Soniox STT v6 écoute ce que dit l'agent vocal pour filtrer sa propre voix

Le spécialiste de la reconnaissance vocale Soniox a lancé le 3 novembre la version 6 de son modèle Speech-to-Text. L'argument principal s'adresse aux développeurs d'agents vocaux : on peut indiquer au modèle ce que dit l'agent, et il exploite cette information à la fois pour mieux comprendre l'utilisateur et pour écarter la voix de l'agent de la transcription. Soniox présente v6 comme le premier modèle de reconnaissance vocale doté de cette capacité, une affirmation qui n'a pas été vérifiée de façon indépendante.

Comment fonctionne la prise en compte de l'agent

D'après l'annonce, la fonction repose sur deux volets liés. D'abord, le développeur envoie le texte de l'agent au service de transcription au moment même où il part vers le moteur de synthèse vocale. Le modèle dispose ainsi du contexte des deux interlocuteurs, ce qui, selon Soniox, l'aide à interpréter des réponses brèves ou ambiguës de l'utilisateur, comme des noms, des nombres ou des termes techniques.

Ensuite, v6 s'appuie sur ce même texte pour distinguer la voix diffusée de l'agent de celle de l'utilisateur et retirer la première de la reconnaissance. Le modèle continue d'écouter pendant que l'agent parle : si l'utilisateur l'interrompt, ses paroles sont captées tandis que l'audio de l'agent est filtré. L'objectif affiché est de réduire les fausses interruptions et les boucles de retour sur les appareils où le son du haut-parleur revient dans le micro, comme les téléphones en mode mains libres, les ordinateurs portables ou les systèmes embarqués en voiture. Les deux fonctions sont proposées dans toutes les langues prises en charge.

Autres nouveautés et disponibilité

Soniox affirme que v6 gagne en précision dans plus de 60 langues, avec des progrès en saisie vocale, en transcription de réunions, en reconnaissance multilingue et en traduction en temps réel, ainsi qu'en identification des locuteurs, détection de la langue et détection de fin de parole. En traduction, le modèle ajuste la quantité de parole qu'il attend avant de traduire, ce qui compte surtout pour l'allemand et le coréen, selon Soniox.

Le modèle existe en deux variantes, l'une pour le streaming en temps réel, l'autre pour les fichiers enregistrés, toutes deux disponibles. L'annonce ne donne aucun chiffre de précision, de taux d'erreur ou de latence ; elle renvoie à une page de benchmarks distincte, si bien que l'ampleur des gains revendiqués ne peut pas être jugée à partir du seul communiqué.

Sur sa page de tarifs, Soniox affiche la transcription en temps réel à 0,12 $ par heure d'audio, le calculateur citant le modèle stt-rt-v6, et la transcription asynchrone à 0,10 $ par heure. L'annonce ne mentionne ni changement de prix pour v6, ni modification de l'API, ni étapes de migration depuis les versions précédentes.