Speed vs. quality: live, offline and simultaneousVitesse contre qualité : en direct, en différé et en simultané
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).
Sources
- Adelani, D. I., Agostinelli, V., Anastasopoulos, A., Bentivogli, L., Bojar, O., et al. (2026). Speech translation and metrics in 2026: Findings of the IWSLT campaign. Proceedings of the 23rd International Conference on Spoken Language Translation (IWSLT 2026), 336–422. https://aclanthology.org/2026.iwslt-1.39/
Sources
- Adelani, D. I., Agostinelli, V., Anastasopoulos, A., Bentivogli, L., Bojar, O., et al. (2026). Speech translation and metrics in 2026: Findings of the IWSLT campaign. Proceedings of the 23rd International Conference on Spoken Language Translation (IWSLT 2026), 336–422. https://aclanthology.org/2026.iwslt-1.39/