La matière d’entraînement est déjà toute la première réponse
Un modèle vocal apprend en voyant de la parole enregistrée à côté du texte correct. Plus il en a vu dans une langue, mieux il la traite.
Cette matière est répartie de façon très inégale. L’anglais dispose d’une quantité colossale d’audio transcrit : émissions, cours, sous-titres, livres audio, archives publiques. Une langue de dix millions de locuteurs et moins de médias numérisés en a une petite fraction, et une langue régionale n’en a presque rien.
Le modèle ne porte pas de jugement. Il reflète ce qu’on lui a donné, et ce qu’on lui a donné reflète quelles langues produisent le plus d’audio transcrit, ce qui tient largement à la démographie et à la part d’internet qui se passe dans cette langue.
Voilà la raison du motif que les gens remarquent. C’est aussi pourquoi l’écart se resserre lentement au lieu d’être réglé par une nouvelle version.
Tous les locuteurs d’une langue ne sont pas également représentés
À l’intérieur d’une même langue, le même problème se répète à plus petite échelle.
La matière d’entraînement penche vers la parole médiatique, qui penche vers les accents standards, la diction préparée et les registres soutenus. Les accents régionaux, les parlers locaux, les voix jeunes, les voix âgées et les locuteurs non natifs sont tous présents en plus petite quantité.
Deux personnes qui parlent la même langue peuvent donc obtenir des résultats nettement différents, et l’écart n’a rien à voir avec la clarté de leur élocution. Il tient à la quantité de parole ressemblant à la leur qui se trouvait dans le tas.
Mieux vaut le savoir avant de t’en vouloir ou d’accuser le micro.
Certaines langues sont structurellement plus difficiles
Au-delà du volume de données, quelques propriétés rendent réellement la reconnaissance plus dure.
La liaison et l’élision. Le français attache les mots les uns aux autres à l’oral. « Les amis » sonne d’un seul tenant, « l’heure » a mangé son article, et les frontières entre les mots ne sont pas là où l’écriture les met. Le système doit décider où un mot finit, ce qui est un problème distinct de celui de l’entendre.
Les marques muettes. Une bonne partie du pluriel et des accords ne s’entend pas en français. Le son ne tranche pas entre le singulier et le pluriel, donc c’est la grammaire de la phrase qui doit le faire, et elle se trompe parfois.
Les mots composés. Les langues qui collent les mots entre eux produisent de très longues formes qui apparaissent rarement dans un corpus. Le néerlandais et l’allemand le font sans arrêt, et un composé que le modèle n’a jamais vu doit être assemblé plutôt que reconnu.
La flexion abondante. Si un nom a quinze formes et un verbe quarante, chaque forme apparaît moins souvent qu’un équivalent anglais. La même quantité de matière s’étale plus mince.
Le ton. Dans les langues à tons, la hauteur change le sens et non l’emphase, ce qui ajoute une dimension que le modèle acoustique doit réussir.
Les emprunts et l’alternance de langues. Dans beaucoup de langues, la parole quotidienne est pleine de termes techniques anglais. Ce mélange est courant dans la vie et rare dans un corpus propre.
Aucun de ces points n’est insurmontable, et tous font qu’une quantité donnée de matière achète moins de justesse que dans une langue plus simple.
Pourquoi un modèle multilingue est un compromis
La plupart des dictées locales emploient aujourd’hui un modèle qui couvre plusieurs langues plutôt qu’un par langue. Ce choix a des conséquences concrètes.
L’avantage est réel : un seul téléchargement, aucun pack à gérer, et la possibilité de deviner la langue que tu parles depuis l’enregistrement plutôt que depuis un menu. Pour qui vit dans deux langues, c’est la différence entre se servir de la dictée et ne pas s’en servir.
Le coût, c’est que la capacité est partagée. Un modèle d’une taille donnée qui couvre dix-huit langues consacre moins de lui-même à chacune qu’un modèle de la même taille consacré à une seule. C’est l’arbitrage derrière ce constat qu’un outil dédié à une langue fait parfois mieux sur cette langue.
Il y a aussi un bénéfice auquel on ne s’attend pas. Des langues apparentées s’entraident, parce que ce qui a été appris de l’une se transfère en partie à l’autre. Une langue moins dotée, voisine d’une langue bien pourvue, s’en sort souvent mieux dans un modèle multilingue que son propre volume de données ne le laisserait croire.
Ce qui améliore réellement tes résultats
Trois choses jouent, par ordre d’effet, et toutes te reviennent plutôt qu’à nous.
Parle en phrases complètes. Le contexte travaille davantage dans une langue peu dotée, pas moins, parce que les indices acoustiques sont plus faibles et que les mots voisins doivent porter plus.
Ajoute ton propre vocabulaire. Les noms propres sont le pire cas dans toutes les langues et le meilleur cas pour un dictionnaire personnel. LocalType garde ces ajouts sur l’appareil et les transmet au modèle vocal comme contexte.
Prends un modèle plus grand si ton téléphone peut le loger. La capacité aide le plus exactement là où la langue est peu représentée, et c’est pourquoi l’écart entre les tailles de modèle se remarque davantage dans certaines langues qu’en anglais.
Réduire le bruit de fond aide aussi, et plus que dans une langue que le modèle connaît bien, puisqu’il y a moins de redondance sur laquelle se rabattre.
Ce qui changera et ce qui ne changera pas
Ce qui changera : la quantité de matière d’entraînement disponible, lentement, à mesure que de l’audio transcrit s’accumule dans plus de langues. Les architectures de modèles continuent aussi de gagner en efficacité, donc un modèle de taille téléphone représente plus qu’avant.
Ce qui ne changera pas : les propriétés structurelles. Une langue à flexion abondante étalera toujours sa matière plus mince qu’une langue qui n’en a pas. Les distinctions de ton resteront toujours une dimension supplémentaire.
Ce qui ne changera pas vite : l’ordre. L’anglais n’est pas près de cesser d’être la langue la mieux servie, et tout produit qui annonce une justesse uniforme sur cent langues décrit une intention.
Ce que ça veut dire quand tu compares des produits
Les comparaisons écrites en anglais ne t’apprennent presque rien sur ta langue. Un banc d’essai qui vante la justesse décrit le cas le mieux doté, et le classement entre produits peut être entièrement différent dans une langue moins pourvue.
Fais donc l’essai dans la langue que tu emploieras vraiment, sur le genre de phrases que tu écris vraiment, au lieu de te fier à un verdict. Dix minutes avec ta propre parole valent mieux que n’importe quelle comparaison publiée, et c’est le seul moyen de savoir si un produit couvre ton cas.
La même chose vaut pour le nombre de langues annoncé sur une fiche produit. Prendre en charge une langue et la traiter bien sont deux affirmations différentes, et seule la première figure dans une brochure. Un outil qui liste cent langues et un qui en liste dix-huit peuvent être aussi bons sur la tienne, ou pas, et la liste ne te le dira pas.
Comment LocalType s’y prend
Dix-huit langues à partir d’un modèle multilingue, identifiées depuis l’enregistrement plutôt que depuis un menu, avec trois tailles de modèle, 60, 190 et 539 Mo, pour que tu dépenses la capacité là où tu en as besoin. Le tout fonctionne hors ligne une fois le fichier téléchargé, quelle que soit la langue.
La page des langues dit la même chose : la précision n’est pas identique sur ces dix-huit, parce que la matière d’entraînement ne l’est pas. Les langues très parlées ressortent le mieux, et tu t’en apercevrais de toute façon dès ton troisième message.
Tout le reste de l’app ne dépend pas de la langue que tu parles. La reconnaissance se passe sur l’appareil à partir d’un fichier de modèle qu’aucune autre app ne peut ouvrir, le réseau est sollicité une fois pour récupérer le modèle, il n’y a aucun compte, aucune publicité, rien qui note ton usage, et aucun audio conservé.
Si ta langue fait partie des dix-huit et que le résultat te déçoit, l’ordre des choses à essayer est celui d’au-dessus : des phrases entières, ton propre vocabulaire, puis un modèle plus grand. Dans une langue peu dotée, ces trois leviers comptent bien plus qu’en anglais.