Three families of speech technologyTrois familles de technologies de la parole
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:
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.
Written alternately in EN and FR, translation partly generated in both directions.
Rédigé en alternance en EN et en FR, traduction en partie générée dans les deux sens.
Updated 4 October 2026
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 ;
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.
Written alternately in EN and FR, translation partly generated in both directions.
Rédigé en alternance en EN et en FR, traduction en partie générée dans les deux sens.
Mise à jour 2 octobre 2026
Sources
Radford, A., Kim, J. W., Xu, T., Brockman, G., McLeavey, C., & Sutskever, I. (2023). Robust speech recognition via large-scale weak supervision. Proceedings of the 40th International Conference on Machine Learning (PMLR 202), 28492–28518. https://proceedings.mlr.press/v202/radford23a.html
Sources
Radford, A., Kim, J. W., Xu, T., Brockman, G., McLeavey, C., & Sutskever, I. (2023). Robust speech recognition via large-scale weak supervision. Proceedings of the 40th International Conference on Machine Learning (PMLR 202), 28492–28518. https://proceedings.mlr.press/v202/radford23a.html