Pourquoi les agents vocaux génériques déçoivent en français

Les démonstrations d’agents vocaux sont presque toutes en anglais. Elles sont impressionnantes, et elles ne prédisent pas grand-chose de ce que vous obtiendrez en français.

Ce n’est pas une question de modèle de langage — les grands modèles écrivent très bien le français. Le problème est ailleurs : dans la transcription, dans la synthèse, et dans la façon dont on parle réellement au téléphone en France.

Voici ce qui casse, dans l’ordre où on le découvre.

La transcription bute là où ça compte

Un moteur de transcription se juge sur son taux d’erreur global. C’est un chiffre trompeur, parce que les erreurs ne se répartissent pas uniformément : elles se concentrent précisément sur les segments qui portent l’information.

Les nombres. « Quatre-vingt-dix-sept » est un piège. Selon le débit et la liaison, on récupère « 80 17 », « 4 20 10 7 », ou « 97 » — les trois arrivent. Sur un numéro de dossier ou un montant, c’est rédhibitoire. Le belge et le suisse ajoutent « septante » et « nonante », que beaucoup de moteurs francophones ne connaissent pas parce qu’ils ont été entraînés sur du français de France.

Le problème est aggravé par un effet auquel on ne pense pas : une adresse ou une référence s’énonce avec des micro-pauses. « 294 chemin des Fausses, 01440 » n’est pas une phrase continue, c’est une suite de blocs séparés de respirations. Un détecteur de fin de parole réglé trop court découpe l’énoncé en une poignée de tours distincts, et le moteur transcrit alors des fragments sans contexte au lieu d’une adresse. Nous avons observé exactement ce cas — un énoncé unique transformé en neuf tours de parole — avant de remonter le seuil de silence.

Les liaisons. « Les agents » et « les agences » se ressemblent davantage à l’oral qu’à l’écrit. « Un an » et « un temps » aussi, prononcés vite. La transcription doit trancher, et elle tranche parfois mal.

L’élision. « J’ai » / « Jamais », « l’accord » / « la corde ». Ce sont des cas d’école, mais ils apparaissent réellement dans un flux téléphonique compressé à 8 kHz.

Les noms propres. C’est le pire poste. Un nom de famille, une ville, un nom de produit : aucun moteur générique ne les connaît tous, et le français a une orthographe peu prévisible à partir du son.

Ce que nous en avons tiré

La conclusion pratique n’est pas « il faut un meilleur moteur ». C’est il faut arrêter de demander à la voix ce qu’elle ne sait pas transmettre de façon fiable.

Concrètement, sur les segments critiques, nous changeons de stratégie plutôt que de moteur :

• Contraindre le vocabulaire attendu. Quand on demande une ville, on ne transcrit pas en vocabulaire ouvert : on rapproche le son d’une liste connue. Le problème passe d’une transcription libre à un appariement, ce qui est bien plus robuste.
• Confirmer ce qui coûte cher. Un numéro de dossier se relit à l’appelant avant d’agir. Cela ajoute un tour de parole, et cela évite un dossier traité au mauvais nom.
• Accepter les deux formes. Notre normalisation traite « quatre-vingt-dix-sept », « nonante-sept » et « 97 » comme la même valeur. C’est peu de code, et cela supprime une classe entière d’incidents.
• Basculer sur les touches quand c’est possible. Pour une référence à douze chiffres, le clavier du téléphone reste supérieur à la voix. Refuser cette solution par principe, au motif que « l’agent est conversationnel », c’est privilégier la démonstration sur le service rendu.

La synthèse a ses propres pièges

On croit le problème réglé une fois la compréhension acquise. Puis l’agent prononce « 1 500 € » et dit « un mille cinq cents euros ».

Trois familles de défauts reviennent :

Les nombres et les unités. Montants, dates, horaires, numéros. « 14h30 » doit se dire « quatorze heures trente », pas « quatorze h trente ». « 2026 » doit se dire « deux mille vingt-six », mais un numéro de rue « 2026 » se dit chiffre par chiffre. Le même texte, deux prononciations selon le contexte — que seul l’appelant peut juger.

Les sigles. « SNCF » s’épelle, « CAF » se prononce, « URSSAF » se prononce aussi. Il n’y a pas de règle générale : c’est une liste à maintenir, et elle est propre à chaque métier.

La prosodie des questions. Le français distingue mal la question de l’affirmation par la syntaxe seule à l’oral — c’est l’intonation qui porte l’information. Une synthèse qui aplatit l’intonation transforme « vous confirmez ? » en affirmation, et l’appelant ne sait pas qu’on attend une réponse.

Notre réponse est la même que côté transcription : ne pas espérer que le moteur devine. Les segments sensibles sont balisés explicitement pour la synthèse, avec la prononciation attendue. C’est fastidieux, c’est efficace, et ça se teste.

Photo : domaine public (CC0).

Le téléphone dégrade avant même la transcription

Un point qui précède tous les autres, et qu’on découvre tard parce qu’il ne produit aucune erreur : l’audio téléphonique n’a pas les mêmes caractéristiques que l’audio d’une visioconférence.

Un appel arrive en 8 kHz, avec une bande passante limitée à la voix et une énergie plus faible. Un détecteur de parole calibré sur du WebRTC en 48 kHz devient trop peu sensible sur cette source : il rate des débuts de parole. Le symptôme est déroutant — l’agent reste muet pendant tout l’appel, aucune erreur n’est levée, les journaux ne montrent simplement aucun tour de parole détecté.

Nous appliquons donc un seuil de sensibilité différent selon que l’appel arrive par le réseau téléphonique ou par le web, et ce réglage est automatique. C’est le genre de détail qui ne se devine pas et qui coûte plusieurs jours de recherche quand on suspecte le modèle.

Photo : domaine public (CC0).

Les tours de parole sont différents

C’est le point le moins documenté, et pas le moins important.

Les corpus d’entraînement anglophones sont majoritairement issus de contextes où les tours de parole sont nets. En français, au téléphone, dans un contexte de service, on observe davantage d’amorces d’hésitation — « alors », « attendez », « du coup » — et des pauses au milieu de la phrase plutôt qu’à la fin.

Un détecteur de fin de parole réglé sur des tours de parole anglophones coupe donc trop tôt. Pour l’appelant, l’agent « lui coupe la parole », ce qui est perçu comme bien plus grossier qu’un silence un peu long. Nous avons dû allonger nos seuils par rapport aux valeurs par défaut recommandées, et surtout les rendre dépendants du type de question posée.

Photo : Jo%E3o%20Silas — licence CC0.

Comment tester sans se mentir

Une démonstration en studio, avec un micro correct et un locuteur qui articule, ne prouve rien. Le test qui compte reproduit les conditions réelles :

• appel depuis un mobile, en 4G, dans un lieu bruyant ;
• locuteurs avec des accents régionaux différents ;
• au moins un locuteur non natif ;
• des noms propres du métier concerné, pas des noms courants ;
• des nombres énoncés naturellement, pas dictés lentement.

Nous faisons systématiquement passer ce test avant toute mise en service. Il révèle en une demi-journée ce qu’un pilote en conditions favorables mettrait deux mois à découvrir — et il coûte beaucoup moins cher que de le découvrir en production.

Ce qu’il faut retenir

Un agent vocal francophone n’est pas un agent anglophone traduit. L’écart se joue sur la transcription des segments porteurs d’information, sur la prononciation des nombres et des sigles, et sur des tours de parole plus hésitants.

Aucun de ces problèmes ne se règle en changeant de modèle de langage. Ils se règlent en contraignant ce qu’on demande à la voix, en confirmant ce qui coûte cher, et en testant dans les conditions où l’agent servira vraiment. C’est ce qui a demandé le plus de travail sur Discall, et c’est ce qui fait la différence entre une démonstration réussie et un service qu’on laisse tourner.