Glossaire / Comment il vous entend
Speech-to-text
Aussi : STT
Mis à jour le
Définition
Le speech-to-text (STT), ou conversion de la parole en texte, est la technologie qui transforme un audio parlé en mots écrits. C’est le terme générique qui couvre la dictée en direct, la transcription de fichiers, le sous-titrage et les commandes vocales.
La conversion est effectuée par un modèle de reconnaissance vocale, qui peut tourner dans le cloud (l’audio est envoyé à un serveur) ou sur l’appareil (l’audio ne quitte jamais la machine). Ce choix détermine à la fois la confidentialité et le comportement hors ligne.
La sortie brute du STT est une transcription : presque sans majuscules, peu ponctuée, avec les hésitations et les faux départs. Les produits construits sur le STT se distinguent surtout par ce qu’ils font après la reconnaissance, de rien du tout à une mise en forme complète.
La chaîne de traitement, en quatre étapes
La capture audio transforme le son en un flux d’échantillons. L’extraction de caractéristiques convertit ces échantillons en une représentation lisible par le modèle, en général un spectrogramme. Le modèle de reconnaissance fait correspondre cette représentation à du texte, parfois via une étape intermédiaire de phonèmes ou de tokens de sous-mots. Le post-traitement transforme la sortie du modèle en ce qu’une personne écrirait : ponctuation, majuscules, nombres en chiffres et, dans les meilleurs outils, suppression des hésitations et ton.
Quand on dit qu’un outil « utilise l’IA », on parle presque toujours de la troisième étape. C’est dans la quatrième que se joue l’essentiel de la qualité au quotidien, et c’est l’étape que le marketing a tendance à passer sous silence.
Cloud et sur l’appareil
Le STT dans le cloud envoie l’audio à un serveur, y fait tourner un grand modèle et renvoie le texte. Il peut utiliser des modèles trop gros pour un portable et fonctionne sur n’importe quel appareil connecté. Le STT sur l’appareil fait tourner le modèle sur votre propre matériel : l’audio ne quitte jamais la machine, cela fonctionne hors ligne et il n’y a pas d’aller-retour. Sur Apple silicon, l’écart de précision s’est tellement réduit que le choix porte bien plus sur la confidentialité et le coût que sur la qualité.
Ce que veulent dire les mots sur une page produit
« Speech-to-text » sur une fiche technique désigne en général le modèle brut. « Dictée » désigne l’expérience complète, y compris l’endroit où arrive le texte. « Transcription » désigne les fichiers. « Streaming » ou « en continu » signifie que les mots apparaissent pendant que vous parlez plutôt qu’après. « Local » ou « sur l’appareil » signifie que l’audio reste chez vous. Savoir quelle étape chaque mot décrit, c’est l’essentiel pour lire une comparaison honnêtement.
Comment activer la reconnaissance vocale sur un Mac
Chaque Mac a la reconnaissance vocale intégrée. Apple l’appelle Dictée, et elle écrit dans n’importe quel champ de texte où se trouve le curseur. Vous pouvez la configurer en une minute environ.
- Choisissez le menu Apple → Réglages Système, puis cliquez sur Clavier dans la barre latérale.
- Allez dans Dictée et activez-la.
- Cliquez sur le menu local à côté de Source du micro et choisissez le micro voulu. Automatique laisse le Mac écouter avec l’appareil que vous êtes le plus susceptible d’utiliser.
- Cliquez sur le menu local Raccourci et choisissez un raccourci pour lancer la Dictée. Choisissez Personnaliser pour en créer un qui ne figure pas dans la liste.
- Cliquez dans n’importe quel champ de texte, appuyez sur le raccourci et parlez.
- Arrêtez quand vous avez terminé. La Dictée s’arrête aussi automatiquement quand aucune parole n’est détectée pendant 30 secondes.
La reconnaissance vocale est-elle précise ? Ce que montrent les chiffres publiés
Cela dépend de l’audio, plus qu’on ne le pense en général. NVIDIA publie les résultats de son modèle ouvert Parakeet TDT 0.6B v3 sur huit jeux de test en anglais, et le même modèle obtient un taux d’erreur de mots de 1,93 % sur de la parole lue et propre (LibriSpeech test-clean) et de 11,31 % sur des enregistrements de réunions (AMI).
Le bruit fait aussi bouger le chiffre. Sur la même fiche de modèle, le taux d’erreur de mots moyen passe de 6,34 % sur un audio propre à 11,66 % quand le bruit est aussi fort que la parole (un rapport signal sur bruit de 0). Une pièce calme et un micro proche sont l’amélioration de précision la moins chère qui soit.
- Type de parole : des phrases lues sont plus faciles qu’une réunion où les gens parlent en même temps.
- Bruit de fond et musique : les taux d’erreur grimpent à mesure que le bruit se rapproche du niveau de votre voix.
- Accent et dialecte : la fiche du modèle Whisper fait état de performances différentes selon les accents et les dialectes.
- Langue : la fiche du modèle Whisper fait état d’une précision plus faible pour les langues avec moins de données d’entraînement.
- Vocabulaire : la fiche du modèle Parakeet prévient qu’un mot hors du vocabulaire du modèle a peu de chances d’être reconnu.
Comment vérifier que votre voix reste sur votre Mac
La reconnaissance vocale est soit traitée sur votre appareil, soit envoyée à un serveur, et vous pouvez en général savoir laquelle. Pour la Dictée d’Apple, la réponse est écrite dans les Réglages. Pour tout autre outil, la liste des autorisations vous dit quelles apps peuvent entendre le micro.
- Choisissez le menu Apple → Réglages Système, puis cliquez sur Clavier dans la barre latérale.
- Allez dans Dictée et lisez le texte sous l’interrupteur Dictée. Il indique si vos saisies vocales et vos transcriptions sont traitées sur votre appareil.
- Allez dans Réglages Système → Confidentialité et sécurité → Micro pour voir toutes les apps qui ont demandé à utiliser le micro.
- Dans cette liste, désactivez toute app que vous ne voulez pas voir écouter.
- Pour un outil tiers, lisez sa politique de confidentialité pour savoir où l’audio est traité. La liste Micro montre qui peut écouter, pas où va l’audio.
Les questions qu’on se pose.
Quelle est la différence entre le speech-to-text et la dictée ?
Le speech-to-text est la technologie sous-jacente : de l’audio en entrée, des mots en sortie. La dictée est un produit construit dessus, qui insère ces mots là où vous écrivez, en direct, avec mise en forme. Toute app de dictée utilise le speech-to-text ; tout produit de speech-to-text n’est pas de la dictée.
Quel speech-to-text est le plus précis ?
Pour l’anglais avec un bon micro, les meilleurs moteurs cloud et les meilleurs modèles ouverts sont si proches que votre accent, votre pièce et votre vocabulaire comptent davantage que le modèle. La précision se mesure en taux d’erreur de mots (WER) sur de l’audio de référence, et un dictionnaire personnel comble une plus grande part de l’écart en conditions réelles qu’un changement de modèle.
Comment activer la reconnaissance vocale sur un Mac ?
Choisissez le menu Apple → Réglages Système, cliquez sur Clavier, allez dans Dictée et activez-la. Appuyez ensuite sur le raccourci indiqué à cet endroit dans n’importe quel champ de texte et parlez.
La reconnaissance vocale du Mac s’arrête-t-elle après une limite de temps ?
Apple indique que vous pouvez dicter un texte de n’importe quelle longueur, sans délai limite. La Dictée s’arrête en revanche automatiquement quand aucune parole n’est détectée pendant 30 secondes.
Pourquoi la reconnaissance vocale est-elle moins précise dans une pièce bruyante ?
Le bruit masque les parties du son sur lesquelles le modèle s’appuie. D’après les résultats publiés par NVIDIA pour Parakeet TDT 0.6B v3, le taux d’erreur de mots moyen passe de 6,34 % sur un audio propre à 11,66 % quand le bruit est aussi fort que la parole.
