Transcription vocale (speech-to-text)
La transcription vocale, ou reconnaissance automatique de la parole (speech-to-text), est la technologie qui convertit un enregistrement audio en texte écrit, que l'on peut ensuite rechercher, analyser et exploiter.
Définition
La transcription vocale prend un signal audio et produit une transcription. Les systèmes actuels utilisent des réseaux de neurones entraînés sur de très grandes quantités de parole enregistrée, et prédisent les mots les plus probables d'après les sons et le contexte. Le résultat peut inclure l'horodatage, la ponctuation et, dans certains outils, l'identification de chaque locuteur.
La précision s'exprime généralement par un taux d'erreur de mots : la part de mots faux, manquants ou ajoutés par rapport à une transcription de référence faite par un humain. Elle varie beaucoup selon la qualité du son, le bruit de fond, les accents, le débit, le vocabulaire spécialisé et la langue. La transcription en direct doit en plus arbitrer entre rapidité et précision.
La transcription alimente tout ce qui suit dans un système vocal : une erreur de reconnaissance peut changer le sens d'une réponse, surtout pour les noms, les chiffres et les termes techniques. Les bonnes pratiques : tester sur vos propres enregistrements et vos accents, garder la possibilité de réécouter l'audio d'origine, et ne pas considérer une transcription comme un compte rendu parfait.
Points clés
- Elle convertit la parole en texte ; on parle aussi de reconnaissance automatique de la parole (ASR).
- Sa précision se mesure par le taux d'erreur de mots par rapport à une transcription humaine.
- Bruit, accents, termes spécialisés et débit rapide la dégradent.
- Les noms et les chiffres sont les points faibles habituels : vérifiez l'audio pour tout ce qui compte.
- C'est la première étape de la plupart des agents vocaux IA, avant la compréhension du langage.
Exemple
Un centre de formation enregistre des points de suivi de dix minutes avec ses apprenants. Les transcriptions sont consultables : un coordinateur retrouve tous les échanges qui évoquent un problème de transport. Quelques noms de communes sont mal orthographiés, l'équipe réécoute donc l'audio avant d'agir.
Questions fréquentes
La transcription vocale est-elle la même chose que la reconnaissance vocale ?
Pas tout à fait. La transcription détermine quels mots ont été prononcés. La reconnaissance du locuteur détermine qui parle. On peut les combiner, mais ce sont deux tâches différentes.
Quelle est la précision de la transcription vocale ?
Elle dépend de l'audio et de la langue. Des enregistrements clairs dans une langue très parlée donnent de bons résultats ; le bruit, un fort accent ou du jargon technique les dégradent, d'où l'intérêt de tester sur vos enregistrements.
Une transcription est-elle une donnée personnelle ?
Oui, si elle permet d'identifier une personne. Les transcriptions de conversations doivent être protégées, conservées le temps nécessaire et traitées selon les règles de protection des données qui vous concernent.
Termes associés
Conversations IA, décisions humaines
Passisto mène des conversations vocales structurées avec candidats, collaborateurs, clients et étudiants, et les transforme en rapports exploitables.