Une note vocale ressemble à une seule action alors qu’elle en compte quatre : le micro enregistre, le fichier est stocké, un modèle de reconnaissance vocale transforme l’audio en texte, et quelque chose indexe ce texte pour qu’on puisse le retrouver plus tard. Savoir où se situent les coutures explique l’essentiel de ce qui surprend — pourquoi les transcriptions échouent sur les noms propres, pourquoi la précision s’effondre dans un café, et pourquoi une application qui transcrit n’est pas forcément une application où l’on retrouve quoi que ce soit ensuite.
Étape un : ce que l’enregistrement capte réellement
Votre téléphone mesure la pression de l’air au niveau du micro des milliers de fois par seconde et stocke ces nombres. La reconnaissance vocale travaille en général sur un audio ramené à 16 000 échantillons par seconde sur un seul canal, parce que presque toute l’information qui distingue les sons de la parole se situe sous 8 kHz. L’enregistrement musical utilise 44 100 et plus ; la parole n’en a pas besoin.
D’où la petite taille des fichiers de notes vocales, et le fait que le placement du micro compte davantage que sa qualité. Un téléphone au fond d’une poche enregistre surtout du tissu, et aucun modèle en aval ne récupère ce que le micro n’a jamais reçu.
Étape deux : de l’audio au texte
La reconnaissance vocale moderne relie directement l’audio au texte au moyen d’un modèle neuronal entraîné sur d’immenses quantités de parole transcrite, remplaçant l’ancienne chaîne composée de modèles acoustique, de prononciation et de langue séparés. Conséquence pratique : le modèle devine une phrase plausible, il ne décode pas les sons un à un.
C’est pourquoi les erreurs ont cette allure. Les systèmes produisent rarement du charabia ; ils produisent des mots fluides et faux — le nom de famille d’un collègue devient un nom commun qui lui ressemble, un nom de produit devient une expression courante. La sortie a toujours l’air d’une phrase complète, ce qui rend les erreurs plus difficiles à repérer que ne le seraient un grésillement ou un silence.
Comment se mesure la précision, et à quoi s’attendre
L’indicateur standard est le taux d’erreur sur les mots : insertions, suppressions et substitutions divisées par le nombre de mots réellement prononcés. Un taux de 5 % signifie qu’un mot sur vingt est faux — généralement acceptable pour la recherche, parfois fatal pour un chiffre ou un nom.
Ordres de grandeur, très variables selon le système et les conditions :
- Parole nette, pièce silencieuse, accent courant : des taux d’erreur de quelques pour cent sur le vocabulaire général.
- Bruit de fond, plusieurs locuteurs ou distance au micro : le taux d’erreur grimpe fortement, souvent d’un facteur plusieurs.
- Noms propres, termes techniques et phrases mêlant deux langues : de loin le point le plus faible, car les mots rares sont mal représentés dans les données d’entraînement.
- Nombres, dates et épellations : mis en forme par convention, si bien que « mille cinq cents » peut revenir en 1500 ou en toutes lettres selon le système.
Étape trois : rendre une transcription trouvable
Transcrire et retrouver sont deux problèmes distincts, et beaucoup d’applications ne règlent que le premier. Si la transcription est rangée avec son enregistrement et cherchée par mot exact, vous ne la retrouvez qu’en vous souvenant d’un mot que vous avez réellement dit — ce qui, des mois plus tard, est précisément ce que vous avez oublié.
La recherche par le sens change l’exigence : un mémo où vous avez dit « le fournisseur rate systématiquement les délais » se retrouve à partir de « problème de fiabilité du prestataire ». C’est la différence entre un dictaphone et une archive consultable, et elle est invisible dans les listes de fonctionnalités, puisque les deux annoncent la transcription.
Pourquoi parler bat écrire au moment de capturer
L’écart est mécanique. La parole en conversation tourne autour de 130 à 150 mots par minute ; la saisie sur téléphone autour de 35 à 40 pour la plupart des gens. Quatre-vingt-dix secondes de marche jusqu’à la voiture suffisent à une pensée complète qui n’aurait pas survécu à une saisie au pouce.
Le prix à payer, c’est la précision. Les notes parlées digressent, repartent de zéro et laissent le sujet implicite : « il a dit que ça ne marcherait pas » vous reste clair environ une journée. Le remède le moins coûteux tient en une phrase finale nommant la personne, le sujet et la raison pour laquelle vous enregistrez.
Ce que les notes vocales ne feront pas
Elles ne se corrigent pas toutes seules. Un nom erroné dans une transcription reste erroné tant que rien ne signale l’incertitude ou que vous ne le repérez pas — et la fluidité du texte décourage activement la vérification. Conserver l’audio d’origine à côté du texte est le seul vrai remède : l’enregistrement est la preuve, la transcription n’en est qu’une interprétation.
Elles ne règlent pas non plus le cas où vous n’avez jamais énoncé le contexte à voix haute. Et si une langue que vous parlez est mal représentée dans les données d’entraînement d’un modèle, attendez-vous à des résultats nettement moins bons dans cette langue qu’en anglais, quoi qu’en dise le marketing.
Traitez la transcription comme un index consultable et l’audio comme la source de vérité. Testez n’importe quelle application de notes vocales avec un enregistrement difficile — bruit de fond, deux noms, un chiffre — puis cherchez-le une semaine plus tard avec des mots que vous n’avez pas prononcés.