Comment fonctionne la transcription par IA en pratique

Comprendre comment fonctionne la transcription par IA exige de distinguer deux systèmes distincts qui s'exécutent de façon complémentaire : un modèle acoustique, qui convertit les ondes sonores en phonèmes, et un modèle de langue, qui résout ces phonèmes en mots probables. La qualité de la sortie dépend presque entièrement de la propreté du signal audio et de la taille du corpus d'entraînement de ces modèles.

Le taux d'erreur sur mot (WER) descend sous 5 % sur des enregistrements mono-locuteur propres ; attendez 15 à 25 % de dégradation dans une réunion de six personnes avec bruit de fond. Ce n'est pas que la technologie est récente : la reconnaissance automatique de la parole existe depuis les années 1970. Jusqu'à ce que les modèles à base de transformeurs deviennent la norme vers 2022, les systèmes traitaient l'audio de façon séquentielle, une trame à la fois, sans accès au contexte de phrase élargi. L'amélioration depuis est réelle ; elle est aussi plus limitée que ce que le marketing fournisseur laisse entendre.

La parole résiste à l'analyse automatique

Le texte imprimé arrive déjà segmenté : espaces entre les mots, ponctuation aux frontières de phrase, majuscules en début de phrase. La parole ne transporte aucun de ces signaux. Un flux continu d'informations acoustiques doit être découpé en unités significatives avant tout traitement en aval.

Prenons un exemple concret. Lorsqu'un locuteur dit "analyser les résultats" à rythme conversationnel normal, le signal acoustique entre les deux mots ne contient aucun silence identifiable. Le modèle doit inférer la frontière à partir d'indices probabilistes : durée de la consonne finale, variation de hauteur, connaissance des séquences de mots plausibles dans ce contexte. Pour les expressions courantes, ce mécanisme est fiable.

Pour les termes techniques, les noms propres ou le vocabulaire de niche que le modèle n'a pas rencontré lors de l'entraînement, les erreurs de segmentation se cumulent en erreurs de transcription. Ce n'est pas un défaut corrigeable : c'est une propriété du langage parlé. Comprendre cette contrainte est le point de départ pour fixer des attentes raisonnables vis-à-vis de tout outil de transcription.

Le modèle acoustique : du signal brut au phonème

Le modèle acoustique gère la première conversion : le signal audio brut devient une séquence de phonèmes, les plus petites unités sonores perceptibles de la langue. Le système ne "comprend" pas des mots : il lit des spectrogrammes, des représentations bidimensionnelles de l'audio où un axe correspond au temps et l'autre à la fréquence.

Un réseau de neurones entraîné analyse ces spectrogrammes et attribue des probabilités à des séquences de phonèmes. La sortie n'est pas une liste de mots : c'est un graphe pondéré de séquences sonores possibles que la couche suivante doit interpréter. Cette distinction compte parce que les erreurs introduites au stade acoustique se propagent en aval.

Trois facteurs gouvernent la performance acoustique en pratique :

• Fréquence d'échantillonnage et profondeur de bits : un audio de qualité insuffisante écrête les informations fréquentielles sur lesquelles le modèle a été entraîné, introduisant des lacunes dans la représentation spectrale

• Rapport signal/bruit : le bruit de fond introduit des candidats phonèmes concurrents que le modèle doit supprimer ; les espaces de travail ouverts sont des environnements particulièrement hostiles

• Variation entre locuteurs : accent, débit et articulation décalent les spectrogrammes par rapport à la distribution d'entraînement du modèle, réduisant la confiance dans les attributions de phonèmes

Un phonème mal lu ne produit pas toujours un mot incorrect mais plausible. Parfois il génère une incohérence que la correction ultérieure ne peut pas facilement reconstruire. C'est là que réside le vrai risque pour les corpus spécialisés : les erreurs acoustiques passent inaperçues parce qu'elles sonnent juste à la lecture rapide, mais changent le sens d'un passage entier.

Le modèle de langue : quand le contexte remplace la conjecture

Le modèle de langue reçoit la séquence de phonèmes et la résout en texte en posant une question : compte tenu de tout ce qui précède dans cette phrase, quel mot est le plus probable ici ? C'est à ce niveau que le passage des méthodes statistiques aux transformeurs a produit un écart mesurable à partir de 2022.

Les anciens systèmes calculaient la probabilité d'un mot à partir des deux ou trois tokens précédents. Les modèles de langue à base de transformeurs s'appuient sur l'ensemble de la fenêtre de contexte disponible : un paragraphe complet ou davantage dans les implémentations actuelles. La conséquence pratique est triple : désambiguïsation correcte des homophones, ponctuation plus fiable, meilleure récupération sur les défaillances acoustiques courtes où le contexte comble ce que l'audio a manqué.

Ce que cela ne résout pas, c'est le vocabulaire de domaine. Un modèle entraîné sur de l'audio généraliste attribue une faible probabilité à "régression probit" ou "littérature grise" : des termes qu'un chercheur en sciences sociales utilise couramment. Un outil qui atteint 97 % de précision sur l'anglais courant et 82 % sur votre corpus réel est effectivement un outil à 82 % pour vos besoins. Les outils qui permettent le téléversement de vocabulaires personnalisés, ou qui ont été ajustés sur des corpus académiques ou juridiques, réduisent cet écart de façon mesurable. Évaluez cette capacité spécifiquement si votre travail implique une terminologie spécialisée.

La diarisation : le traitement qui change tout en conditions réelles

La transcription dit ce qui a été dit. La diarisation dit qui l'a dit. Les deux processus s'exécutent en parallèle dans la plupart des outils modernes, mais ce sont des systèmes techniquement distincts avec leurs propres modes de défaillance, et la diarisation échoue précisément dans les situations où elle importe le plus.

La diarisation regroupe les segments audio par identité de locuteur sans savoir qui sont ces locuteurs. La sortie est du texte étiqueté : "Locuteur 1 :", "Locuteur 2 :". L'outil ne sait pas que ce sont Lena et Marcus ; ce mappage nécessite soit une base de données de profils vocaux, soit une passe de correction manuelle.

Pour un entretien à deux personnes réalisé avec un bon microphone et une séparation nette des locuteurs, cela fonctionne suffisamment bien pour éviter la majeure partie des corrections. Pour une réunion de douze personnes avec des chevauchements de parole, la transcription nécessitera une reconstruction significative. Les scénarios de défaillance courants :

• Deux voix à des fréquences fondamentales similaires, notamment des paires du même genre parlant dans des registres proches

• Chevauchements de parole : le système attribue chaque segment à un seul locuteur, l'autre voix dans le chevauchement est simplement abandonnée

• Bruit de fond variable qui corrompt l'intégration vocale entre les segments, entraînant la division d'une seule personne en deux locuteurs apparents

Ce n'est pas le volume de la réunion qui pose problème : c'est la séparation des sources. Un ensemble de microphones individuels bien positionnés améliorera davantage la qualité de la diarisation que passer à un service de transcription haut de gamme.

WER publié contre ce que vous observez dans une salle bruyante

Le chiffre de référence que l'on rencontre le plus souvent dans la documentation des outils est un WER inférieur à 5 % pour l'anglais. Le WER comptabilise les substitutions, insertions et suppressions par rapport à une transcription de référence : un score de 5 % signifie cinq mots erronés sur cent.

Ce que ces chiffres précisent rarement, c'est les conditions d'enregistrement dans lesquelles ils ont été mesurés. Les benchmarks en conditions de laboratoire utilisent de l'audio propre provenant d'un seul locuteur à 16 kHz, sans bruit de fond, dans la langue dominante d'entraînement du modèle.

Les enregistrements réels provenant de bureaux en open space, d'appels vidéo à bande passante inconsistante, ou d'entretiens de terrain capturés sur smartphone produisent couramment un WER de 15 à 30 % avec le même modèle. L'écart entre le chiffre publié et le chiffre observé n'est pas un défaut du produit : c'est la conséquence du déploiement d'un système hors de sa distribution d'entraînement.

À la lecture, on retient deux choses. La qualité de l'environnement d'enregistrement représente une source de variance plus importante que le choix du fournisseur. Une pièce calme et un microphone à condensateur USB de base réduiront votre charge de correction plus efficacement que de migrer d'un outil haut de gamme à un autre. L'investissement dans la configuration rapporte de meilleurs résultats que la mise à niveau de l'abonnement.

Les langues autres que les grandes langues de référence accusent un retard substantiel. L'espagnol, le français, l'allemand et le mandarin sont raisonnablement couverts dans les principaux modèles. Les langues avec des corpus d'entraînement plus restreints, notamment de nombreuses langues africaines, les variétés arabes régionales et certaines langues européennes minoritaires, produisent des sorties qui fonctionnent au mieux comme des ébauches à retraviller. Si votre corpus est dans l'une de ces langues, vérifiez la précision sur un échantillon représentatif avant d'engager toute méthode de travail.

Ce que la transcription IA gère bien, et où l'écart reste mesurable

Voici ce qu'on a observé, présenté directement sur les deux faces.

Situations où la transcription IA fonctionne suffisamment bien pour s'intégrer à une méthode de travail :

• Enregistrement de cours et de conférences : un locuteur dominant, environnement acoustique maîtrisé, correction acceptable après coup

• Entretiens de recherche qualitative à deux personnes : séparation nette des locuteurs, diarisation récupérable, vocabulaire spécialisé gérable via un glossaire téléversé

• Comptes rendus de réunion et extraction de points d'action : la rapidité de la sortie justifie les compromis de précision à ce niveau d'usage

• Sous-titres d'accessibilité : une précision proche suffit pour le sous-titrage en temps réel où le contexte aide à la compréhension

Situations où l'écart reste mesurable et la relecture humaine n'est pas facultative :

• Documentation juridique et médicale : les taux d'erreur sur la terminologie spécialisée restent au-dessus des standards professionnels ; un terme mal transcrit change le sens sans déclencher d'alerte visible

• Parole fortement accentuée hors de la distribution d'entraînement : le modèle produit des mots incorrects mais plausibles que seule une connaissance du domaine permet d'identifier

• Tables rondes multi-participants avec chevauchements : la transcription nécessite souvent une reconstruction plutôt qu'une simple correction

Ce qu'il faut évaluer avant de s'engager dans un outil

Le WER est un point de départ, pas la variable décisive. Voici ce que le benchmark ne capture pas pour les travaux de recherche et de gestion des connaissances.

Support du vocabulaire personnalisé. Les domaines académiques et professionnels génèrent continuellement de la terminologie. Un outil qui accepte un glossaire de termes de domaine et de noms propres surpassera un modèle généraliste nominalement plus précis sur votre corpus spécifique. Demandez aux fournisseurs si cette fonctionnalité est disponible et à quel niveau d'abonnement elle s'active.

Flexibilité des formats d'export. Une transcription stockée uniquement dans la plateforme d'un fournisseur crée une dépendance qui s'alourdit avec le temps. Privilégiez les outils avec un export propre vers le texte brut, le format SRT ou un JSON structuré qui s'intègre à votre méthode d'annotation ou d'analyse existante.

Politique de traitement et de conservation des données. Si vous travaillez avec des sources d'entretien sensibles, des résultats non publiés ou des données de participants protégées, établissez combien de temps le fournisseur conserve vos fichiers audio et de transcription, dans quelle juridiction et dans quel cadre légal. Ce n'est pas une question secondaire.

Capacité de traitement par lots. Pour quiconque dispose d'un arriéré d'enregistrements, la possibilité de mettre en file d'attente plusieurs fichiers et de les traiter durant la nuit est un prérequis de la méthode de travail, pas une fonction de commodité.

Ce que vous choisissez en définitive, c'est une précision sur votre matériel, dans votre langue, face à vos contraintes pratiques, et non une précision dans l'abstrait. La seule méthode fiable pour établir cela est un test structuré sur un échantillon représentatif de votre propre corpus avant tout engagement.