie qui transforme un texte écrit en un audio parlé synthétique, permettant aux ordinateurs et aux systèmes IA de communiquer verbalement à l’aide de voix naturelles.
Traitement automatique du langage naturel (TALN)
Le traitement automatique du langage naturel (TALN) est une branche de l’intelligence artificielle qui vise à permettre aux ordinateurs de comprendre, interpréter, générer et répondre au langage humain de manière pertinente.
Reconnaissance d’intention
La reconnaissance d’intention est le processus par lequel un système d’IA identifie l’objectif ou le but implicite d’une entrée utilisateur, ce qui lui permet de choisir la réponse ou l’action appropriée, plutôt que de répondre seulement à la formulation de surface.
IA multimodale
L'IA multimodale désigne des systèmes d'intelligence artificielle capables de traiter et de générer plusieurs types de données, comme du texte, des images, de l'audio et de la vidéo, au sein d'un même modèle ou d'une chaîne intégrée.
