Glossaire IA · Voix
Speech to text
En une phrase
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.
Autres noms: STT · voix vers texte · conversion parole-texte · ASR
Qu’est-ce que le speech to text ?
« Speech to text » signifie littéralement « de la parole au texte », abrégé en STT. C’est la brique qui donne des oreilles à une machine. Vous lui fournissez de l’audio, depuis un micro ou un appel, et elle renvoie des mots écrits, souvent ponctués et avec l’horodatage de chaque mot.
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 termes se confondent souvent :
- Speech to text : le composant ou service concret qui convertit l’audio en texte.
- Reconnaissance vocale : la discipline technique qui se trouve derrière, aussi appelée ASR.
- Transcription automatique : l’usage final, transformer des enregistrements en documents lisibles.
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
Un STT moderne travaille en trois temps :
- Préparer l’audio. Il le découpe en fragments très courts et les convertit en une représentation numérique du son.
- Reconnaître. Un réseau de neurones, entraîné sur des milliers d’heures de parole, estime quels mots correspondent à ce son en tenant compte du contexte.
- Mettre en forme. Il ajoute ponctuation, majuscules et chiffres (« vingt-trois » devient « 23 »).
Il existe deux modes d’utilisation :
| Mode | Fonctionnement | Usage |
|---|---|---|
| Streaming (temps réel) | Renvoie du texte partiel pendant qu’on parle | Agents vocaux, sous-titres en direct |
| Différé (par lots) | Traite l’audio complet en une fois | Enregistrements, comptes rendus, notes vocales |
Dans un voicebot, le STT en streaming est le premier maillon de la chaîne et une source de latence. Il doit vite repérer quand la personne a fini de parler, sans lui couper la parole. L’opération inverse, du texte vers la voix, revient au text to speech.
Exemple
Une société de maintenance d’ascenseurs à Marseille veut que ses techniciens arrêtent de remplir les fiches d’intervention à la main. Désormais, à la fin de chaque visite, le technicien dicte sur son téléphone ce qu’il a fait. Un service de STT transforme la dictée en texte et le système la place dans la fiche. Le technicien n’a plus qu’à relire et signer. Point clé : le STT comprend le vocabulaire technique si on lui fournit une liste de termes maison, comme les références de moteurs ou de pièces.
Le speech to text chez UTIO
Dans l’agent vocal d’UTIO, le STT tourne en temps réel pendant chaque appel : l’agent comprend ainsi les phrases naturelles, les interruptions et les accents, sans faire taper de touches. La transcription est comprise dans la minute, avec le modèle, la voix et la téléphonie, et tourne sur les propres serveurs d’UTIO. Les transcriptions sont conservées en Espagne et rattachées à chaque appel dans le CRM.
Si vous êtes développeur, l’API d’IA propose la transcription d’appels et d’audios en texte, avec détection de la langue.
Questions fréquentes
Speech to text et reconnaissance vocale, quelle différence ?
En pratique, les deux se recoupent. La reconnaissance vocale désigne le domaine de recherche ; le speech to text désigne la fonction ou le produit qui fournit le texte. Un service de « STT » vend de la reconnaissance vocale prête à l'emploi.
STT en temps réel ou en différé : que choisir ?
Tout dépend de l'usage. Pour une conversation, comme avec un agent vocal, il faut du temps réel : le texte arrive pendant que la personne parle. Pour transcrire des enregistrements, le traitement en différé est souvent plus précis, car le modèle dispose de tout l'audio.
Comment mesure-t-on la qualité d'un STT ?
Avec le taux d'erreur sur les mots (WER) : la part de mots mal reconnus, omis ou ajoutés par rapport à une transcription de référence. Mesurez-le sur votre propre audio, car il varie beaucoup selon le bruit, l'accent et le vocabulaire.
Termes associés
- Reconnaissance vocale
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).
- 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.
- Text to speech
Le text to speech (TTS) est la technologie qui convertit un texte écrit en parole. C'est la brique, en général un modèle accessible par API, qui donne une voix à un agent téléphonique, à un lecteur d'écran ou à un audio généré à partir d'un texte.
- 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.
- Latence
La latence est le temps qui s'écoule entre une requête et le début de la réponse. Pour un agent vocal, c'est le silence entre le moment où le client se tait et celui où il entend le premier mot de l'agent : c'est elle qui rend la conversation naturelle ou non.
Mis à jour le