Reconnaissance vocale : comment elle fonctionne et pourquoi le téléphone la met à l'épreuve

Un système de reconnaissance vocale reçoit un signal sonore, en extrait des caractéristiques acoustiques, puis cherche la suite de mots la plus probable correspondant à ce signal. Les systèmes récents reposent sur des réseaux de neurones entraînés sur de très grands volumes d'audio transcrit. Le modèle Whisper, décrit par ses auteurs dans une publication de décembre 2022, a ainsi été entraîné sur 680 000 heures d'audio multilingue.

La reconnaissance ne s'arrête pas à la transcription. Dans un agent vocal, le texte obtenu est ensuite analysé pour comprendre l'intention de l'appelant : prendre rendez-vous, connaître un horaire, signaler un problème. Une erreur à la première étape se propage à la suivante : si « mardi » est entendu « mercredi », la suite de la conversation part sur une mauvaise base.

La téléphonie classique transmet un son volontairement limité. La recommandation G.711 de l'Union internationale des télécommunications, utilisée dans les réseaux téléphoniques, fixe une fréquence d'échantillonnage nominale de 8 000 échantillons par seconde, ce qui restreint mécaniquement les fréquences transmises à moins de 4 kHz. Tout ce qui dépasse cette limite est perdu, ce qui appauvrit le signal sur lequel travaille la reconnaissance.

Les codecs dits large bande, comme la recommandation G.722 de l'UIT qui code un audio jusqu'à 7 kHz, améliorent la situation, mais un appel peut traverser plusieurs réseaux et le maillon le plus faible détermine la qualité finale. S'y ajoutent les pertes de paquets sur les liaisons mobiles ou internet, qui font disparaître des fragments de syllabes.

L'appelant ne téléphone pas depuis un studio. Il peut être sur un chantier, dans une voiture, dans une rue animée ou dans une cuisine avec la hotte en marche. Le bruit de fond masque une partie de la voix et peut être confondu avec des mots. Les accents régionaux ou étrangers, le débit rapide, les noms propres rares et les numéros dictés à la volée sont d'autres sources d'erreurs.

La conversation elle-même pose des difficultés. Les gens hésitent, se reprennent, parlent en même temps que leur interlocuteur ou commencent à répondre avant la fin de la question. Un système doit savoir quand l'appelant a fini de parler, sans le couper trop tôt ni le laisser attendre dans un silence gênant.

Aucun fournisseur ne peut garantir une reconnaissance parfaite en toutes conditions. Un accueil vocal bien conçu part de ce constat : il reformule les informations importantes, comme une date, un numéro de téléphone ou une adresse, et demande confirmation avant de les enregistrer. Il épelle ou fait épeler les noms quand c'est nécessaire, et propose de répéter plutôt que de deviner.

Côté entreprise, la transcription écrite de chaque appel permet de relire ce qui a été compris et de repérer les erreurs récurrentes : un nom de produit mal reconnu, une question formulée d'une manière imprévue. Ces retours servent à ajuster les informations fournies à l'agent et à préciser les cas où il doit plutôt transférer l'appel.

La CNIL rappelle dans son livre blanc sur les assistants vocaux que la voix est une caractéristique biométrique pouvant permettre l'identification d'une personne, et insiste sur la transparence et la sécurité des dispositifs. Pour un accueil téléphonique, cela suppose d'informer l'appelant de l'enregistrement en début de conversation, de limiter la durée de conservation et de choisir un hébergement dont vous connaissez la localisation.

Évitez aussi de faire dicter des informations sensibles qui ne sont pas utiles au traitement de la demande. Moins le système en recueille, moins il y a de risque en cas d'erreur de transcription ou d'incident.

Alyas répond au téléphone 24 h/24 à partir des informations que vous lui fournissez, annonce en début d'appel qu'il est une IA et que l'appel est enregistré, et dépose dans votre espace client une transcription et un résumé de chaque conversation. Ses données sont hébergées dans l'Union européenne. L'essai gratuit de dix jours permet de vérifier, transcriptions à l'appui, comment il comprend vos appelants réels.