La précision de la transcription automatique de la parole dépend de trois facteurs : la qualité de l’enregistrement, la manière dont les personnes parlent et le vocabulaire qu’elles utilisent. Un guide publié par ElevenLabs détaille l’origine de ces erreurs et les moyens de les corriger, souvent sans modifier le modèle lui-même.
- La précision dépend de la qualité audio, de la façon de parler et du vocabulaire.
- Un micro bien placé et des formats sans perte améliorent nettement la transcription.
- La diarisation, le multicanal et les termes clés aident sur les conversations et le vocabulaire spécialisé.
- Le taux d’erreur de mots ne suffit pas, il faut tester séparément les champs sensibles.
Le bruit de fond, les voix qui se chevauchent ou les jargons spécialisés peuvent dégrader le résultat, y compris avec des modèles performants. Une erreur de transcription ne reste pas toujours confinée au texte. Un médicament mal entendu dans une note clinique, ou un numéro de compte erroné dans un journal d’appels, se répercute dans tous les systèmes qui exploitent ce texte, de la recherche à l’analyse, jusqu’aux agents IA qui agissent sur la base de ces paroles. Une précision insuffisante allonge aussi le temps de relecture, puisqu’il faut repérer et corriger les fautes à la main.
Une qualité audio à soigner
Le premier levier se situe au moment de l’enregistrement. Le guide recommande un échantillonnage de 16 kHz ou 44,1 kHz. En dessous, la téléphonie classique à 8 kHz élimine les fréquences supérieures à 4 kHz, ce qui rend plus difficile la distinction entre les consonnes fricatives, comme « s » et « f », et les occlusives, comme « p » et « t ». Les formats compressés avec pertes, tels que MP3 ou AAC, retirent également des détails de la voix. Les formats sans perte, comme FLAC ou PCM WAV, sont préférables.
La position du micro compte tout autant. Le guide conseille de le placer à 10-15 cm de la bouche du locuteur, et d’éviter que celui-ci se penche vers l’appareil, ce qui accentue les basses fréquences. Un filtre anti-pop limite par ailleurs les souffles produits lors de la prononciation de certaines consonnes. Lorsque le bruit ambiant ne peut pas être évité, la isolation vocale, appliquée avant l’envoi de l’audio au modèle, permet de filtrer les sons de fond.
Voix qui se chevauchent et vocabulaire spécialisé
Pour les conversations où plusieurs personnes parlent en même temps, le guide cite deux outils : la diarisation, qui segmente l’audio par locuteur identifié et fonctionne bien lorsque les tours de parole sont clairs, et l’enregistrement multicanal, qui place chaque intervenant sur une piste distincte. Dans ce second cas, le modèle n’a pas besoin de reconstituer après coup qui parle.
Les noms de marques, les nouveaux produits ou les termes techniques peuvent être absents des données d’entraînement. La keyterm prompting, ou invite de termes clés, consiste à indiquer au modèle les orthographes attendues, afin qu’il les privilégie selon le contexte. Le guide précise qu’il ne s’agit pas d’un remplacement mot à mot. Les chiffres, identifiants et noms de médicaments exigent une attention particulière : le guide cite l’exemple de l’hydroxyzine et de l’hydralazine, deux noms proches. Il recommande de combiner cette invite, la normalisation inverse du texte, qui transforme « ten dollars » en « $10.00 », et une vérification humaine ou automatisée pour les champs sensibles.
Mesurer la qualité avec le taux d’erreur de mots
Le taux d’erreur de mots (WER, pour word error rate) sert à évaluer un moteur. Il se calcule en additionnant les substitutions (S), les suppressions (D) et les insertions (I), puis en divisant par le nombre total de mots de référence (N). Le guide souligne que cet indicateur pondère toutes les erreurs de la même façon : confondre « took » et « look » compte autant que de rater un nom de marque ou une dose de médicament. Il est donc utile de tester ces champs séparément.
Le guide ne fixe pas de seuil universel, car la cible dépend de l’audio et de l’usage. Selon ElevenLabs, Scribe v2 Medical figure parmi les modèles les plus performants sur des référentiels publics de reconnaissance vocale médicale, sans que le guide ne précise les chiffres. L’éditeur invite à consulter les résultats actuels, qui évoluent avec la sortie de nouveaux modèles.
