Technologie d'IA vocale

Modèles speech-to-speech ou chaînes vocales en cascade : comparatif

Deux façons de construire un agent vocal téléphonique : modèles speech-to-speech et chaînes en cascade. Forces, faiblesses et comment choisir en testant.

L’équipe éditoriale de Call · Publié le · Lecture : 6 min

Derrière un agent vocal, on trouve généralement l'une de deux architectures. Dans la première, un logiciel transforme la parole de l'appelant en texte, un modèle de langage rédige une réponse textuelle et un moteur vocal la lit à voix haute. Dans la seconde, un seul modèle écoute l'audio et répond en audio. Les éditeurs débattent de la meilleure approche. La réponse honnête est que chacune fait des compromis.

Des ingénieurs comparant des formes d'onde audio sur un écran d'ordinateur portable
Image d'illustration

Ce guide compare les deux en termes simples, pour que vous posiez de meilleures questions au moment de choisir une plateforme. Pour une introduction plus large, commencez par Comment fonctionne l'IA vocale lors d'un appel téléphonique.

La chaîne en cascade

Une chaîne en cascade, parfois décrite comme reconnaissance vocale, puis modèle, puis synthèse vocale, est l'approche standard depuis des années. Chaque étape est un composant distinct, et du texte circule entre eux.

Chaîne en cascade

  1. Reconnaissance vocaleConvertit l'audio de l'appelant en texte.
  2. Modèle de langageLit le texte, avec les instructions et les sources, et rédige une réponse.
  3. Synthèse vocaleTransforme le texte de la réponse en audio parlé.
  4. TéléphonieAchemine l'audio vers l'appelant et depuis l'appelant.

Comme le cœur du système est du texte brut, vous pouvez le lire, le rechercher, le conserver, le confronter à des règles et remplacer n'importe quelle étape. Vous pouvez opter pour un moteur de reconnaissance plus performant avec les accents de vos appelants, ou pour une voix adaptée à votre marque.

L'approche speech-to-speech

Un modèle speech-to-speech, aussi qualifié de modèle de bout en bout ou audio natif, traite directement l'audio. Il écoute le son lui-même et produit du son en sortie, même si beaucoup de ces systèmes génèrent aussi du texte pour la journalisation.

Speech-to-speech

  1. Audio en entréeLa voix de l'appelant va directement au modèle.
  2. Un seul modèleIl interprète le sens, le ton et le rythme, et prépare une réponse.
  3. Audio en sortieIl génère directement la réponse parlée.
  4. TéléphonieL'audio circule vers l'appelant et depuis l'appelant.

L'intérêt est que rien ne se perd entre les étapes. Une pause, un rire, une hésitation ou un soupir peuvent influencer la réponse, et le modèle peut commencer à parler plus tôt, car il n'attend pas trois étapes distinctes.

Côte à côte

Cascade ou speech-to-speech

CascadeSpeech-to-speech
NaturelDépend de chaque étape ; peut paraître saccadéSouvent plus fluide, avec rythme et ton préservés
Temps de réponseSomme de trois étapes, qui peuvent être optimiséesPotentiellement plus court, avec moins de relais
ContrôleÉlevé : des règles peuvent s'appliquer au texte à chaque étapePlus faible : plus difficile d'inspecter ce qui se passe à l'intérieur
Transcriptions et journauxSous-produit naturelGénéralement générés à part, et parfois différents de ce qui a été dit
Remplacement de composantsFacile : changer seulement la reconnaissance ou la voixLimité à ce que propose le modèle
Choix de la voixLarge choix de voixSouvent un choix plus restreint
MaturitéLongue expériencePlus récent, en évolution rapide

Méfiez-vous de toute affirmation de supériorité absolue. La qualité varie d'un produit à l'autre au sein de chaque catégorie, et les résultats d'une démo propre peuvent ne pas se confirmer sur un appel mobile bruyant.

Ce qui compte pour les appels téléphoniques

L'audio téléphonique est étroit et bruité

L'audio téléphonique est compressé et souvent bruité. Quelle que soit l'architecture choisie, vérifiez ses performances sur de vrais enregistrements téléphoniques, pas seulement sur des enregistrements de studio. Pourquoi l'audio téléphonique complique la reconnaissance vocale explique cet effet.

Contrôle et traçabilité

Si vous devez démontrer ce qu'un agent a dit et pourquoi, le texte à chaque étape est précieux. Une architecture en cascade permet d'appliquer un contrôle entre la réponse du modèle et la voix. Avec un modèle de bout en bout, vous dépendez davantage des contrôles de l'éditeur et des tests. Consultez Les garde-fous des agents d'IA vocale et déterminez ce que vous devez imposer.

Interruptions et timing

Les modèles audio natifs gèrent souvent les chevauchements et les interruptions de façon plus fluide, car ils entendent l'appelant en continu. Les systèmes en cascade s'appuient sur la détection de la parole et du silence pour décider quand s'arrêter et quand reprendre ; voir La détection d'activité vocale et La prise de parole dans les agents vocaux. Une meilleure ingénierie peut réduire l'écart, et cet écart peut continuer d'évoluer.

Langues et accents

Vérifiez par des tests les langues et accents qui comptent pour vous, plutôt que de vous fier à une liste dans une brochure. Un modèle performant dans une langue peut l'être moins dans une autre, et il en va de même pour chaque étape d'une chaîne.

Choisir selon votre situation

Quelques scénarios fictifs montrent comment les priorités tirent dans des directions différentes.

Questions à poser à un éditeur

  • Quelles étapes le système utilise-t-il, et puis-je les modifier ?
  • Ai-je une transcription de chaque appel, et correspond-elle à ce que le modèle a entendu ?
  • Comment les règles et les limites sont-elles appliquées ?
  • Comment se comporte-t-il sur mobile et sur des lignes bruyantes ?
  • Quels sont les temps de réponse typiques sur de vrais appels téléphoniques ?
  • Comment les interruptions sont-elles gérées ?
  • Que deviennent l'audio et le texte ensuite ?

Là où la frontière s'estompe

Les deux catégories sont moins tranchées que ne le laisse entendre le marketing. Beaucoup de produits speech-to-speech produisent encore une transcription en parallèle de l'audio, et beaucoup de produits en cascade transmettent des résultats partiels en continu entre les étapes pour que la parole commence avant que le modèle ait fini d'écrire. Certains systèmes utilisent un modèle audio natif pour la conversation et une étape textuelle pour les consultations ou les contrôles de règles. Quand un éditeur affirme que son produit est de bout en bout, demandez ce qui l'est exactement, et où le texte apparaît encore.

C'est important, car les questions pratiques ne changent pas. Où pouvez-vous lire ce qui a été dit ? Où une règle peut-elle être appliquée ? Comment une mauvaise réponse est-elle détectée ? Une solution hybride qui offre une transcription fiable et une voix naturelle peut être la voie médiane raisonnable, à condition de pouvoir vérifier les deux volets.

Tester équitablement

Il est facile de fausser involontairement une comparaison. Utilisez le même script, le même type de ligne et le même bruit de fond pour chaque candidat. Testez depuis un mobile en voiture ou dans la rue, pas seulement depuis une pièce calme. Incluez les moments délicats que produisent les vrais appelants : une correction en milieu de phrase, un nom épelé, une question hors périmètre et une demande de parler à une personne.

Évaluez chaque appel sur quelques critères simples : la réponse était-elle correcte, l'agent a-t-il attendu l'appelant, quelle était la durée du blanc avant chaque réponse, et comment l'appel s'est-il terminé. Un nombre modeste d'appels évalués de façon cohérente vous en apprend plus qu'une démo soignée.

L'approche de Call

La leçon pratique est que l'architecture compte moins que le comportement sur vos appels. Dans Call, un agent IA commence à parler dès que la première partie de sa réponse est prête, prépare les accueils à l'avance pour les appels sortants et garde des réponses courtes. Vous réglez la voix et les options de transcription, testez en faisant sonner votre propre téléphone et relisez ensuite la conversation dans l'historique des appels. Quelle que soit la technologie sous-jacente, appliquez-lui la même exigence : répond-elle avec exactitude, passe-t-elle la main poliment et sonne-t-elle de façon acceptable pour vos appelants ? Les indicateurs présentés dans Comment évaluer les conversations d'un agent vocal s'appliquent aux deux.

Questions fréquentes

Qu'est-ce qu'un modèle speech-to-speech ?

C'est un modèle qui reçoit de l'audio parlé en entrée et produit de l'audio parlé en sortie, sans étape textuelle distincte entre la reconnaissance et la parole.

Qu'est-ce qu'une chaîne vocale en cascade ?

C'est un enchaînement de reconnaissance vocale, de modèle de langage et de synthèse vocale, avec du texte transmis entre les étapes.

Lequel est le plus naturel ?

Les systèmes speech-to-speech sont souvent décrits comme plus fluides, mais la qualité varie selon les produits. Jugez en écoutant des appels semblables aux vôtres.

Lequel est le plus facile à auditer ?

Les chaînes en cascade produisent du texte à chaque étape, ce qui simplifie journaux, contrôles et règles. Avec les modèles de bout en bout, renseignez-vous sur ce que l'éditeur enregistre et sur sa fiabilité.

Peut-on combiner les deux approches ?

Certaines plateformes les combinent, par exemple en utilisant une architecture en cascade pour certains appels. Demandez comment un système gère transcriptions et règles dans chaque mode.

Le choix a-t-il un impact sur le coût ?

Cela peut être le cas, mais les prix et les modèles évoluent : demandez à l'éditeur ses conditions actuelles et comparez-les à des résultats mesurés plutôt qu'à des promesses affichées.

Testez un agent IA sur votre propre ligne téléphonique avec Call

Dans la console de démo, vous pouvez essayer des appels entrants en simulation.

Guides associés