De l'onde au texte et retour : ainsi répond la voix d'IA

Entre « tu parles » et « ça te répond », il y a deux canalisations distinctes : une convertit l'audio en texte et l'autre fait le trajet inverse. Chacune a son propre nombre d'étapes, ses propres points de panne et ses propres chiffres de travail. Ce post les parcourt une par une, avec les chiffres qu'elles utilisent et les scénarios où elles s'appliquent déjà. Ce qui suit vient du module « Introduction to AI speech concepts » de Microsoft Learn.

Pourquoi la voix

La voix est la forme la plus naturelle de communication humaine, et cela se traduit en quatre bénéfices concrets : elle élargit l'accessibilité pour les personnes avec des difficultés visuelles ou de mobilité, elle augmente la productivité car les mains restent libres, elle améliore l'expérience conversationnelle et elle atteint des audiences mondiales avec plusieurs langues et dialectes.

Choisir la voix n'est pas seulement du confort. Pour qui ne peut ni taper ni regarder un écran, une interface parlée est la seule voie, et pour qui travaille les mains occupées c'est la voie la plus rapide. Et la portée ne se limite pas à une langue : la même canalisation sert des audiences mondiales avec plusieurs langues et dialectes.

De l'audio au texte : six étapes

Les deux canalisations se ressemblent par l'extérieur et travaillent différemment à l'intérieur : l'une part d'un signal continu, l'audio, et l'autre part de texte déjà écrit. La reconnaissance de voix convertit des mots parlés en texte en six étapes coordonnées, et chacune transforme le signal un peu plus jusqu'à ce qu'il reste du texte écrit :

Capturer l'audio. Le micro numérise le signal à environ 16 kHz et lui applique des filtres de bruit basiques. La fréquence est celle qui suffit pour la parole : le but de cette étape est de laisser l'onde propre et prête, encore sans interprétation.
Préparer les caractéristiques. C'est là qu'entre MFCC, l'étape qui résume le son en nombres pour que le modèle puisse travailler sur une description et non sur toute l'onde.
Modéliser les patrons acoustiques. Des transformateurs qui prédisent des phonèmes, avec de l'attention pour résoudre les ambiguïtés et du traitement parallèle pour aller vite.
Appliquer les règles de langage. La langue a une structure et cette structure écarte les combinaisons impossibles.
Décoder les mots les plus probables. On choisit la séquence qui explique le mieux le son.
Affiner la sortie finale. La transcription est nettoyée avant d'être délivrée.

Ce que fait MFCC

MFCC sont les coefficients cepstraux de fréquence Mel, la technique d'extraction de caractéristiques la plus courante. Elle imite la perception de l'oreille humaine et insiste sur les fréquences où se concentre l'énergie de la parole : elle divise l'audio en trames de 20 à 30 millisecondes, applique la transformée de Fourier, affecte chaque trame à l'échelle Mel et extrait environ 13 coefficients par trame.

Le résultat est une séquence de vecteurs qui résume le son sans stocker chaque échantillon, ce qui permet au modèle de travailler sur une description compacte et non sur toute l'onde.

Les trames courtes permettent de suivre comment le son change au long de la phrase. Le son, de plus, se modélise par phonèmes, les unités minimales de prononciation : l'anglais en utilise environ 44 et le mot « cat » se compose de /k/, /æ/ et /t/.

Du texte à l'audio : quatre étapes

La synthèse vocale convertit du texte en audio au son naturel, et ce faisant elle traite le texte qu'elle va dire en quatre étapes :

Normalisation du texte. Les abréviations, nombres, dates et symboles sont développés, et les homographes — les mots écrits pareil et lus différemment — sont résolus. « Réunion le 10/07 à 9h30 avec le Dr Ramírez » sort par ici converti en « réunion le dix juillet à neuf heures trente avec le docteur Ramírez ».
Analyse linguistique. Segmenter et assigner des phonèmes avec des lexiques et la conversion graphème-phonème (G2P : de la lettre écrite au son). C'est ici qu'on décide quel son revient à chaque lettre écrite.
Génération de la prosodie. Ton, durée, intensité, pauses et insistance : la prosodie décide comment le dire, et distingue une question d'une affirmation.
Synthèse audio. Des vocodeurs neuronaux haute fidélité qui transforment tout cela en onde audible.

Pourquoi G2P n'est pas simple

L'orthographe anglaise n'indique pas la prononciation de façon fiable. « Though », « through » et « cough » partagent la terminaison «ough » et se prononcent /θoʊ/, /θruː/ et /kɔːf/. Les systèmes G2P modernes utilisent des réseaux neuronaux entraînés sur des dictionnaires et des modèles de transformateur pour regarder le contexte, ce qui résout des cas comme « read » au présent et au passé.

flowchart LR
    A[Une personne parle] --> B[Reconnaissance : six étapes]
    B --> C[Texte transcrit]
    C --> D[Agent : traite l'intention]
    D --> E[Synthèse : quatre étapes]
    E --> F[Voix naturelle et sous-titres]

En clair : l'audio est transcrit, l'agent décide quoi répondre, et la réponse revient en audio avec intonation ; les sous-titres sortent du même texte pour qui préfère lire.

Où on l'utilise aujourd'hui

La reconnaissance soutient quatre scénarios : transcription en temps réel et routage des appels en service client, assistants et agents activés par commandes vocales, notes de réunion avec sous-titres en direct et dictée clinique directement dans le dossier.

La synthèse a les siens : des réponses avec voix naturelles et personnalisées en ton, rythme et style ; des bots qui servent par canaux téléphoniques ; des annonces de navigation ; et des outils d'accessibilité.

Les deux côtés se complètent dans les mêmes produits. Dans une réunion hybride, par exemple, la reconnaissance produit les sous-titres en temps réel et la synthèse renvoie en audio ce qu'ont écrit ceux qui ne parlent pas, de sorte que la même session est à la fois transcrite et écoutée selon les besoins de chaque participant.

La valeur que montrent les quatre est la même : moins de prise de notes manuelle, des registres précis et du contenu parlé accessible à tous. En service client, en plus, la transcription transforme l'appel en un registre consultable, alimente le routage par ce que la personne dit et sert d'intrant pour l'analyse d'opinion ; la valeur n'est pas seulement dans le texte, mais dans ce que ce texte permet de mesurer ensuite.

Ce qui reste

Un assistant avec voix enchaîne les deux canalisations : écouter, transcrire, décider, synthétiser. Chaque tronçon a ses propres étapes et ses propres points de panne : bruit à la capture, ambiguïté du phonème, texte mal normalisé, intonation plate. Et les deux côtés s'entraident : une transcription fidèle fait que l'agent comprend l'intention, et une prosodie bien générée fait que la réponse s'écoute naturelle au lieu de mécanique.

Ce qui change le résultat en pratique n'est généralement pas un modèle différent, mais les étapes alentour : mieux filtrer le bruit à la capture et bien normaliser le texte avant de synthétiser sont des réglages qui se revoient séparément, et chacun a son effet mesurable sur la sortie. Pour qui évalue une solution avec voix, l'ordre des questions est celui : quelle étape panne et quel réglage faire, avant de changer de moteur.

Limite de cette source : elle explique les étapes et les scénarios, et n'apporte pas de mesures de précision ni de latence, donc comparer des moteurs reste une affaire de tests dans son propre cas.

*Source : module « Introduction to AI speech concepts » de Microsoft Learn.*