Pourquoi les assistants vocaux comprennent mal dans le bruit.

Trois choses qui compliquent tout

• Le bruit. Une machine à café, la circulation ou la musique couvrent une partie des sons qui distinguent un mot d’un autre, surtout les consonnes faibles.
• La distance. Votre voix faiblit vite avec la distance, tandis que la pièce garde son écho et ses autres bruits. Un micro à l’autre bout de la pièce entend plus la pièce et moins vous.
• Les autres voix. Quand plusieurs personnes parlent à la fois, le système doit démêler qui a dit quoi, et la phrase d’un voisin peut se retrouver dans votre demande.

Ce que la recherche a mesuré

La distance, en réunion. L’étude d’OpenAI sur la reconnaissance vocale robuste a testé ses modèles sur le corpus AMI de réunions enregistrées. Le plus grand modèle faisait environ 17 erreurs pour 100 mots avec des micros portés par les participants, et environ 36 avec un seul micro distant. Sur les dix tailles de modèle, le micro distant doublait à peu près les erreurs.

Le bruit. La même étude a mélangé du bruit blanc et le brouhaha d’un pub bondé à de la parole lue et propre. Chaque modèle se dégradait vite à mesure que le bruit montait. Les modèles entraînés surtout sur des livres audio propres faisaient mieux que celui d’OpenAI quand le bruit était faible, mais moins bien dès que le bruit du pub approchait le niveau de la voix. Le modèle d’OpenAI avait été entraîné sur une très grande variété d’enregistrements réels, de nombreux environnements, appareils, locuteurs et langues.

Des dîners. Le défi CHiME-6 a enregistré vingt dîners de quatre amis chacun, dans vingt vrais logements, avec des réseaux de micros dans les pièces et les bruits ordinaires des cuisines et de la climatisation. Même quand les systèmes savaient où commençait et finissait chaque prise de parole, les systèmes de référence de 2020 se trompaient sur environ la moitié des mots ; quand ils devaient aussi trouver qui parlait, sur les trois quarts à quatre cinquièmes. C’étaient des systèmes de recherche, pas des assistants du commerce, et il s’agissait de conversations détendues plutôt que de commandes, mais cela montre à quel point le problème reste ouvert.

Les langues. Dans la même étude, le taux d’erreur d’une langue baissait régulièrement avec la quantité d’enregistrements d’entraînement dans cette langue, et la plupart des langues en avaient moins de mille heures.

Ce qui aide

• Un micro près de la bouche. L’amélioration la moins chère qui soit : plus le micro est proche, plus il vous entend et moins il entend la pièce.
• Dire à l’appareil quand vous parlez. Un bouton que vous maintenez en parlant marque exactement le début et la fin de la demande, sans qu’il doive les deviner dans le bruit : maintenir pour parler ou mot d’activation (en anglais).
• Redemander plutôt que deviner. Quand un assistant n’est pas certain de ce qu’il a entendu, un court « pardon ? » coûte moins qu’une mauvaise action ; ce qui envoie, paie ou supprime devrait de toute façon demander d’abord.
• Des modèles entraînés sur de vrais enregistrements, avec du bruit, de la distance, des accents et des marmonnements, pas seulement des enregistrements propres.

Sur une bague

Une bague a un petit micro, et on s’en sert précisément dans les lieux dont parle ce guide : la rue, les cafés, les cuisines. Elle a aussi un avantage : vous levez la main vers la bouche et maintenez un bouton pendant que vous parlez, donc le micro est proche et sait quand vous parlez. Comprendre la parole dans le bruit est la première chose sur laquelle nous travaillons pour Lychnos Ring, avant tout le reste, car un assistant qui entend mal vous fait perdre du temps et vide sa batterie : la bague IA.

Sources, consultées le 5 novembre 2026 : Radford et al., robust speech recognition via large-scale weak supervision, arXiv, 2022 ; Watanabe et al., CHiME-6 challenge: tackling multispeaker speech recognition for unsegmented recordings, arXiv, 2020.