Conversion de la parole en texte (Speech-to-Text)

Qu'est-ce que la conversion de la parole en texte ?

La conversion de la parole en texte est le processus consistant à transformer des mots prononcés en une version textuelle. Parfois désignée sous le terme de conversion audio-texte, elle est principalement proposée sous forme de service SaaS (logiciel en tant que service).

Ce système associe généralement la technologie de reconnaissance vocale basée sur l'intelligence artificielle — également connue sous le nom de reconnaissance automatique de la parole — au processus de transcription audio. Un logiciel informatique capte le son sous forme de vibrations d'ondes sonores et utilise des algorithmes linguistiques pour convertir les données audio en caractères numériques, en mots et en phrases.

L'apprentissage automatique, l'apprentissage profond et les grands modèles de langage — tels que le modèle GPT (Generative Pre-trained Transformer) d'OpenAI — ont rendu les logiciels de conversion de la parole en texte plus sophistiqués et plus efficaces, car ils permettent d'extraire des modèles du langage parlé à partir d'un vaste volume d'échantillons audio et textuels.

Il est possible d'intégrer l'intelligence artificielle générative à des logiciels de transcription de la parole en texte pour créer des assistants capables d'aider les clients par téléphone ou d'interagir avec des applications prenant en charge les commandes vocales ; cette technologie permet également de reconvertir le texte en parole — un processus connu sous le nom de synthèse vocale ou de voix off générée par IA — avec un rendu réaliste et naturel.

Comment fonctionne la conversion de la parole en texte ?

Les logiciels de conversion de la parole en texte comprennent plusieurs composants, notamment :

1. Entrée vocale : le microphone capte les mots prononcés.
2. Extraction de caractéristiques : l'ordinateur identifie les hauteurs de voix et les modèles distinctifs de la parole.
3. Le décodeur (Decoder) : l'unité où l'algorithme fait correspondre les caractéristiques de la parole à des caractères et des mots à l'aide d'un modèle linguistique.
4. Sortie des mots : le texte final est mis en forme avec la ponctuation et les majuscules appropriées pour être lisible par l'humain.

En général, le processus de conversion de la parole en texte se compose des étapes suivantes :

1. Prétraitement audio : une fois les enregistrements audio capturés, ils sont soumis à un prétraitement visant à améliorer la qualité et la précision de la reconnaissance. Ce processus inclut la suppression du bruit de fond et des fréquences non pertinentes, la normalisation du niveau sonore, la segmentation de l'extrait pour faciliter le traitement, ainsi que la conversion du fichier audio dans un format standard.
2. Analyse audio et extraction de caractéristiques : les signaux audio sont souvent représentés sous forme de spectrogrammes, qui sont des visualisations des fréquences au fil du temps. Les segments pertinents des enregistrements audio sont décomposés en une série de phonèmes, ces derniers constituant la plus petite unité de parole permettant de distinguer un mot d'un autre. Les principales catégories de phonèmes sont les voyelles et les consonnes. Les modèles linguistiques et les unités de décodage permettent d'associer les phonèmes à des mots, puis à des phrases. Quant aux modèles acoustiques fondés sur l'apprentissage profond, ils sont capables de prédire les lettres et les mots susceptibles d'apparaître ensuite, en fonction du contexte.

Il existe trois méthodes principales pour effectuer la reconnaissance vocale : synchrone, asynchrone et en flux continu.

1. Reconnaissance simultanée : elle se produit lorsqu'il y a une conversion immédiate de la parole en texte. Elle ne peut traiter que des fichiers audio d'une durée inférieure à une minute. Cette technique est utilisée pour le sous-titrage en direct des émissions télévisées.
2. Reconnaissance en flux continu : le flux audio est traité en temps réel, ce qui peut entraîner l'affichage de textes fragmentés alors que l'utilisateur est encore en train de parler.
3. Reconnaissance asynchrone : des fichiers audio volumineux préenregistrés sont soumis pour transcription. Ils peuvent être placés dans une file d'attente pour traitement et livrés ultérieurement.

Des entreprises telles que Google, Microsoft, Amazon et IBM® proposent des solutions de conversion de la parole en texte sous forme d'API (interfaces de programmation d'applications) dans le cloud, permettant ainsi de les utiliser en coordination avec d'autres applications, outils et appareils.

Les iPhone d'Apple disposent d'une fonction de dictée qui intègre la technologie de conversion de la parole en texte propre au système iOS ; de leur côté, les utilisateurs d'Android peuvent télécharger des applications telles que Gboard pour bénéficier de cette fonctionnalité, tandis que certains appareils Pixel permettent de dicter du texte via l'Assistant. Il existe diverses options de logiciels de conversion de la parole en texte, qu'ils soient open source ou propriétaires.

Évolution des systèmes de conversion de la parole en texte

Au début de leur développement, les logiciels de reconnaissance vocale s'appuyaient sur un vocabulaire limité. Leur adoption récente par des secteurs allant de l'automobile à la santé a favorisé les progrès dans les domaines de la science des données, de l'apprentissage profond et de l'intelligence artificielle.

Dans les années 1950, les laboratoires Bell ont mis au point le premier système de reconnaissance vocale, baptisé AUDREY, capable de reconnaître des chiffres prononcés. Par la suite, IBM a créé le système Shoebox en 1962, capable de reconnaître des chiffres ainsi que 16 mots différents.

Au cours de ces décennies, les informaticiens ont mis au point des modèles de reconnaissance des phonèmes ainsi que des modèles statistiques, tels que les modèles de Markov cachés (Hidden Markov Models), qui demeurent des algorithmes très répandus pour la reconnaissance de la parole. Vers les années 1970, un programme baptisé HARPY, développé à l'université Carnegie Mellon, a permis aux ordinateurs de reconnaître 1 000 mots.

Dans les années 1980, le système de transcription vocale Tangora d'IBM utilisait des méthodes statistiques pour reconnaître jusqu'à 20 000 mots. Il a été employé dans le premier système de dictée à commande vocale destiné aux employés de bureau et a jeté les bases des logiciels modernes de conversion de la parole en texte. Le développement et l'amélioration de ce type de logiciel se sont poursuivis jusqu'à sa commercialisation au cours de la première décennie du XXIe siècle.

L'émergence des algorithmes d'apprentissage automatique et d'apprentissage profond a permis de remplacer les modèles statistiques, d'améliorer la précision de la reconnaissance et d'élargir le champ des applications. L'apprentissage profond permet de mieux saisir les nuances et les expressions informelles. Quant aux grands modèles de langage (LLM), ils peuvent être utilisés pour apporter du contexte, ce qui s'avère utile lorsque le choix des mots est ambigu ou en présence de variations de prononciation liées aux dialectes. Avec l'avènement des assistants virtuels et des enceintes intelligentes, il est désormais possible d'intégrer la conversion de la parole en texte aux grands modèles de langage, au traitement du langage naturel (NLP) et à d'autres services cloud.

Les modèles d'apprentissage profond de bout en bout, tels que les Transformers, sont essentiels pour les grands modèles de langage ; ils sont entraînés sur de vastes ensembles de données non étiquetées composés de paires audio-texte afin d'apprendre à associer les signaux audio aux transcriptions textuelles.

Au cours de cet entraînement, le modèle apprend implicitement à quoi ressemblent les mots et quels sont ceux susceptibles d'apparaître ensemble dans une séquence ; il peut également déduire les règles grammaticales et la structure de la langue pour les appliquer de lui-même. L'apprentissage profond intègre certaines des étapes les plus fastidieuses des techniques traditionnelles de conversion de la parole en texte.

Utilisations de la conversion de la parole en texte

Il existe de nombreux cas d'utilisation pour les logiciels de conversion de la parole en texte :

1. Insights pour les centres d'appels et assistance aux agents
2. Services de transcription audio et de traduction en temps réel
3. Reconnaissance vocale
4. Applications de saisie vocale et de dictée
5. Surveillance du contenu
6. Sous-titrage de films, de séries et de vidéos
7. Transcription audio de vidéos publicitaires et promotionnelles pour les réseaux sociaux

Insights pour les centres d'appels et assistance aux agents

Les logiciels de conversion de la parole en texte peuvent transcrire automatiquement les interactions avec les clients, acheminer les appels selon les besoins, extraire des enseignements des conversations et effectuer une analyse des sentiments.

Exemple : pour les centres d'appels du service client, les assistants vocaux basés sur l'intelligence artificielle peuvent utiliser la conversion de la parole en texte pour traiter les questions les plus simples et les plus fréquentes des clients, et orienter les demandes plus complexes vers des agents humains.

Services de transcription audio et de traduction en temps réel

Ces outils permettent de transcrire des réunions en ligne ou des séminaires, ainsi que de générer des sous-titres ou des légendes pour les vidéos. Ils peuvent également être utilisés conjointement avec des logiciels de traduction pour fournir des transcriptions en plusieurs langues. Des applications spécialisées permettent en outre d'effectuer des transcriptions adaptées aux secteurs de la santé, du droit et de l'éducation.

Exemple : Amazon propose un service de transcription médicale qui utilise la conversion de la parole en texte pour transcrire les échanges entre médecins et patients en notes cliniques, ainsi que pour retranscrire les consultations de télésanté.

Exemple : Makina propose un service de transcription adapté à l'ajout de sous-titres sur divers types de vidéos, qu'il s'agisse de séries, de films, de documentaires ou de contenus publicitaires.

Reconnaissance vocale

Grâce au traitement du langage naturel, la reconnaissance vocale permet d'extraire le sens d'un texte transcrit, d'en tirer des commandes exécutables et de les mettre en œuvre. Cela aide les utilisateurs à émettre des commandes vocales — telles que passer des appels, effectuer des recherches sur le Web ou contrôler l'éclairage, les thermostats et autres appareils connectés d'une maison intelligente — par l'intermédiaire de chatbots ou d'assistants numériques comme Alexa, Cortana, Google Assistant et Siri.

Exemple : Amazon Alexa utilise désormais la conversion de la parole en texte et du texte en parole pour allumer les lumières, régler la température d'une pièce spécifique ou suggérer des recettes basées sur vos derniers achats de produits alimentaires.

Applications de saisie vocale et de dictée

Les personnes en situation de handicap peuvent utiliser ces applications pour interagir avec des ordinateurs et des smartphones sans avoir à taper physiquement. Elles peuvent, à la place, dicter des messages texte, des notes, des e-mails, et bien plus encore.

Exemple : les élèves atteints de dyslexie ou ayant récemment subi une blessure au bras peuvent prendre des notes à l'aide de leur voix sur un ordinateur fonctionnant sous Microsoft, une fonctionnalité prise en charge par les services Azure Speech.

Surveillance du contenu

L'intelligence artificielle peut analyser les transcriptions de vidéos et de fichiers audio pour détecter tout contenu inapproprié, et agir en tant que modérateur en signalant les éléments douteux pour qu'ils soient examinés par des humains.

Exemple : Vatis Tech propose un outil utilisant la conversion de la parole en texte pour la surveillance des réseaux sociaux à des fins marketing, aidant ainsi les marques à identifier les moments où elles suscitent un engouement et à comprendre l'intention derrière les interactions des clients.

Les défis de la transcription audio de la langue arabe

1. La diversité dialectale entre les pays et les régions
2. Les dialectes arabes diffèrent considérablement en matière de prononciation, de vocabulaire et même de structure des phrases.
3. Exemple : le mot « sayyāra » (voiture) se prononce souvent « arabiyya » dans le dialecte égyptien et « tomobil » dans le dialecte marocain, alors qu'en arabe littéral, il se dit « sayyāra ».
4. Cette variation perturbe les systèmes de reconnaissance vocale, qui sont souvent entraînés sur un seul dialecte ou uniquement sur l'arabe standard.
5. Même au sein d'un même pays, il peut y avoir des différences marquées entre les dialectes du Nord et du Sud.
6. L'absence de vocalisation dans la prononciation et les textes
7. La langue arabe repose sur les voyelles brèves pour distinguer le sens ; toutefois, dans la conversation quotidienne, elles ne sont souvent pas prononcées, et dans les textes écrits, elles sont rarement indiquées.
8. Exemple : les mots « ʿalima » (savoir), « ʿulima » (être su) et « ʿallama » (enseigner) ; ils se ressemblent tous sur le plan phonétique si les voyelles brèves ne sont pas prononcées distinctement.
9. Cela contraint le système ou le transcripteur humain à se fier au contexte, ce qui peut entraîner des erreurs de compréhension.
10. La similitude phonétique entre les mots (homophones)
11. Certains mots arabes se ressemblent beaucoup par la prononciation, bien que leurs sens diffèrent.
12. Exemple : « ʿamm » (frère du père), « ʿām » (année) et « ʿamma » (se répandre) ; tous peuvent être prononcés de manière quasi identique lorsqu'on parle vite ou que le son manque de clarté.
13. Les programmes automatisés peuvent écrire le mauvais mot s'ils ne sont pas programmés pour analyser le sens à partir du contexte.
14. Multiplicité des locuteurs et chevauchement des voix
15. Lors de réunions ou de conversations, il peut arriver que plusieurs personnes parlent en même temps ou que l'une interrompe l'autre.
16. Cela rend difficile la distinction entre les voix, surtout en l'absence d'un système intelligent capable d'identifier qui parle.
17. Même le transcripteur humain éprouve des difficultés à suivre les échanges rapides et les passages qui se chevauchent.
18. Débit rapide et manque de clarté de l'élocution
19. De nombreux locuteurs arabes parlent très vite, abrègent les mots ou escamotent certaines lettres.
20. Exemple : dans le dialecte égyptien, l'expression « ma tqul-lish » peut se transformer en « matqulish » lors d'une élocution rapide.
21. Les enregistrements à faible volume ou comportant un bruit de fond rendent plus difficile la distinction entre les mots.
22. Alternance codique (Code-switching)
23. De nombreux locuteurs arabes intègrent des mots étrangers (anglais ou français) dans leur conversation quotidienne, en particulier dans les pays du Maghreb ou du Golfe.
24. Exemple : « Réserve-moi un billet en ligne » ou « Je veux un nouveau démarreur pour la voiture ».
25. Cela perturbe les systèmes de transcription, car ils doivent reconnaître plusieurs langues simultanément.
26. Mauvaise qualité des enregistrements
27. L'enregistrement dans un environnement bruyant, avec un microphone de mauvaise qualité ou via une connexion Internet instable réduit la clarté de la parole.
28. Les bruits ambiants (enfants, voitures, rires, écho) peuvent entraîner de nombreuses erreurs lors de la transcription.
29. Même les systèmes d'intelligence artificielle les plus puissants peuvent commettre des erreurs si le son n'est pas clair.

La contribution de Makna à relever les défis de la transcription audio en arabe

Avec l'évolution de l'intelligence artificielle et du traitement du langage naturel, des solutions avancées de transcription audio pour l'arabe ont vu le jour, notamment « Makina » ; il s'agit d'une plateforme (ou technologie) visant à fournir une transcription précise et rapide du contenu arabe, dans ses différents dialectes.

Sa contribution se manifeste sous plusieurs aspects :

1. Reconnaissance des dialectes arabes
2. « Makina » s'appuie sur des modèles vocaux entraînés sur un large éventail de dialectes, ce qui lui permet de comprendre des vocabulaires et des prononciations variés, allant du dialecte du Golfe au marocain, en passant par l'égyptien et le levantin.
3. Cette fonctionnalité réduit les erreurs dues aux différences de prononciation entre les régions.
4. Fusionner l'arabe littéral et le dialecte avec fluidité
5. « Makina » est capable de traiter des conversations mêlant arabe littéral et dialectal au sein d'un même texte, une pratique courante dans les entretiens et les échanges médiatiques.
6. Cela réduit le problème de la multiplicité des styles linguistiques au sein d'un même enregistrement.
7. Identification des mots empruntés (alternance codique)
8. « Makina » est capable de reconnaître les mots étrangers intégrés dans les échanges en arabe et de les transcrire avec précision, qu'il s'agisse d'anglais, de français ou d'autres langues.
9. Cela s'avère utile dans les environnements professionnels ou éducatifs où l'usage de termes étrangers est fréquent.
10. Intégration avec les outils d'édition
11. Il est possible de connecter « Makina » à des logiciels de traitement de texte ou à des systèmes de gestion de contenu, ce qui facilite la conversion des enregistrements en textes prêts à être publiés ou archivés.

Maintenant que vous êtes devenu un expert des fondamentaux de cet univers passionnant, il est temps de passer à la pratique.

Êtes-vous prêt à transformer vos enregistrements en textes qui agrémentent vos vidéos ?

Commencez votre aventure dans l'univers du contenu audio dès aujourd'hui.

Essayez gratuitement la plateforme « Makina » et convertissez un fichier audio en texte écrit en moins d'une minute !

Commencez votre essai gratuit dès maintenant

Source : IBM.COM