La justesse de la traduction en direct se joue surtout avant même l’exécution du modèle, selon l’emplacement du micro. Prenez le son à la table de mixage, et non depuis un siège au douzième rang : transcrivez-le une seule fois, et chaque erreur devient une ligne que l’on peut corriger pour tout le monde.
Les applications de traduction intégrées aux téléphones sont une vraie réussite. Elles font souvent tourner un modèle de reconnaissance vocale assez petit pour tenir dans l’appareil et sur sa batterie (certaines confient l’audio à un serveur lorsqu’une connexion est disponible). Pour les phrases courtes, claires et du quotidien, elles font le travail : demander son chemin, lire un menu, tenir une conversation au comptoir.
Une salle pleine de gens qui écoutent un seul intervenant pose un tout autre problème. Ce qui cloche dans la parole réelle est exactement ce qu’un petit modèle gère le plus mal : les mots rares et les noms propres, les mots qui se ressemblent (« mer » et « maire »), les termes techniques, les accents, les personnes qui parlent en même temps, et le bruit de fond. Au club de voile, un modèle qui entend « mer » alors que l’orateur a dit « maire » a fait une supposition raisonnable et une erreur assurée.
Deux facteurs poussent le petit modèle à deviner davantage qu’un grand. Il a été compressé pour tenir dans le téléphone, donc il connaît moins de mots et moins de façons de les dire ; il approxime un nom de famille qu’il n’a jamais rencontré, à partir des seuls sons. Et la reconnaissance en direct doit trancher sur un mot avant que le reste de la phrase n’arrive : le modèle ne peut donc pas s’appuyer sur ce qui aurait départagé « mer » et « maire », à savoir les mots qui suivent, ou un script qui dit de quoi parle l’intervention. En reconnaissance vocale, le contexte désigne exactement ces deux éléments : les mots environnants, et ce que l’on sait à l’avance.
Quand le modèle n’est pas sûr, il devine. La traduction repose alors sur cette supposition, et la personne qui la lit n’a aucun moyen de le savoir. Personne dans la salle ne peut voir qu’une ligne était fausse, encore moins la corriger. Et une salle n’est pas un auditeur, mais cinquante.
Un téléphone entend la salle, pas l’orateur. La distance en est la cause : un micro-cravate ou un micro de table se trouve à quelques centimètres de la bouche, alors qu’un téléphone au douzième rang est à dix mètres ou plus, et la plus grande partie de ce qui lui parvient a d’abord rebondi sur les murs, le plafond et les dossiers des chaises. Le son réfléchi arrive en retard et déformé. À cela s’ajoutent la personne qui tousse deux rangs derrière, le murmure du voisin, et ce que les haut-parleurs font de la voix sur son trajet à travers la salle. Chaque siège obtient donc un enregistrement légèrement différent, et chaque siège obtient une transcription légèrement différente.
Un téléphone ne traduit aussi que pour une seule personne. Cinquante participants qui lèvent cinquante téléphones obtiennent cinquante transcriptions indépendantes de la même intervention, avec cinquante jeux d’erreurs différents. Deux personnes qui comparent leurs notes après coup ne s’accorderont pas sur ce qui a été dit. L’orateur, de son côté, s’adresse à un mur de téléphones levés, un public difficile à lire.
Pour certaines personnes dans la salle, c’est plus qu’un désagrément : cela décide de leur capacité à suivre l’intervention. Un participant malentendant, ou quelqu’un qui suit dans une troisième langue, a besoin d’un seul texte commun et juste, et non de cinquante approximations. Il faut donc transcrire l’orateur une seule fois et donner à tous le même résultat. Transcrire une seule fois ne vaut la peine que si c’est bien fait, et cela commence par l’origine du son.
La transcription ne vaut que par le son dont elle est issue. La première décision n’est donc pas le modèle à utiliser, mais le signal à lui fournir. La seconde est ce que l’on lui indique avant de commencer.
Une transcription en direct prend son son là où le signal propre existe déjà :
VocalStack récupère lui-même un flux à partir d’une URL, donc rien ne tourne de votre côté. Un flux RTMP fonctionne dans l’autre sens : c’est votre encodeur qui le transmet. La langue de l’orateur est détectée automatiquement, et il peut changer de langue à tout moment. Si vous connaissez la langue et que l’enregistrement est bruyant ou fortement accentué, la préciser améliore la précision.
Un son propre supprime les erreurs dues à la salle. Il ne fait rien contre celles dues au vocabulaire, qui demandent une aide d’une tout autre nature.
Un téléphone ne sait ni qui parle ni de quoi traite l’intervention : un nom de produit ou un nom de famille n’est qu’un son de plus à approximer. Une diffusion, elle, peut être préparée à l’avance sur ce qu’elle va contenir.
Si vous ajoutez un script ou un diaporama avant de commencer, les noms et les termes qu’ils contiennent l’emportent sur ce que le moteur a mal entendu. Pendant l’enregistrement, l’onglet Script suit l’orateur comme un téléprompteur. C’est le gain de précision le plus important pour le type de discours qui remplit les conférences et les cours : riche en noms propres et en vocabulaire qu’aucun modèle généraliste n’a suffisamment entendu.
Un bon son et un glossaire suppriment la plupart des erreurs. La question est de savoir ce qui arrive aux erreurs qui subsistent.
Même avec un bon son et un script, certaines lignes sortiront fausses. La différence tient à ce qui se passe ensuite.
Sur un téléphone, rien. La ligne erronée défile, et la traduction construite dessus disparaît avec elle.
Dans une diffusion, une ligne trop peu claire pour être affichée est masquée aux auditeurs sous la mention « Audio peu clair », plutôt que présentée comme un fait.
Il y a ensuite l’hôte, qui dispose d’un onglet Fix : les mots sur lesquels le moteur a des doutes peuvent être colorés et soulignés, un clic ouvre une ligne pour la relire, et tout mot ou toute ligne peut être réécrit pendant que la transcription est encore en direct. Chaque auditeur voit la correction dans sa propre langue. Chaque correction est signalée et peut être annulée.
L’important n’est pas qu’un serveur ne se trompe jamais. C’est qu’une erreur soit visible, qu’elle soit prise en charge par quelqu’un de la salle, et corrigée une seule fois pour tout le monde.
Les corrections portent sur ce que lisent les auditeurs. Ceux qui préfèrent écouter l’intervention reçoivent le même texte corrigé, prononcé.
Un auditeur qui préfère écouter plutôt que lire peut faire lire à voix haute chaque ligne traduite. Par défaut, chaque orateur reçoit une voix prédéfinie distincte, de même genre, afin qu’un panel sonne toujours comme un panel. Vous pouvez attribuer une voix à chaque orateur, ou en couper une.
Avec l’accord de l’orateur, vous pouvez aller plus loin et cloner sa voix à partir de trente secondes de sa parole, soit importées sous forme de clip, soit extraites directement d’un intervenant dans un enregistrement ; quelques minutes donnent un meilleur résultat. La traduction est alors lue dans la voix de l’orateur, dans chaque langue. Un orateur qui dispose d’une voix enregistrée peut aussi être reconnu dans les enregistrements suivants, même si le système préfère laisser un orateur sans nom plutôt que de nommer la mauvaise personne.
Deux règles s’appliquent, et elles sont délibérées. Une voix clonée est une donnée biométrique : elle n’est créée qu’avec l’accord explicite de l’orateur, et elle peut être supprimée à tout moment. Et une voix ne prononce jamais qu’une transcription ou sa traduction ; elle ne peut pas être amenée à dire quoi que ce soit que son propriétaire n’a pas dit.
Tout ce qui précède se passe pendant que l’orateur parle. La dernière différence apparaît après qu’il s’est arrêté.
Les cinquante transcriptions des téléphones disparaissent quand les applications se ferment. Une diffusion conserve l’enregistrement dans votre bibliothèque : l’audio, et la transcription avec chaque correction et chaque traduction. On peut alors la rejouer ligne par ligne, la rechercher dans n’importe quelle langue et l’exporter ; le guide Un lien, toutes les langues explique ce que fait la bibliothèque. Les auditeurs ne coûtent rien, quel que soit leur nombre. Vous payez l’audio transcrit, à $0.60 l’heure pour le direct, avec un minimum de 5 minutes par transcription, et la page tarifs détaille la grille.
Un téléphone dans chaque main reste un bon recours pour une conversation de couloir. Pour une salle qui doit comprendre ensemble un seul intervenant, l’orateur doit être transcrit une fois, à la source, avec quelqu’un capable de corriger ce qui se passe mal. Vous pouvez voir à quoi cela ressemble dans la démo interactive de la page d’accueil.
