Speech technology: types, quality and consequencesLes technologies de la parole : types, qualité et conséquences

What changed recently

Three developments have made speech technology more viable as an alternative to typing in professional work:

• A jump in quality. Models trained at scale, such as Whisper (Radford et al., 2023, trained on 680,000 hours of audio), come close to human accuracy on clear audio. The previous generation of systems needed to be trained per speaker and tolerated noise badly.
• Free and built in. Word, PowerPoint and Google Docs include dictation at no extra cost; buying specialized software such as Dragon and training it for hours is no longer necessary, though it can still mean noticeably higher quality or more functionality.
• Multilingual coverage. A usably good performance can now be obtained for an increasing number of languages, whereas this used to only be the case for US English.

From speech to text

Input: audio.
Output: written text.
It is what you most commonly think of as speech technology, and what you use to:

• dictate a text;
• display live captions during a presentation;
• transcribe the recording of a meeting.

Representative technologies: Whisper, Dragon, Word’s dictation, Google voice typing.Product pages: Whisper, Dragon, Word’s dictation, Google voice typing.

From text to speech

Input: written text.
Output: audio.
It is what you use for:

• screen readers, for accessibility;
• audiobook production;
• video dubbing;
• voice assistance (GPS, virtual assistants).

Representative technologies: Google TTS, Amazon Polly, Microsoft Azure TTS, ElevenLabs.Product pages: Google Cloud Text-to-Speech, Amazon Polly, Azure AI Speech, ElevenLabs. This module does not go into it in detail, but it is an essential component of speech-to-speech translation systems.

From speech to speech

Input: audio in language A.
Output: audio in language B.
It is what you use for:

• automatic interpreting in a meeting;
• translating a video with dubbing.

Representative technologies: KUDO AI, HeyGen, the Microsoft Teams interpreter, Google Translate in conversation mode.Product pages: KUDO, HeyGen, Google Translate.

Ce qui a changé récemment

Trois évolutions font des technologies de la parole une solution de rechange plus viable à la frappe dans le travail professionnel :

• Un saut qualitatif. Les modèles entraînés à grande échelle, comme Whisper (Radford et al., 2023, entraîné sur 680 000 heures d’audio), approchent la précision humaine sur de l’audio clair. Les systèmes de la génération précédente exigeaient un entraînement par locuteur et toléraient mal le bruit.
• Gratuité et intégration. Word, PowerPoint et Google Docs intègrent la dictée sans frais supplémentaires ; il n’est plus nécessaire d’acheter un logiciel spécialisé comme Dragon et de l’entraîner pendant des heures, même si cela peut encore apporter une qualité nettement meilleure ou plus de fonctionnalités.
• Couverture multilingue. On obtient maintenant une performance utilisable pour un nombre croissant de langues, alors que ce n’était longtemps le cas que pour l’anglais états-unien.

De la parole au texte

Entrée : audio.
Sortie : texte écrit.
C’est ce à quoi on pense d’abord quand on parle de technologies de la parole. Exemples d’utilisation :

• dicter un texte ;
• afficher des sous-titres en direct pendant une présentation ;
• transcrire l’enregistrement d’une réunion.

Technologies représentatives : Whisper, Dragon, la dictée de Word, la saisie vocale de Google.Pages des produits : Whisper, Dragon, la dictée de Word, la saisie vocale de Google.

Du texte à la parole

Entrée : texte écrit.
Sortie : audio.
Exemples d’utilisation :

• lecteurs d’écran pour l’accessibilité ;
• production de livres audio ;
• doublage de vidéos ;
• assistance vocale (GPS, assistants virtuels).

Technologies représentatives : Google TTS, Amazon Polly, Microsoft Azure TTS, ElevenLabs.Pages des produits : Google Cloud Text-to-Speech, Amazon Polly, Azure AI Speech, ElevenLabs. Ce module ne l’explore pas en détail, mais elle est une composante essentielle des systèmes de traduction parole à parole.

De la parole à la parole

Entrée : audio en langue A.
Sortie : audio en langue B.
Exemples d’utilisation :

• interprétation automatique en réunion ;
• traduction d’une vidéo avec doublage.

Technologies représentatives : KUDO AI, HeyGen, l’interprète de Microsoft Teams, Google Traduction en mode conversation.Pages des produits : KUDO, HeyGen, Google Traduction.

Two technical routes

Speech-to-speech translation speech-to-speech translation (S2ST)traduction parole à parole speechparole The conversion of spoken input in one language into spoken output in another language, either by chaining speech recognition, machine translation and speech synthesis (cascade) or by a single end-to-end model.Conversion d'un énoncé oral dans une langue en énoncé oral dans une autre langue, soit en enchaînant reconnaissance de la parole, traduction automatique et synthèse de la parole (cascade), soit par un modèle unique de bout en bout. can be built in two ways: passing through written text or not. An important consideration in that choice, and in choosing any speech technology, is latency.

The cascade approach

FR audio → FR text → EN text → EN audio

The system chains three modules: speech recognition automatic speech recognition (ASR)reconnaissance automatique de la parole (RAP) speechparole Technology that analyses the human voice captured by a microphone and transcribes it into machine-readable text; also called speech-to-text (STT).Technologie qui analyse la voix humaine captée au moyen d'un microphone pour la transcrire sous la forme d'un texte exploitable par une machine ; aussi appelée transcription de la parole en texte (angl. speech-to-text, STT). , machine translation, then speech synthesis speech synthesis (TTS)synthèse de la parole speechparole The generation of artificial speech from written text (text-to-speech), combining linguistic processing to derive a pronounceable phonetic form with signal processing to render it as audio; the inverse of automatic speech recognition.Production de parole artificielle à partir de n'importe quel texte (angl. text-to-speech, TTS), combinant un traitement linguistique, qui transforme le texte en une forme phonétique prononçable, et un traitement du signal, qui transforme cette forme en son ; l'inverse de la reconnaissance automatique de la parole. .

• Advantages: a modular architecture; each stage can use the best model available, and each stage produces a result you can inspect and correct before the next one runs. When you are evaluating a system rather than working under time pressure, that is what lets you see which stage is failing and needs work.
• Drawbacks: unless you intervene, each stage works from what the one before it produced, so errors accumulate. Machine translation that is excellent on written text does worse here, because what it is translating is a transcription that may already be wrong. Latency grows with each stage, and prosodic elements (intonation, emphasis) are lost on the way through the text.

The end-to-end approach

FR audio → [single model] → EN audio

A single model turns the source audio directly into target audio.

• Advantages: the voice and the style can be preserved; lower latency.
• Drawbacks: still under development, and available for few language pairs. Training one directly takes hundreds of hours of the same utterances spoken in both languages, which exists for few pairs, where a cascade reuses recognition, translation and synthesis trained separately (Diwan et al., 2024).

Most current consumer tools work as a cascade; voice cloning still lets them keep a voice close to the original.

Deux chemins techniques

La traduction parole à parole speech-to-speech translation (S2ST)traduction parole à parole speechparole The conversion of spoken input in one language into spoken output in another language, either by chaining speech recognition, machine translation and speech synthesis (cascade) or by a single end-to-end model.Conversion d'un énoncé oral dans une langue en énoncé oral dans une autre langue, soit en enchaînant reconnaissance de la parole, traduction automatique et synthèse de la parole (cascade), soit par un modèle unique de bout en bout. peut se construire de deux façons : en passant par le texte écrit ou non. Une considération importante dans ce choix, et dans le choix d’une technologie de la parole en général, est la latence.

L’approche en cascade

Audio FR → Texte FR → Texte EN → Audio EN

Le système enchaîne trois modules : reconnaissance de la parole automatic speech recognition (ASR)reconnaissance automatique de la parole (RAP) speechparole Technology that analyses the human voice captured by a microphone and transcribes it into machine-readable text; also called speech-to-text (STT).Technologie qui analyse la voix humaine captée au moyen d'un microphone pour la transcrire sous la forme d'un texte exploitable par une machine ; aussi appelée transcription de la parole en texte (angl. speech-to-text, STT). , traduction automatique, puis synthèse de la parole speech synthesis (TTS)synthèse de la parole speechparole The generation of artificial speech from written text (text-to-speech), combining linguistic processing to derive a pronounceable phonetic form with signal processing to render it as audio; the inverse of automatic speech recognition.Production de parole artificielle à partir de n'importe quel texte (angl. text-to-speech, TTS), combinant un traitement linguistique, qui transforme le texte en une forme phonétique prononçable, et un traitement du signal, qui transforme cette forme en son ; l'inverse de la reconnaissance automatique de la parole. .

• Avantages : architecture modulaire ; chaque étape peut utiliser le meilleur modèle disponible, et chaque étape produit un résultat qu’on peut examiner et corriger avant que la suivante s’exécute. Quand on évalue un système plutôt que de travailler sous la pression du temps, c’est ce qui permet de voir quelle étape échoue et demande du travail.
• Inconvénients : à moins d’intervenir, chaque étape travaille à partir de ce que la précédente a produit, si bien que les erreurs s’additionnent. Une traduction automatique excellente sur du texte écrit fera moins bien ici, parce que ce qu’elle traduit est une transcription parfois déjà fautive. La latence augmente à chaque étape, et les éléments prosodiques (intonation, emphase) se perdent au passage par le texte.

L’approche de bout en bout

Audio FR → [modèle unique] → Audio EN

Un seul modèle transforme directement l’audio source en audio cible.

• Avantages : préservation possible de la voix et du style ; latence réduite.
• Inconvénients : encore en développement, et disponible pour peu de paires de langues. L’entraîner directement demande des centaines d’heures des mêmes énoncés prononcés dans les deux langues, ce qui n’existe que pour quelques paires, alors qu’une cascade réutilise la reconnaissance, la traduction et la synthèse entraînées séparément (Diwan et al., 2024).

La plupart des outils grand public actuels fonctionnent en cascade ; le clonage vocal leur permet malgré tout de conserver une voix proche de l’original.

Word error rate

To evaluate a recognition system objectively, researchers and practitioners mainly use word error rate.

The metric counts three kinds of error:

• Substitutions: one word replaced by another (“contract” becomes “contact”);
• Deletions: a word of the reference missing from the transcription;
• Insertions: a word added that was not in the original.

The formula: WER = (S + D + I) / N × 100, where N is the total number of words in the human reference gold standardétalon de référence evaluationévaluation The best available reference dataset, annotation, measurement or procedure against which a system's results are evaluated.Meilleur jeu de données, annotation, mesure ou procédure de référence disponible pour évaluer les résultats d'un système. .

What does a rate of 5% actually mean?

A WER of 5% means that on average one word in twenty is wrong. But errors do not all have the same impact. Take a text of 20 words:

Original: “The contract stipulates an amount of twenty million dollars, payable before 15 March 2025, and late payment will incur penalties.”

Transcription: “The contract stipulates an amount of twenty billion dollars, payable before 15 March 2025, and late payment will incur penalties.”

A single error, so a WER of 5%, and the meaning of the document changes completely. WER measures how often errors occur, not how much they matter. This is why numerical metrics are not enough on their own: the impact of the errors has to be judged in the professional setting they are meant for. Weighting errors by importance, on named entities for instance, predicts how useful a system will be for a given task better than a raw WER does (Galibert et al., 2016).

Performance by condition

Current systems reach very different levels depending on the conditions (Radford et al., 2023; Koenecke et al., 2020):

• Ideal conditions (clear audio, a single speaker, standard vocabulary): text that is generally readable with few visible errors; it still has to be reread for figures, proper nouns and acronyms.
• Real-world conditions (background noise, accents, terminology): quality fluctuates a great deal.
• Difficult conditions (several speakers, heavy noise, specialized language): errors become frequent and unstable. Assigning speaker turns remains fragile, and terminology and names go on causing trouble despite the progress made.

Le taux d’erreur de mots

Pour évaluer objectivement un système de reconnaissance, chercheurs et professionnels utilisent principalement le taux d’erreur de mots.

La métrique compte trois types d’erreurs :

• Substitutions : un mot remplacé par un autre (« contrat » → « contact ») ;
• Suppressions : un mot de la référence absent de la transcription ;
• Insertions : un mot ajouté qui n’était pas dans l’original.

La formule : WER = (S + D + I) / N × 100, où N est le nombre total de mots de la référence gold standardétalon de référence evaluationévaluation The best available reference dataset, annotation, measurement or procedure against which a system's results are evaluated.Meilleur jeu de données, annotation, mesure ou procédure de référence disponible pour évaluer les résultats d'un système. humaine.

Que signifie concrètement un taux de 5 % ?

Un WER de 5 % veut dire qu’en moyenne, un mot sur vingt est erroné. Mais toutes les erreurs n’ont pas le même impact. Exemple avec un texte de 20 mots :

Original : « Le contrat stipule un montant de vingt millions de dollars, payable avant le 15 mars 2025, sous peine de pénalités. »

Transcription : « Le contrat stipule un montant de vingt milliards de dollars, payable avant le 15 mars 2025, sous peine de pénalités. »

Une seule erreur, donc un WER de 5 %, et le sens du document change complètement. Le WER mesure la fréquence des erreurs, pas leur gravité. C’est pourquoi les métriques chiffrées ne suffisent pas : il faut évaluer l’impact des erreurs dans le contexte professionnel visé. Pondérer les erreurs selon leur importance, par exemple sur les entités nommées, prédit mieux l’utilité d’un système pour une tâche donnée qu’un WER brut (Galibert et al., 2016).

La performance selon les conditions

Les systèmes actuels atteignent des niveaux très différents selon les conditions (Radford et al., 2023 ; Koenecke et al., 2020) :

• Conditions optimales (audio clair, locuteur unique, vocabulaire standard) : texte en général lisible avec peu d’erreurs visibles ; une relecture reste nécessaire pour les chiffres, les noms propres et les sigles.
• Conditions réelles (bruit ambiant, accents, terminologie) : la qualité fluctue fortement.
• Conditions difficiles (plusieurs locuteurs, bruit important, langue spécialisée) : les erreurs deviennent fréquentes et instables. L’attribution des tours de parole reste fragile, et la terminologie et les noms continuent de poser problème malgré les progrès.

In speech recognition

Recognition systems can work in two modes, and the mode affects performance:

• Live (real time): the system transcribes as you speak, favouring speed at the cost of accuracy. Without the full context of the sentence, it makes more errors, especially on homophones and punctuation.
• Offline: the system analyzes the complete recording before transcribing, which allows better accuracy through the availability of surrounding context.

In speech translation

Machine speech translation has not caught up with people. In the short speech-to-text task of the 2026 evaluation campaign, the best system ranked behind the human reference gold standardétalon de référence evaluationévaluation The best available reference dataset, annotation, measurement or procedure against which a system's results are evaluated.Meilleur jeu de données, annotation, mesure ou procédure de référence disponible pour évaluer les résultats d'un système. in both language directions (Adelani et al., 2026).

The International Conference on Spoken Language Translation (IWSLT) runs an annual evaluation campaign: the teams that enter are set the same task on the same data and scored the same way (this is called a shared task shared tasktâche partagée evaluationévaluation A public evaluation exercise in which every participating team is given the same task, the same data and the same scoring, so that their systems can be compared directly.Exercice d'évaluation public où toutes les équipes participantes reçoivent la même tâche, les mêmes données et la même notation, de sorte que leurs systèmes se comparent directement. in academia).iwslt.org The 2026 campaign ran ten tasks at once, from offline and low-resource speech-to-text translation through model compression, subtitling and simultaneous translation to speech-to-speech translation for Indic and for African and Celtic languages, cross-lingual voice cloning, instruction-following speech processing, and the scoring metrics themselves; more than thirty teams took part.

The simultaneous task is where the trade-off is measured. Systems are sorted into a low-latency group of 0 to 2 seconds and a high-latency one of 2 to 4, and the longer a system waits for more context, the better the translation and the later it arrives (Adelani et al., 2026).

En reconnaissance de la parole

Les systèmes de reconnaissance peuvent fonctionner selon deux modes qui influencent la performance :

• En direct (temps réel) : le système transcrit au fur et à mesure, en privilégiant la rapidité au détriment de la précision. Sans le contexte complet de la phrase, il fait plus d’erreurs, en particulier sur les homophones et la ponctuation.
• En différé : le système analyse l’enregistrement complet avant de transcrire, ce qui permet une meilleure précision grâce à la disponibilité du contexte environnant.

En traduction de la parole

La traduction automatique de la parole n’a pas rattrapé l’humain. Dans la tâche courte de traduction de la parole vers le texte de la campagne 2026, le meilleur système se classait derrière la référence gold standardétalon de référence evaluationévaluation The best available reference dataset, annotation, measurement or procedure against which a system's results are evaluated.Meilleur jeu de données, annotation, mesure ou procédure de référence disponible pour évaluer les résultats d'un système. humaine dans les deux directions de langues (Adelani et al., 2026).

La conférence IWSLT (International Conference on Spoken Language Translation) mène une campagne d’évaluation annuelle : les équipes inscrites reçoivent la même tâche, les mêmes données et la même notation (on parle de tâche partagée shared tasktâche partagée evaluationévaluation A public evaluation exercise in which every participating team is given the same task, the same data and the same scoring, so that their systems can be compared directly.Exercice d'évaluation public où toutes les équipes participantes reçoivent la même tâche, les mêmes données et la même notation, de sorte que leurs systèmes se comparent directement. dans la recherche).iwslt.org La campagne de 2026 en a mené dix à la fois, de la traduction de la parole vers le texte, en langues bien dotées comme peu dotées, à la compression de modèles, au sous-titrage, à la traduction simultanée, à la traduction parole à parole pour les langues indiennes puis africaines et celtiques, au clonage vocal interlangue, au traitement de la parole suivant des instructions et aux métriques d’évaluation elles-mêmes ; plus de trente équipes y ont participé.

C’est la tâche de traduction simultanée qui mesure le compromis. Les systèmes sont répartis entre un régime de faible latence, de 0 à 2 secondes, et un régime de latence élevée, de 2 à 4, et plus un système attend pour disposer de contexte, meilleure est la traduction et plus elle arrive tard (Adelani et al., 2026).

Three groups of factors

The differences in performance from one situation to another are not random. Three groups of factors account for them, and most of them leave you some room to act.

Signal quality

Assigning each segment to the right speaker remains an open problem, particularly where voices overlap (O’Shaughnessy, 2025): expect to carefully reread any transcription of a meeting.

Linguistic content and style

The differences between speakers are not symmetrical: Koenecke et al. (2020) document, across five commercial systems, an error rate almost twice as high for African American speakers as for white speakers. Testing a system with the accents and varieties it will actually be used with is part of evaluating it.

Processing mode and the chain

Trois groupes de facteurs

Les écarts de performance observés d’une situation à l’autre ne sont pas aléatoires. Trois groupes de facteurs les expliquent, et la plupart offrent une marge de manœuvre concrète.

La qualité du signal

Attribuer chaque segment au bon locuteur reste un problème ouvert, particulièrement quand les voix se chevauchent (O’Shaughnessy, 2025) : comptez-y une relecture attentive pour toute transcription de réunion.

Le contenu linguistique et le style

Les écarts selon les locuteurs ne sont pas symétriques : Koenecke et al. (2020) documentent, pour cinq systèmes commerciaux, un taux d’erreur presque deux fois plus élevé pour les locuteurs afro-américains que pour les locuteurs blancs. Tester un système avec les accents et variétés réellement visés fait partie de l’évaluation.

Le mode de fonctionnement et la chaîne de traitement

Three use cases

Translation

• Dictated translation. Dictating a first draft can be faster than typing it, and it lowers the risk of musculoskeletal disorders. Wang and Sun (2023) found, however, that the time saved on drafting moved to revision, so a net saving is not guaranteed. Part of that revision repairs the system and part of it is the translator’s own: the study ties revision time to sight translation skill, that is, to how readily a finished sentence can be produced on the spot, where writing lets you shape it as you go. Only the first part shrinks as recognition improves, and it has improved since 2023, so the balance may have shifted, which is not the same as saying the finding is no longer true.
• Spoken post-editing. Correcting machine translation segments by voice rather than by keyboard can be an ergonomic variant of post-editing post-editingpostédition machine translationtraduction automatique The human correction of raw machine translation output; the counterpart, for machine translation, of revision in human translation.Correction humaine de la sortie brute d'une traduction automatique ; l'équivalent, pour la traduction automatique, de l'étape de révision en traduction humaine. . It comes with a steep learning curve, though: this way of working takes getting used to.

Watch for: numbers, proper nouns, punctuation and capitalization remain the most likely errors in a dictated transcription.

Interpreting

• Computer-assisted interpreting (CAI) tools. What any one of them does varies, and no tool has every feature, but between them they cover the whole assignment rather than its terminology alone. Before it, a tool may pull terms out of the documents you are sent, build a glossary from them, drill you on it, and propose translations for terms in context. During it, the glossary is a glance away on a second screen or a tablet, and some tools also listen to the original speech: transcribing it, highlighting numbers as they are spoken, and surfacing the glossary entry for a term as it comes up. Where the audio is processed, on your own machine or in the cloud, is a choice some of them let you make, and it decides what leaves a confidential meeting. InterpretBank is one of the established ones (Fantinuoli, 2016).interpretbank.com
• Live subtitling. Captions are produced as the speaker talks, either in the speaker’s own language, which is an accessibility measure, or translated for a multilingual audience. What decides whether it works is practical: latency latencylatence speechparole The delay between an input and the system's response; in live speech recognition and interpreting, the time between the spoken words and their displayed transcription or translation.Délai entre une entrée et la réponse du système ; en reconnaissance de la parole en direct et en interprétation, temps qui s'écoule entre les mots prononcés et l'affichage de leur transcription ou de leur traduction. , microphone quality and a stable connection.

Multimedia content production

• Automatic subtitling. Educational and promotional video is captioned automatically, which is now ordinary rather than exceptional, because in several jurisdictions accessibility is a legal requirement rather than a courtesy. Ontario is a concrete case: since 2021, public sector bodies and organisations of fifty or more people must conform to WCAG 2.0 Level AA on their websites, which requires captions on prerecorded video. Live captions are explicitly excluded from that requirement, which is worth knowing before assuming the two are treated alike.Ontario’s guidance: How to make websites accessible.
• Video translation with dubbing. The speaker’s voice can be cloned so that the translated track still sounds like them, and some tools go further and resynchronize the lips onto the target language. Where both are done, the result plays as though the video had been recorded in that language rather than translated into it.

Quality remains uneven, so ideally a person checks the output before anything is published.

A critical perspective

• Not necessarily faster. Speed of dictation does not guarantee a net gain in productivity.
• Metrics vs. real impact. An “acceptable” error rate can hide serious errors on amounts, names or acronyms; qualitative evaluation in context remains indispensable.
• Fairness and inclusion. Systems have to be tested with the accents and language varieties they will actually be used with: Koenecke et al. (2020) document marked differences in performance between groups of speakers.
• Data confidentiality. Distinguish the systems that process audio locally, on the device, from those that send it to remote servers; that choice decides what happens to the texts you dictate and the voices you record.

Trois cas d’usage

Traduction

• Dictée de traduction. Dicter un premier jet peut aller plus vite que le taper, et réduit les risques de troubles musculosquelettiques. Wang et Sun (2023) ont cependant constaté que le temps gagné à la rédaction repartait dans la révision, si bien que le gain net n’est pas garanti. Une partie de cette révision répare le système, l’autre revient au traducteur : l’étude relie le temps de révision à l’aptitude à la traduction à vue, c’est-à-dire à la facilité avec laquelle une phrase aboutie se formule sur-le-champ, là où l’écrit permet de la façonner en cours de route. Seule la première partie diminue à mesure que la reconnaissance progresse, et elle a progressé depuis 2023 : l’équilibre a pu se déplacer, ce qui ne veut pas dire que le constat ne tient plus.
• Postédition vocale. Corriger des segments de traduction automatique à la voix plutôt qu’au clavier peut être une variante ergonomique de la postédition post-editingpostédition machine translationtraduction automatique The human correction of raw machine translation output; the counterpart, for machine translation, of revision in human translation.Correction humaine de la sortie brute d'une traduction automatique ; l'équivalent, pour la traduction automatique, de l'étape de révision en traduction humaine. . L’apprentissage est cependant exigeant : cette façon de travailler demande de s’y habituer.

Points de vigilance : les nombres, les noms propres, la ponctuation et la casse restent les erreurs les plus probables d’une transcription dictée.

Interprétation

• Outils d’interprétation assistée par ordinateur (angl. computer-assisted interpreting, CAI). Ce que fait tel ou tel outil varie, et aucun ne réunit toutes les fonctions, mais ensemble elles accompagnent toute la prestation et pas seulement sa terminologie. En amont, un outil peut extraire les termes des documents reçus, en constituer un glossaire, vous le faire mémoriser et proposer des traductions de termes en contexte. Pendant la prestation, le glossaire se consulte d’un coup d’œil sur un second écran ou une tablette, et certains outils écoutent aussi le discours original : ils le transcrivent, mettent les nombres en évidence à mesure qu’ils sont prononcés et font apparaître l’entrée de glossaire d’un terme quand il arrive. Le lieu du traitement de l’audio, votre machine ou le nuage, est un choix que certains vous laissent, et il décide de ce qui sort d’une réunion confidentielle. InterpretBank est l’un des plus établis (Fantinuoli, 2016).interpretbank.com Ces outils sont conçus pour soutenir une interprète plutôt que pour la remplacer, ce qui ne veut pas dire qu’aucun remplacement n’a lieu.
• Sous-titrage en direct. Les sous-titres se produisent au fil du discours, soit dans la langue de l’oratrice, ce qui relève de l’accessibilité, soit traduits pour un auditoire multilingue. Ce qui décide du résultat est pratique : la latence latencylatence speechparole The delay between an input and the system's response; in live speech recognition and interpreting, the time between the spoken words and their displayed transcription or translation.Délai entre une entrée et la réponse du système ; en reconnaissance de la parole en direct et en interprétation, temps qui s'écoule entre les mots prononcés et l'affichage de leur transcription ou de leur traduction. , la qualité du micro et la stabilité de la connexion.

Création de contenu multimédia

• Sous-titrage automatique. Les vidéos éducatives et promotionnelles se sous-titrent automatiquement, ce qui est devenu courant plutôt qu’exceptionnel, parce que plusieurs législations font de l’accessibilité une obligation et non une politesse. L’Ontario en est un cas concret : depuis 2021, les organismes du secteur public et les organisations de cinquante personnes ou plus doivent respecter le niveau AA des WCAG 2.0 sur leurs sites, ce qui exige le sous-titrage des vidéos préenregistrées. Le sous-titrage en direct est explicitement exclu de cette obligation, ce qui vaut la peine d’être su avant de supposer que les deux sont traités pareil.Les indications de l’Ontario : How to make websites accessible.
• Traduction vidéo avec doublage. La voix de l’oratrice peut être clonée pour que la piste traduite lui ressemble encore, et certains outils vont plus loin en resynchronisant les lèvres sur la langue cible. Quand les deux sont faits, le résultat passe comme une vidéo tournée dans cette langue plutôt que traduite vers elle.

La qualité reste variable, si bien qu’idéalement une personne vérifie le résultat avant toute diffusion.

Perspective critique

• Pas nécessairement plus rapide. La vitesse de dictée ne garantit pas un gain de productivité net.
• Métriques contre impact réel. Un taux d’erreur « acceptable » peut masquer des erreurs graves sur les montants, les noms ou les sigles ; l’évaluation qualitative en contexte reste indispensable.
• Équité et inclusion. Les systèmes doivent être testés avec les accents et variétés linguistiques réellement visés : Koenecke et al. (2020) documentent des écarts de performance marqués selon les groupes de locuteurs.
• Confidentialité des données. Distinguez les systèmes qui traitent l’audio localement, sur l’appareil, de ceux qui l’envoient sur des serveurs distants ; le choix engage la confidentialité des textes dictés et des voix enregistrées.