Glossaire IA · Voix
Reconnaissance vocale
En une phrase
La reconnaissance vocale est la branche de l'intelligence artificielle qui permet à une machine d'identifier les mots prononcés par une personne et de les convertir en texte ou en commandes. Son nom technique est ASR (reconnaissance automatique de la parole).
Autres noms: reconnaissance automatique de la parole · RAP · ASR · reconnaissance de la parole
Qu’est-ce que la reconnaissance vocale ?
C’est la discipline qui apprend aux machines à entendre. Elle se développe depuis des décennies : les premiers systèmes reconnaissaient des chiffres isolés pour un seul locuteur, et les logiciels de dictée des années 1990 exigeaient d’entraîner le programme sur votre voix et de parler lentement. Les modèles actuels, fondés sur des réseaux de neurones entraînés sur d’énormes volumes d’audio, comprennent n’importe qui, avec un accent et à vitesse normale.
Passez à la pratique
Un agent vocal qui décroche pour vous
Dès 149 €/mois + TVA
Il répond aux appels 24h/24, prend les rendez-vous et note chaque appel dans le CRM.
Découvrir l'agent vocalTrois notions proches méritent d’être distinguées :
| Terme | Question à laquelle il répond |
|---|---|
| Reconnaissance vocale (ASR) | Quels mots ont été prononcés ? |
| Reconnaissance du locuteur | Qui parle ? |
| Compréhension du langage (NLU) | Que veut la personne ? |
Quand la reconnaissance vocale est vendue sous forme de service prêt à l’emploi, on parle de speech to text. Appliquée à des enregistrements pour produire des documents, c’est de la transcription automatique.
En lien avec ce terme
UTIO Voice
- 500 minutes et un numéro inclus
- Conversation naturelle en 26 langues
- Il se présente comme assistant virtuel
- 14 jours d'essai sans carte
Dès 149 €/mois + TVA
Découvrir l'agent vocalComment ça marche
La reconnaissance vocale moderne combine deux types de connaissances :
- Acoustiques. Quels sons correspondent à quels morceaux de mots, appris sur des milliers d’heures de parole accompagnées de leur texte.
- Linguistiques. Quelles suites de mots sont probables dans une langue. C’est ce qui permet de distinguer « verre », « vert » et « ver » selon la phrase.
Aujourd’hui, les deux tiennent souvent dans un seul modèle de bout en bout : de l’audio entre, du texte sort. La qualité se mesure par le taux d’erreur sur les mots (WER), qui varie fortement selon le bruit, le micro, l’accent et le vocabulaire. L’audio téléphonique est parmi les plus difficiles, car la ligne coupe une partie des fréquences de la voix.
Exemple
Une coopérative viticole du Languedoc reçoit des appels d’adhérents sur les apports et les acomptes. Beaucoup ont un fort accent et un vocabulaire du métier. En testant un système de reconnaissance vocale, la coopérative constate qu’il comprend bien les phrases générales mais trébuche sur les noms de cépages. La solution : ajouter ces mots comme vocabulaire propre et faire répéter l’information clé avant de continuer : « Vous me confirmez, du picpoul ? »
La reconnaissance vocale chez UTIO
L’agent vocal d’UTIO utilise la reconnaissance vocale en temps réel à chaque appel. Il comprend les phrases naturelles, les interruptions et les accents, sans faire taper de touches ni parler lentement. Le texte obtenu alimente le modèle de langage, qui choisit quoi répondre et quelle action mener : réserver, qualifier, prendre un message ou transférer.
La transcription tourne sur les propres serveurs d’UTIO et les transcriptions sont conservées en Espagne avec chaque appel dans le CRM. L’agent converse en 26 langues.
Questions fréquentes
Reconnaissance vocale et identification du locuteur, c'est pareil ?
Non. La reconnaissance vocale identifie ce qui est dit. Savoir qui parle relève de la reconnaissance du locuteur, ou biométrie vocale, utilisée pour vérifier une identité. Ce sont deux technologies distinctes, même si le vocabulaire prête à confusion.
Reconnaître la voix, est-ce comprendre la demande ?
Pas non plus. La reconnaissance vocale transforme le son en mots. Saisir l'intention, par exemple que « je voulais décaler le truc de mardi » veut dire changer un rendez-vous, c'est le travail de la compréhension du langage naturel et du modèle de langage.
Pourquoi se trompe-t-elle sur certains noms ou numéros ?
Parce que le modèle choisit la suite de mots la plus probable. Un nom de famille rare ou un numéro de commande ne suivent pas les schémas habituels. On améliore les résultats avec des listes de mots propres et une confirmation à voix haute.
Termes associés
- Speech to text
Le speech to text (STT) est la technologie qui convertit la parole en texte écrit. C'est la brique logicielle, en général un modèle accessible par API, qui « écoute » dans un voicebot, une dictée ou un outil de transcription, en temps réel ou sur des enregistrements.
- Transcription automatique
La transcription automatique consiste à convertir un enregistrement audio ou vidéo en texte écrit sans que personne ne le tape, grâce à la reconnaissance vocale. Elle inclut en général la ponctuation, l'horodatage et l'identification de qui parle à chaque instant.
- Voicebot
Un voicebot est un programme qui converse à l'oral : il écoute une personne, comprend ce qu'elle veut et lui répond de vive voix. Il fonctionne au téléphone, sur un site, une appli ou une enceinte et, avec l'IA générative, gère des conversations ouvertes, pas seulement des menus.
- NLU
Le NLU (compréhension du langage naturel) est la partie du NLP qui s'attache au sens d'un message : ce que veut la personne (son intention) et les données précises qu'elle fournit (des entités comme des dates, des noms ou des produits).
- Réseau de neurones
Un réseau de neurones artificiels est un modèle mathématique composé de couches d'unités reliées, appelées neurones, qui transforment une entrée numérique en sortie. Il apprend en ajustant le poids de chaque connexion à partir d'exemples.
Mis à jour le