Glossaire / Comment il vous entend
Reconnaissance automatique de la parole
Aussi : ASR
Mis à jour le
Définition
La reconnaissance automatique de la parole (ASR, pour automatic speech recognition) est le domaine de l’apprentissage automatique, et la classe de modèles, qui transforme l’audio de la parole humaine en texte. Les modèles ASR sont le moteur de tout produit de dictée et de transcription.
Les modèles ASR modernes sont des réseaux de neurones entraînés sur de grandes quantités de parole enregistrée. Parmi les familles connues : Whisper (OpenAI, open source), Parakeet (NVIDIA, open source), et les moteurs propriétaires des services cloud de Google, Apple et d’autres.
La qualité d’un ASR se mesure en général en taux d’erreur de mots (WER) sur de l’audio de référence. En conditions réelles, elle dépend aussi de votre micro, de votre pièce, de votre accent et de votre vocabulaire, et c’est pourquoi les dictionnaires personnels et les vocabulaires métier comptent autant que le modèle mis en avant.
Comment les modèles sont construits
Un modèle ASR est entraîné sur des paires d’audio et de transcription correcte, des centaines de milliers d’heures, jusqu’à pouvoir prédire le texte d’un audio qu’il n’a jamais entendu. Les anciens systèmes séparaient le modèle acoustique (des sons aux phonèmes) du modèle de langage (des phonèmes aux mots probables). Les systèmes actuels sont de bout en bout : un seul réseau fait correspondre directement l’audio à des tokens de texte, ce qui est plus simple, plus précis et plus facile à faire tourner sur du matériel grand public.
Deux architectures dominent aujourd’hui. Les modèles encodeur-décodeur, comme Whisper, lisent tout un morceau d’audio puis écrivent la transcription, ce qui les rend précis et orientés traitement par lots. Les modèles transducteurs, comme Parakeet, émettent des tokens à mesure que l’audio arrive, ce qui leur permet le streaming.
Ce qui décide de la précision en pratique
La taille du modèle et les données d’entraînement fixent le plafond. Tout ce qui est en dessous dépend de vous : la qualité du micro, la distance au micro, l’écho de la pièce, le bruit de fond, l’accent et le vocabulaire. Les noms, le jargon et les termes de produits sont le point faible de tous les modèles, car ils sont rares dans les données d’entraînement. C’est pourquoi un dictionnaire personnel et une étape de correction qui tient compte du contexte améliorent en général davantage la précision au quotidien que le passage à un modèle plus gros.
Les modèles ouverts ont changé la donne
Jusqu’en 2022, l’ASR compétitif se cachait derrière des API cloud. La publication ouverte de Whisper, suivie de Parakeet et d’autres, a mis une reconnaissance de pointe entre toutes les mains, et Apple silicon a donné aux portables la puissance de calcul pour la faire tourner. C’est pour cela que la dictée privée et locale est passée en quelques années du compromis à la norme.
Comment comparer deux modèles ASR sur votre propre voix
Les scores de benchmark décrivent l’audio du benchmark. La seule façon de savoir comment un modèle gère votre voix, votre pièce et votre vocabulaire est de le lancer sur un enregistrement de vous. L’outil en ligne de commande ouvert Whisper en fait une tâche rapide dans Terminal. Il faut d’abord avoir installé Python et ffmpeg.
- Enregistrez une ou deux minutes de vous en train de parler comme vous dictez d’habitude, avec quelques noms et termes techniques, et enregistrez-le comme fichier audio.
- Installez Whisper dans Terminal avec : pip install -U openai-whisper
- Transcrivez le fichier avec un petit modèle : whisper myclip.m4a --model small --output_format txt
- Renommez le fichier texte qu’il a écrit, puis relancez la même commande avec --model turbo.
- Comparez les deux transcriptions à ce que vous avez réellement dit et comptez dans chacune les mots faux, manquants et en trop.
- Divisez le nombre d’erreurs par le nombre de mots prononcés. C’est votre taux d’erreur de mots personnel pour chaque modèle.
Ce qu’un modèle ASR rend en plus des mots
Les anciens systèmes de reconnaissance rendaient une suite plate de mots en minuscules. Les modèles ouverts actuels en rendent davantage, et savoir ce qui est disponible vous dit ce qu’un produit construit dessus peut faire sans travail supplémentaire.
- La ponctuation et les majuscules. Parakeet TDT 0.6B les liste toutes deux parmi ses fonctions intégrées.
- Les horodatages. Parakeet rend des horodatages par mot et par segment, et Whisper a une option word_timestamps.
- Les fichiers de sous-titres. L’outil en ligne de commande de Whisper peut écrire en txt, vtt, srt, tsv et json.
- La langue. Whisper et Parakeet TDT 0.6B v3 détectent tous deux la langue parlée quand vous ne la précisez pas.
- Une traduction. Les modèles multilingues de Whisper peuvent traduire en texte anglais une parole dans une autre langue.
L’ASR est-elle précise ? Pourquoi un modèle a plusieurs scores
Il n’existe pas de chiffre unique de précision pour un modèle ASR. NVIDIA annonce pour Parakeet TDT 0.6B v3 un taux d’erreur de mots moyen de 6,34 % sur les huit jeux de test en anglais du Hugging Face Open ASR Leaderboard, mais les jeux pris un par un vont de 1,93 % sur LibriSpeech test-clean à 11,42 % sur Earnings-22, des enregistrements de conférences sur les résultats d’entreprises.
La langue compte autant que le type d’audio. La fiche du modèle Whisper indique que les modèles donnent de bons résultats dans une dizaine de langues, et que la précision est plus faible pour les langues avec moins de données d’entraînement. Quand vous lisez un score, vérifiez sur quel jeu de test et dans quelle langue il a été mesuré avant de le comparer à un autre.
Les questions qu’on se pose.
Quel est le meilleur modèle ASR pour la dictée ?
Pour la dictée en direct, un modèle capable de streaming comme Parakeet, car les mots apparaissent pendant que vous parlez. Pour la couverture linguistique la plus large, un modèle entraîné sur de nombreuses langues, comme Whisper avec 99 langues ou Omnilingual ASR de Meta avec plus de 1 600. La plupart des bons outils en utilisent plusieurs et choisissent selon la langue et la tâche. Sur Apple silicon, tous tournent en local.
L’ASR, est-ce la même chose que le speech-to-text ?
ASR est le nom technique des modèles et du domaine de recherche. Speech-to-text est le nom courant de ce qu’ils font. Sur une page produit, les deux sont interchangeables.
Pourquoi l’ASR écorche-t-il mes noms ?
Parce qu’un modèle n’a vu un nom qu’aussi souvent qu’il apparaissait dans l’audio d’entraînement, ce qui est rare pour la plupart des noms et des termes de produits. Il écrit l’orthographe la plus probable des sons. Un dictionnaire de vos propres termes, et une correction à partir des noms qu’il voit à l’écran ou dans votre projet, règlent ce problème mieux que n’importe quel changement de modèle.
Que signifie ASR ?
ASR signifie automatic speech recognition, ou reconnaissance automatique de la parole. C’est la technologie qui transforme une parole enregistrée ou en direct en texte.
Peut-on faire tourner un modèle ASR sur son propre ordinateur ?
Oui. Les modèles ouverts comme Whisper et Parakeet peuvent être téléchargés et lancés en local. Whisper s’installe avec pip et se lance depuis Terminal sur un Mac.
Les modèles ASR ajoutent-ils la ponctuation ?
Beaucoup de modèles actuels, oui. NVIDIA liste la ponctuation et les majuscules automatiques parmi les fonctions de Parakeet TDT 0.6B, et Whisper écrit aussi un texte ponctué.
