Aller au contenu principal
Accessibilité

Reconnaissance vocaleSpeech to text (STT)

La reconnaissance vocale, en anglais speech to text (STT) ou automatic speech recognition (ASR), est la technologie qui convertit la parole en texte. Un modèle d'intelligence artificielle analyse le son d'un enregistrement et écrit ce qui est dit, mot par mot, avec l'instant où chaque mot est prononcé. C'est elle qui produit les transcriptions et les sous-titres automatiques.

Comment fonctionne la reconnaissance vocale

Le traitement se fait en trois temps, en quelques minutes pour une heure d'enregistrement.

  • Le modèle repère les passages de parole et identifie la langue parlée
  • Il convertit le son en mots, puis ajoute la ponctuation et les majuscules
  • Il horodate chaque mot et, selon l'outil, sépare les intervenants

Ce que la reconnaissance vocale fait mal

Elle écrit ce qu'elle entend, pas ce qu'on a voulu dire. Les noms propres, les sigles et le vocabulaire métier sont ses erreurs habituelles, avec les passages où plusieurs personnes parlent en même temps. Un glossaire de termes et une relecture humaine restent nécessaires avant de publier.

La reconnaissance vocale dans Videas

Videas Scribe applique la reconnaissance vocale à vos audios et à vos vidéos dans plus de 100 langues, puis ouvre le résultat dans un éditeur : vous corrigez le texte, vous alimentez un glossaire pour les termes qui reviennent, et vous publiez les sous-titres dans le lecteur ou vous exportez la transcription.

Questions fréquentes

Que veut dire speech to text ?+

C'est le nom anglais de la reconnaissance vocale : la conversion automatique de la parole en texte par un modèle d'intelligence artificielle. On l'abrège en STT.

Quelle est la différence entre speech to text et ASR ?+

Aucune en pratique. ASR, pour automatic speech recognition, est le terme technique ; speech to text décrit le résultat. Les deux désignent la reconnaissance vocale.

La reconnaissance vocale est-elle fiable ?+

Sur un audio propre à un seul locuteur, plus de 95 % des mots sont justes. Le bruit, les accents marqués et le jargon font baisser ce chiffre, d'où la relecture.

Quelle est la différence entre reconnaissance vocale et synthèse vocale ?+

Elles vont en sens inverse : la reconnaissance vocale transforme la parole en texte, la synthèse vocale (text to speech) transforme un texte en voix.

À quoi sert la reconnaissance vocale en vidéo ?+

À produire les sous-titres et la transcription d'une vidéo sans les saisir à la main, puis à les traduire, et à rendre le contenu de la vidéo lisible par un moteur de recherche.