Soniox STT v6, une oreille qui connaît aussi la voix de l’agent

EElias

Alors, le point nouveau, c’est que Soniox STT v6 ne se contente plus d’écouter la personne qui appelle : en streaming, il peut aussi recevoir le texte que l’agent est en train de dire, d’après MarkTechPost. Soniox propose cette version sous 2 formes : stt-rt-v6 pour le traitement en direct, et stt-async-v6 pour transcrire des fichiers. L’entrée du texte de l’agent fonctionne uniquement avec la version en direct, pas avec celle qui traite les fichiers. L’idée répond à un problème très concret : quand quelqu’un répond par quelques mots seulement, le système de reconnaissance manque parfois de contexte pour comprendre. Un nom de restaurant ou une réponse très courte peut alors être confondu avec des mots qui lui ressemblent. Avec le texte de l’agent, le modèle peut mieux interpréter les réponses brèves et filtrer l’écho de sa voix, sans que le texte fourni par l’agent apparaisse dans la transcription retournée.

EElias

Le texte de l’agent passe par le même canal de communication que l’audio de l’appelant, une connexion WebSocket, c’est-à-dire un flux qui reste ouvert pour échanger les informations en direct. Le système voit alors ce que l’agent est censé dire et peut mieux distinguer ces paroles de celles de la personne au bout du fil. C’est utile quand la voix de l’agent ressort dans un haut-parleur ou un ordinateur, puis revient dans le microphone : sans traitement, cette répétition peut être prise pour une réponse de l’appelant. Soniox recommande d’envoyer le texte entre 500 millisecondes et 1 seconde avant la lecture audio, en se calant sur les repères temporels du système qui fabrique la voix. Cette avance sert à aligner le texte reçu avec le son qui suit, puisque le modèle utilise le moment d’arrivée des messages pour les situer dans le flux. Et l’appelant peut toujours couper la parole : le modèle continue d’écouter pendant que l’agent parle, tandis que le filtrage de l’écho complète l’annulation acoustique, sans la remplacer.

EElias

Le streaming vise surtout les agents vocaux qui doivent comprendre une conversation au fil de l’eau, mais STT v6 peut aussi servir à la dictée et à la transcription de réunions. La version en direct et celle qui traite les fichiers prennent en charge plus de 60 langues, ce qui donne une marge pour des services utilisés dans plusieurs pays. Soniox annonce aussi des améliorations pour reconnaître les accents et suivre un changement de langue au milieu d’une phrase. Pour la transcription de réunions, l’entreprise met en avant la diarisation, autrement dit la capacité à distinguer qui parle, en direct ou après l’enregistrement. Les tarifs annoncés sont de 0,12 dollar par heure pour le streaming et de 0,10 dollar par heure pour le traitement asynchrone des fichiers ; l’identification de la langue et la diarisation sont comprises. La dictée est aussi améliorée pour transcrire les nombres, les montants, les unités, les dates, les identifiants, les noms et les termes spécialisés. Un changement de format est à noter : le système peut écrire un montant en toutes lettres, comme il a été prononcé, plutôt que de le convertir en chiffres et en symbole monétaire.

EElias

D’abord, la fonction d’entrée du texte de l’agent est limitée au streaming : elle n’est pas disponible quand on envoie simplement un fichier à transcrire. Ensuite, le calendrier compte, parce que le système s’appuie sur le moment où le texte arrive dans le flux ; il faut donc le synchroniser avec la parole produite, plutôt que lui transmettre le texte trop tard. Et le filtrage de l’écho ne dispense pas de garder l’annulation acoustique déjà utilisée pour limiter les retours de son. Sur la précision, Soniox affirme que la version 6 est significativement meilleure que la version 5, mais aucun résultat chiffré indépendant n’est encore publié pour confirmer cette amélioration. La version 5 avait obtenu un taux d’erreur sémantique de 1,34 % sur Pipecat, contre 1,25 % pour la version 4 ; ce résultat ne mesure pas la version 6 et ne permet donc pas de la comparer directement. Autrement dit, les chiffres disponibles sur la génération précédente ne suffisent pas à établir la précision de la nouvelle version. Les équipes doivent aussi tenir compte du format de sortie : les montants et les codes peuvent être retranscrits selon ce qui est prononcé, et non nécessairement sous la forme écrite attendue par leur application.

EElias

STT v6 apporte une idée ciblée : donner au système de reconnaissance le texte que l’agent prononce, afin qu’il comprenne mieux les réponses courtes et qu’il écarte une partie de sa propre voix lorsqu’elle revient dans le microphone. Pour une conversation téléphonique, c’est comme fournir au greffier la question posée juste avant qu’il note la réponse : un fragment de contexte qui peut éviter des contresens. Mais cette amélioration dépend de la synchronisation entre texte et audio, et elle concerne uniquement le mode en direct. Le produit ajoute aussi des améliorations annoncées pour la dictée, les réunions, les accents, les changements de langue et la distinction des intervenants. Les prix sont connus, mais les chiffres de précision indépendants pour cette version ne le sont pas encore ; il faut donc séparer le tarif annoncé des performances, qui restent à évaluer. La prise en charge de plus de 60 langues et les tarifs horaires donnent des repères concrets pour comparer les deux modes de traitement, mais ils ne renseignent pas sur la précision de la reconnaissance. Pour les agents vocaux, le point décisif est donc cette nouvelle entrée de texte, associée au filtrage de l’écho et au maintien de l’annulation acoustique. Et pour apprécier les performances, il faudra disposer de résultats portant spécifiquement sur STT v6, plutôt que de s’appuyer sur les chiffres de la version précédente.