ASR (reconnaissance vocale)

L'ASR (automatic speech recognition), ou reconnaissance vocale automatique, convertit en temps réel la parole en texte. Sa qualité se mesure au taux d'erreur de mots (WER) : plus il est bas, moins l'agent IA comprend de travers. Les modèles actuels gèrent les accents régionaux, le bruit ambiant d'un chantier et les mélanges FR/EN — un Québécois qui bascule « pas mal bon, that works » doit rester compris.

Dans un agent vocal, l'ASR est l'étage d'entrée : tout ce que le modèle aura mal entendu sera mal traité, peu importe la qualité du LLM en aval. C'est aussi l'un des goulots d'étranglement de la latence — on utilise des modèles « streaming » qui transcrivent pendant que l'appelant parle, plutôt qu'après un silence. Sans bonne reconnaissance vocale, il n'existe pas de bonne voix IA.