La reconnaissance vocale, de la théorie à nos smartphones

Chaque fois que l’on dicte un message ou que l’on interpelle un assistant vocal, un système de reconnaissance vocale convertit en quelques dixièmes de seconde notre voix en texte exploitable par une machine. Cette prouesse technique, aujourd’hui banale, est le fruit de plus de soixante-dix ans de recherche.

Des premiers systèmes limités à un seul chiffre

Les premiers systèmes de reconnaissance vocale, dans les années 1950, ne pouvaient reconnaître qu’un nombre très restreint de mots isolés, prononcés distinctement par un seul locuteur préalablement « appris » par la machine. Les décennies suivantes ont vu progressivement l’élargissement du vocabulaire reconnu, la capacité à traiter la parole continue, puis l’indépendance vis-à-vis du locuteur — c’est-à-dire la capacité à comprendre n’importe quelle voix sans entraînement préalable spécifique.

L’apprentissage profond, décisif pour la voix

Comme pour la traduction et la génération de texte, c’est l’arrivée de l’apprentissage profond, au début des années 2010, qui a permis le saut de qualité le plus spectaculaire, en réduisant drastiquement le taux d’erreur de transcription, y compris dans des environnements bruyants ou avec des accents variés. Cette amélioration a rendu les assistants vocaux enfin pratiques pour un usage quotidien grand public.

La reconnaissance vocale reste néanmoins distincte de la compréhension du langage : transcrire correctement une phrase ne garantit pas d’en saisir le sens ni l’intention, une nuance essentielle pour comprendre pourquoi un assistant vocal peut parfaitement retranscrire une question sans pour autant y répondre de façon pertinente.