Les mots qui comptent le plus
Reconnaissance vocale, ou ASR. Un logiciel qui change du son enregistré en mots écrits. ASR est le sigle anglais de reconnaissance automatique de la parole et désigne la même chose. Il ne comprend pas ce que tu as dit ; il détermine quels mots ont été prononcés.
Dictée. L’usage volontaire de la reconnaissance vocale pour produire un texte que tu voulais écrire. Distincte de la transcription en ce que tu es celui qui parle et que tu le fais exprès.
Transcription. Le passage d’un enregistrement existant au texte. En général la parole de quelqu’un d’autre, en général après coup, en général pour produire un document.
Sous-titrage. Le passage de la parole au texte en temps réel pour qu’on la lise pendant qu’elle se produit, en général pour l’accessibilité.
Ces quatre-là sont employés l’un pour l’autre dans les brochures et désignent des choses réellement différentes, et c’est pourquoi les résultats de recherche pour l’un ou l’autre sont un tel mélange.
Où le travail se fait
Sur l’appareil, aussi appelé local ou embarqué. Le modèle tourne sur ton téléphone ou ton ordinateur. Rien n’est transmis, et ça marche sans connexion.
Cloud, aussi appelé côté serveur. L’audio part vers un serveur distant, il y est traité, et du texte revient. Permet des modèles bien plus gros et réclame une connexion.
Hybride. Les deux, avec quelque chose qui décide lequel s’applique à un moment donné. Cette décision peut te revenir ou revenir au logiciel, et elle peut dépendre de ton appareil, de ta langue ou de tes réglages.
Mode hors ligne. L’option locale d’un produit hybride. L’existence d’un mode suppose l’existence d’un autre.
Le modèle lui-même
Modèle. Le fichier qui fait la reconnaissance. Produit par un entraînement, et pour l’essentiel une très grande collection de nombres.
Poids. Ces nombres. Quand on dit d’un modèle qu’il a des « poids ouverts », cela veut dire que le fichier peut être téléchargé et exécuté par n’importe qui, et c’est ce qui rend possibles les produits locaux.
Données d’entraînement. La parole enregistrée et le texte correspondant dont un modèle a appris. La quantité qui existait dans ta langue est le premier facteur de la qualité que tu obtiendras.
Taille du modèle. Donnée d’ordinaire en mégaoctets. Les gros modèles se débrouillent mieux des accents, du bruit et des mots inhabituels, et réclament plus de mémoire et plus de temps.
Quantification. Le fait de stocker les nombres d’un modèle avec moins de précision, pour que le fichier soit plus petit et plus rapide à exécuter, au prix d’une perte modeste de justesse. C’est une bonne part de la raison pour laquelle les modèles de taille téléphone sont devenus praticables.
Whisper. Un modèle de reconnaissance vocale publié par OpenAI avec ses poids disponibles, et c’est pourquoi énormément de produits locaux reposent dessus ou sur des réimplémentations.
whisper.cpp. Une version de Whisper écrite pour tourner efficacement sur des processeurs ordinaires, très employée dans les apps mobiles parce que la plupart des téléphones n’ont pas de carte graphique digne de ce nom.
Comment ça se comporte
Latence. Le délai entre le moment où tu t’arrêtes et celui où le texte apparaît. En local, elle dépend de ton matériel et de la taille du modèle ; dans le cloud, elle dépend de ta connexion.
Justesse, ou taux d’erreur sur les mots. La fréquence à laquelle le système se trompe de mot. Les chiffres cités décrivent presque toujours des enregistrements propres dans des langues bien dotées, donc traite-les comme un plafond plutôt que comme une attente.
Champ lointain et champ proche. Selon que le micro est à l’autre bout d’une pièce ou près de ta bouche. Le champ proche est spectaculairement plus facile, et c’est ce que la dictée suppose.
Détection d’activité vocale. Déterminer quand la parole commence et s’arrête, pour que le système sache quoi traiter et quand tu as fini.
Détection de langue. Déterminer quelle langue est parlée, au lieu de se le faire dire d’avance. Fiable sur des phrases entières, peu fiable sur des mots isolés.
Ponctuation déduite. Virgules et points décidés par le système d’après ton rythme et la grammaire, au lieu d’être dictés à voix haute comme des commandes. C’est la norme dans les produits récents.
Sur le téléphone lui-même
Méthode de saisie, ou IME. Le nom technique d’un clavier sur Android. Une méthode de saisie reçoit tes frappes et peut lire le texte autour du curseur, ce qui est la manière dont la correction automatique fonctionne et la raison pour laquelle Android t’avertit quand tu en actives une.
Activer et sélectionner. Deux étapes distinctes. Activer permet à un clavier d’exister comme option ; sélectionner en fait celui qui sert. Rater la seconde est la raison la plus courante pour laquelle un clavier fraîchement installé semble ne rien faire.
Dictionnaire personnel. Les mots que tu ajoutes toi-même pour qu’ils cessent d’être corrigés et, dans les produits qui le permettent, pour que le système sache qu’ils sont possibles.
Mot de réveil. Une courte phrase qu’un appareil guette en continu pour démarrer un assistant. La dictée n’en emploie pas, et c’est pourquoi un clavier n’écoute pas entre deux usages.
Sauvegarde cloud. La copie de routine des données d’une app vers ton compte, faite par Android. Une app peut s’en retirer, ce qui protège les données et fait qu’elles ne reviennent pas sur un nouveau téléphone.
Unités et chiffres que tu verras cités
Trois termes sèment la confusion quand on compare des produits.
Les mégaoctets d’un modèle. La place occupée sur l’appareil. À noter que la mémoire utilisée pendant l’exécution est un autre chiffre, en général plus grand, et c’est pourquoi un modèle peut tenir sur un téléphone tout en y étant inconfortable.
Le facteur temps réel. La durée du traitement rapportée à la durée pendant laquelle tu as parlé. En dessous de un, c’est plus rapide que la parole ; au-dessus, tu attends. Une formule comme « 6,9 secondes de parole en 4,1 secondes » est exactement ça, dite simplement.
Le nombre de langues prises en charge. Un décompte des langues que le produit tentera, ce qui n’est pas la même chose que les langues qu’il traite bien. Comparer cent à dix-huit ne t’apprend presque rien sur la tienne.
Des mots qui sonnent comme des garanties et n’en sont pas
Ce sont eux qui trompent le plus dans ce domaine.
« Privé ». Non défini. Demande où va l’audio et si un compte intervient.
« Sécurisé ». Décrit d’ordinaire la transmission plutôt que la question de savoir s’il y a transmission.
« Fonctionne hors ligne ». Veut parfois dire que ton texte est conservé en local, ce qui ne dit rien de l’endroit où ta voix a été traitée. Deux affirmations entièrement différentes.
« Propulsé par Whisper ». Dit quel modèle, pas où il tourne. Un modèle ouvert sur le serveur de quelqu’un reste sur le serveur de quelqu’un.
« Aucune collecte de données ». Plus étroit qu’il n’y paraît. Demande ce qui compte comme donnée, et si l’audio lui-même en fait partie.
Le test fiable derrière tous ces mots porte sur le comportement : coupe les données mobiles et le Wi-Fi, puis essaie de te servir de la fonction.
Où LocalType se situe dans ce vocabulaire
LocalType est une méthode de saisie avec de l’ASR sur l’appareil, sans mode hybride, sans mot de réveil et sans compte. Le modèle a des poids ouverts, il est quantifié pour tourner sur un téléphone, et il est proposé en trois tailles, à 60, 190 et 539 Mo, pour que tu choisisses ton point sur la courbe entre latence et justesse. Sur l’appareil de test à 4 Go, le réglage du milieu a changé 6,9 secondes de parole en texte en 4,1 secondes.
Il fait de la détection de langue sur dix-huit langues à partir de l’enregistrement plutôt que d’un réglage, et il déduit la ponctuation au lieu d’accepter des commandes parlées. Il gère un dictionnaire personnel, qui reste sur l’appareil et est donné au modèle comme contexte.
L’accès à internet est demandé pour exactement un usage, récupérer le modèle. La publicité est absente, aucun pistage ne tourne dans le produit, aucune archive de tes enregistrements n’est gardée, le modèle est rangé dans un stockage privé que seule l’app peut atteindre, et la sauvegarde cloud d’Android se voit volontairement refuser les données de l’app. Touche un champ de mot de passe et aucune touche micro n’y est proposée.