Quand vous parlez, vous ne faites pas de pauses entre les mots. Le signal sonore est continu. Les blancs que vous croyez entendre sont largement reconstruits par votre cerveau, à partir de ce que vous savez de la langue. Une machine qui reçoit ce signal doit donc faire deux choses en même temps : découper, et reconnaître. Et l'une ne va pas sans l'autre.
Nous rapportions ce matin que la transcription tombait à dix centimes de l'heure. Voici ce qui se passe pour ce prix.
Du son aux nombres
Un microphone mesure la pression de l'air des milliers de fois par seconde. Le résultat est une longue suite de nombres, sans aucune structure : ni mots, ni phrases, ni silences identifiés.
La première étape consiste à transformer cette suite en une représentation plus utile. Plutôt que de garder l'amplitude brute, on découpe en tranches de quelques centièmes de seconde et on mesure, pour chacune, la répartition des fréquences.
Cela produit une sorte d'image : le temps en abscisse, les fréquences en ordonnée, l'intensité en couleur. C'est cette image que le système analyse, et c'est pourquoi les techniques développées pour la vision se sont si bien transposées à l'audio.
Des sons aux mots
Vient ensuite la partie difficile. Le système doit associer des séquences sonores à du texte, sans savoir à l'avance où commence et finit chaque mot.
Les approches anciennes procédaient par étapes séparées : identifier les sons élémentaires, les regrouper en mots, corriger avec un dictionnaire. Les systèmes actuels font tout d'un bloc, en apprenant directement la correspondance entre un signal et une suite de caractères, sur d'énormes quantités d'audio transcrit.
Le point essentiel est que ces systèmes utilisent massivement le contexte linguistique. Face à un son ambigu, le modèle choisit ce qui est le plus plausible compte tenu de ce qui précède. C'est exactement le mécanisme des modèles de langage que nous décrivons dans notre article de référence, appliqué au son.
Parce que le système privilégie ce qui est probable, ses erreurs ne ressemblent jamais à du charabia. Un nom propre inconnu devient un mot courant qui sonne pareil. Un terme technique devient son voisin de prononciation. Une transcription fautive se lit parfaitement, et c'est ce qui la rend dangereuse : rien ne signale qu'il y a eu erreur. C'est le même problème que celui que nous décrivions pour les hallucinations. Vérifiez toujours les noms, les chiffres et les termes rares.
Ce qui reste difficile
Plusieurs personnes en même temps. Séparer des voix qui se chevauchent est un problème distinct, et il n'est pas résolu. C'est pourquoi les transcriptions de réunions se dégradent dès que les gens se coupent.
Les accents et les variantes. Un système entraîné majoritairement sur une prononciation standard fonctionne moins bien ailleurs. C'est une source d'inégalité réelle, du même ordre que celle que nous décrivions pour les langues peu dotées.
Les noms propres. Un système ne peut pas deviner un nom qu'il n'a jamais rencontré. La plupart des outils permettent de fournir une liste de termes attendus, et c'est le réglage le plus rentable que personne n'utilise.
Le bruit. Un enregistrement en extérieur, un micro éloigné, un fond sonore : la qualité du signal reste le premier facteur de qualité du résultat.
Comment obtenir de meilleurs résultats
Quatre conseils par ordre d'efficacité.
Améliorez la captation. Un micro proche de la bouche vaut mieux que n'importe quel modèle. C'est le levier le plus efficace et le moins technologique.
Fournissez un vocabulaire. Noms des participants, termes métier, sigles. Les erreurs sur ces éléments représentent l'essentiel de ce qu'il faut corriger.
Séparez les pistes si vous le pouvez. Un enregistrement par personne supprime le problème du chevauchement.
Relisez ce qui engage. Chiffres, dates, noms, montants. Le reste peut rester approximatif sans conséquence.
Ce qu'il faut retenir
La reconnaissance vocale est un bon exemple de technologie devenue si banale qu'on oublie sa difficulté. Découper un flux continu en mots, dans une langue quelconque, avec des accents et du bruit, est un problème que l'informatique a mis cinquante ans à traiter correctement.
Elle illustre aussi une règle générale de ces outils : ils sont excellents sur ce qui est fréquent et faibles sur ce qui est rare. Vos phrases ordinaires seront parfaites. Le nom de votre collègue, le sigle de votre service et le montant exact méritent un coup d'oeil.