Homophones, liaisons, nombres : pourquoi le français est un piège pour la reconnaissance vocale

Faites l'essai : dictez « si je devais tout recommencer » à votre téléphone. Il n'est pas rare de voir apparaître « ci je devais tout recommencer ». La machine a parfaitement entendu les sons — c'est en choisissant l'orthographe qu'elle s'est trompée. Ce petit accident, anodin pour une dictée, devient un vrai problème dès qu'un logiciel doit comparer ce que vous dites à un texte écrit : sous-titrage, transcription… et bien sûr prompteur vocal, où le texte doit défiler en suivant votre voix, mot après mot.

En développant le moteur de suivi d'Orasync, nous avons dressé l'inventaire des cas où le français met la reconnaissance vocale en difficulté. Cet article présente les cinq familles de pièges que nous rencontrons le plus souvent, puis explique — sans jargon — comment un moteur de suivi peut les contourner.

Famille n° 1 : les homophones, spécialité française

Le français regorge de mots qui se prononcent exactement pareil mais s'écrivent différemment. Quelques séries que notre moteur croise en permanence :

• et / est / ai / aie — quatre orthographes pour un même son ;
• a / à, ou / où, son / sont, ce / se — les grands classiques de la grammaire ;
• cent / sans / sang / s'en — indiscernables à l'oreille ;
• mer / mère / maire et vert / verre / vers / ver — seul le contexte tranche.

Quand vous prononcez ces sons, le moteur de reconnaissance choisit l'orthographe la plus probable selon les phrases qu'il a apprises. Si votre script contient « le maire de la commune » mais que la transcription sort « la mère de la commune », un suivi mot à mot naïf — qui compare les lettres — conclut que vous n'avez pas dit le bon mot, et se bloque. Vous, pourtant, avez lu votre texte à la perfection.

Famille n° 2 : liaisons et mots avalés

À l'oral, le français enchaîne les mots. « Les amis » se prononce « lé-za-mi » : un flux sonore continu, sans frontière nette entre les mots. Votre oreille reconstruit le découpage sans effort. La machine, elle, doit deviner où couper — et il lui arrive de ressortir « lésa mi » ou une autre segmentation inattendue.

Dans l'autre sens, les petits mots peu accentués — « de », « le » — sont parfois avalés à la lecture rapide et disparaissent purement et simplement de la transcription. Là encore, l'oreille humaine reconstruit ce qui manque ; la machine transcrit ce qu'elle entend, ni plus ni moins.

Famille n° 3 : les nombres, le piège le plus sournois

Vous écrivez « 93 » dans votre script. Vous dites « quatre-vingt-treize ». La reconnaissance renvoie… « quatre-vingt-treize », en toutes lettres. Entre la chaîne « 93 » et la chaîne « quatre-vingt-treize », il n'y a aucun caractère commun : pour un comparateur de texte, ce sont deux mots totalement étrangers l'un à l'autre.

Même chose pour les heures : « 14h30 » dans le script, « quatorze heures trente » dans la transcription. Un script de vidéo ou de présentation contient presque toujours des dates, des prix, des pourcentages : sans traitement spécifique, chaque nombre est un point de blocage potentiel pour le suivi.

Famille n° 4 : les sigles épelés

« SNCF » se dit lettre par lettre : « esse-enne-cé-effe ». Selon le moteur de reconnaissance, le résultat peut être le sigle recomposé, les lettres séparées, ou un mélange des deux. Votre script, lui, contient quatre lettres majuscules collées : encore un cas où ce qui est écrit et ce qui est transcrit ne coïncident pas.

Famille n° 5 : les mots composés

« Savoir-faire » est un seul mot dans votre texte, mais la reconnaissance le découpe parfois en « savoir » puis « faire ». Un mot du script correspond alors à deux mots de la transcription — ou l'inverse. Le suivi doit accepter que l'alignement ne soit pas toujours du un pour un.

Ce que cela implique pour un prompteur vocal

Un prompteur vocal a une mission précise : savoir à chaque instant où vous en êtes dans votre texte, pour faire défiler l'affichage au bon rythme. Si le moteur exige une correspondance orthographique exacte, chacun des pièges ci-dessus produit le même symptôme : le surlignage se fige ou saute au mauvais endroit, et vous voilà en train de chercher votre ligne des yeux — exactement ce que l'outil devait vous éviter.

Si le fonctionnement interne de la reconnaissance vocale vous intrigue (comment le son devient du texte, ce qu'est un modèle de langue), nous l'avons détaillé dans notre article d'explication sur la reconnaissance vocale. Ici, concentrons-nous sur la couche du dessus : comment suivre un texte malgré ces écarts.

Comment notre moteur gère ces pièges

Comparer les sons, pas l'orthographe

Contre les homophones et les liaisons, la parade est de convertir les deux côtés — votre texte et la transcription — dans un encodage phonétique adapté au français, puis de comparer les sons. « Maire » et « mère » deviennent identiques ; « ci je » retombe sur « si je ». L'orthographe choisie par la reconnaissance cesse d'être un problème, puisqu'on ne la regarde plus.

Tolérer les petites différences

Pour les segmentations bizarres et les mots légèrement déformés, le moteur utilise des distances d'édition : deux mots qui ne diffèrent que de peu sont considérés comme correspondants. Cela absorbe les « lésa mi », les mots composés découpés et les sigles recomposés différemment.

Se méfier des mots outils

Un « de » ou un « le » isolé apparaît des dizaines de fois dans n'importe quel texte. Si le moteur avançait à chaque fois qu'il en entend un, il dériverait sans arrêt. Notre moteur ignore donc les mots outils quand ils arrivent seuls : ils ne suffisent jamais, à eux seuls, à faire progresser la position.

Écrire les nombres en toutes lettres… des deux côtés

Pour les nombres, notre moteur convertit les valeurs de 0 à 9999 en toutes lettres dans votre texte comme dans la transcription avant de comparer. « 93 » et « quatre-vingt-treize » deviennent la même chaîne ; « 14h30 » s'aligne avec « quatorze heures trente ». Vous pouvez garder les chiffres dans votre script, comme vous les écririez naturellement.

Examiner plusieurs hypothèses à la fois

La reconnaissance vocale ne produit pas une seule transcription : en interne, elle hésite entre plusieurs candidates. Plutôt que de ne regarder que la première, notre moteur examine les meilleures hypothèses disponibles (approche dite « n-best ») : si la première contient « la mère » mais que la deuxième contient « le maire », le bon alignement est retrouvé. Sur notre banc d'essai, le passage à 5 hypothèses réduit l'erreur de position de 43 % en conditions de fort bruit — la méthode complète et les résultats sont détaillés dans notre benchmark du suivi vocal.

Se resynchroniser dans les deux sens

Dernier filet de sécurité : quand vous improvisez une parenthèse, sautez un paragraphe ou revenez en arrière pour reprendre une phrase, le moteur cherche votre nouvelle position dans les deux directions et se recale dessus. Combiné aux mécanismes précédents, cela permet au texte de continuer à suivre votre voix même quand vous vous éloignez du script.

Conclusion pratique : ce que vous pouvez en retirer

Si vous utilisez un prompteur vocal — le nôtre ou un autre —, ces pièges du français expliquent la plupart des décrochages que vous pouvez observer. Trois conséquences concrètes :

• Écrivez votre script naturellement. Avec Orasync, inutile de convertir vos nombres en toutes lettres ou de réécrire vos sigles : le moteur fait la conversion de son côté.
• Un décrochage ponctuel n'est pas une fatalité. La resynchronisation rattrape les sauts et les retours en arrière ; continuez à parler, le texte vous retrouve.
• Connaissez les limites de l'outil. Le suivi vocal a besoin du micro et fonctionne dans Chrome ou Edge (l'API de reconnaissance vocale du navigateur n'est pas disponible partout) ; Safari et Firefox offrent une expérience dégradée. Notre guide d'utilisation détaille la mise en route pas à pas.

Le français restera une langue difficile pour les machines — c'est aussi ce qui rend le problème intéressant. Notre travail consiste à faire en sorte que cette difficulté reste de notre côté de l'écran, jamais du vôtre.