Détection d'activité vocale : savoir quand l'appelant a fini
Comment la détection d'activité vocale distingue la parole du silence, pourquoi le timing déraille et comment régler l'attente pour éviter interruptions et latence.
Quand deux personnes se parlent au téléphone, elles se demandent rarement qui doit parler ensuite. Un agent vocal, lui, doit le calculer. La première étape est une question étonnamment simple, posée de nombreuses fois par seconde : quelqu'un parle-t-il en ce moment ? Le composant qui y répond s'appelle la détection d'activité vocale, ou VAD (voice activity detection).

Ce guide explique ce que fait la VAD, pourquoi elle est plus difficile sur une ligne téléphonique que dans une pièce calme, ce que signifient les réglages et comment les ajuster. Pour une vue d'ensemble du fonctionnement d'un agent vocal, lisez Comment fonctionne l'IA vocale lors d'un appel téléphonique.
Ce que fait la détection d'activité vocale
La VAD examine un flux audio par tranches très courtes et classe chacune comme parole ou non-parole. Les versions simples ne mesurent que le volume. Les meilleures sont des modèles entraînés qui reconnaissent la signature de la parole humaine et ignorent les clics de clavier, un camion qui passe ou une télévision en fond sonore.
Ces étiquettes alimentent trois décisions dans un agent vocal :
- Début de parole : l'appelant a commencé à parler ; l'agent doit écouter et, s'il est lui-même en train de parler, envisager de s'arrêter.
- Fin de parole : l'appelant se tait depuis assez longtemps pour que son tour soit probablement terminé ; l'agent peut répondre.
- Rien à transcrire : si l'audio n'est que du bruit, on ne demande pas à la reconnaissance vocale de deviner des mots.
Comme tout ce qui suit dépend de la VAD, une VAD médiocre fait passer un bon agent pour un mauvais. Une réponse qui arrive alors que l'appelant parle encore relève rarement d'un problème de langage ; c'est généralement un problème de timing.
Pourquoi les appels téléphoniques compliquent la tâche
Une ligne téléphonique est un canal étroit et compressé, qui transporte souvent un appelant dans la rue, en voiture ou dans un magasin. Cette combinaison brouille la frontière entre parole et bruit. Pourquoi l'audio téléphonique complique la reconnaissance vocale s'intéresse à l'audio lui-même ; voici les effets propres à la VAD.
Ce qui trompe un détecteur
- Le bruit de fondLa circulation, le vent et le brouhaha d'un café peuvent être pris pour de la parole et maintenir le tour ouvert.
- Les voix faiblesUne voix douce peut être classée comme silence, et l'agent parle alors par-dessus l'appelant.
- Les pauses en milieu de phraseOn s'arrête pour réfléchir, épeler un nom ou chercher un numéro dans son sac.
- L'écho et l'effet localLa propre voix de l'agent qui revient dans la ligne peut ressembler à l'appelant qui parle.
- Respirations et mots de remplissageDes sons comme « euh » ou un soupir peuvent compter ou non comme un tour de parole.
L'arbitrage du seuil de silence
Le réglage le plus important est la durée pendant laquelle un silence doit se prolonger avant que le système considère que l'appelant a terminé. Appelons-le le seuil de silence. C'est un compromis, sans valeur parfaite.
Seuil de silence court ou long
| Attente courte | Attente longue | |
|---|---|---|
| Ressenti de l'appel | Rapide et vivant | Plus lent, plus posé |
| Risque | Coupe la parole pendant que l'appelant réfléchit ou dicte un numéro | Des blancs après chaque réponse ; les appelants se répètent |
| Adapté à | Les échanges brefs par oui ou par non | Les noms, adresses, numéros de compte, les appelants âgés ou hésitants |
Pensez au contenu de l'appel. Si vous posez surtout des questions fermées, une attente courte convient. Si les appelants doivent donner une adresse e-mail ou un numéro de référence, une attente plus longue évite que l'agent intervienne pendant une pause entre deux chiffres.
Adapter la vitesse selon la question
Certains systèmes permettent de faire varier la patience selon la question. Soyez rapide quand vous demandez si l'appelant souhaite être rappelé ; soyez patient quand vous demandez un code postal. Si votre plateforme ne le permet pas, choisissez le réglage adapté à votre question la plus exigeante, car couper la parole à un appelant agace davantage qu'une courte pause.
Régler la VAD dans Call
Dans Call, chaque agent IA dispose d'une section Transcription où vous choisissez la langue qu'il écoute, ou le laissez détecter la langue automatiquement. Deux curseurs déterminent la façon dont il décide que l'appelant a terminé. Le seuil de silence correspond au nombre de secondes de silence avant la fin du tour de l'appelant, réglable entre 0 et 1,5 seconde ; plus il est bas, plus l'alternance est rapide, plus il est haut, plus les pauses longues sont tolérées. Le curseur de sensibilité au bruit rend l'agent plus ou moins sensible aux sons ambiants. Un bandeau sur cette page indique lesquels de ces réglages sont utilisés aujourd'hui par les appels réels ; vérifiez-le avant de passer du temps à ajuster.
Une boucle de réglage simple
- Partir des valeurs par défautPassez une série d'appels de test de référence avant de modifier quoi que ce soit.
- Tester les cas difficilesAppelez depuis un lieu bruyant, parlez lentement, marquez une pause au milieu d'un numéro, parlez doucement.
- Modifier un seul réglageAjustez soit le silence, soit la sensibilité au bruit, pas les deux à la fois.
- Retester et comparerUtilisez le même script pour que les différences proviennent du réglage.
- Analyser les appels réelsCherchez dans les transcriptions les appelants coupés ou les longs blancs, et ajustez à nouveau.
Prenons un appelant fictif qui donne une référence de réservation. Il dit les quatre premiers caractères, jette un œil à son e-mail de confirmation et reprend au bout de deux secondes. Avec une attente courte, l'agent a déjà répondu, l'appelant recommence et les deux parlent en même temps. Avec une attente plus longue, le même appelant donne la référence d'une traite. Imaginez maintenant un appelant qui doit simplement dire oui. L'attente plus longue lui coûte une seconde de silence à chaque tour. Le bon réglage dépend de celui de ces appels que vous recevez le plus souvent.
Les appels depuis un mobile ajoutent une difficulté. Les téléphones dotés d'une réduction de bruit agressive tronquent parfois la première syllabe d'une phrase, si bien que le début de parole arrive en retard. Si les appelants semblent souvent commencer à parler sans être entendus, essayez le réglage de bruit plus sensible et retestez depuis un combiné.
Interpréter les symptômes
On peut souvent deviner dans quel sens un réglage est faux en écoutant les appels.
| Ce que vous entendez | Cause probable | Que tester |
|---|---|---|
| L'agent parle par-dessus l'appelant | Attente de silence trop courte, ou voix faible non détectée | Relever le seuil de silence, augmenter la sensibilité au bruit |
| De longues pauses avant chaque réponse | Attente de silence trop longue | Abaisser légèrement le seuil |
| L'agent réagit à des sons sans parole | Bruit pris pour de la parole, le tour ne se ferme jamais | Réduire la sensibilité au bruit |
| L'agent ignore un appelant qui parle doucement | Parole prise pour du bruit | Augmenter la sensibilité au bruit |
| Les réponses semblent lentes même avec une attente courte | Délai ailleurs dans la chaîne de traitement | Voir le guide sur la latence |
Le délai a plusieurs sources en dehors de la VAD. Latence de l'IA vocale : pourquoi les réponses semblent lentes les distingue, et Gérer le barge-in et les interruptions traite de ce qui se passe quand l'appelant parle pendant que l'agent s'exprime.
Au-delà du silence : des décisions de fin de tour plus fines
Le silence seul est un signal grossier. Des approches plus récentes tiennent aussi compte de ce qui a été dit : une phrase qui se termine par « et », ou un numéro à moitié énoncé, annonce probablement une suite, alors qu'une question complète n'en annonce probablement pas. Ces méthodes sont décrites plus en détail dans La prise de parole dans les agents vocaux. Quelle que soit la technique, considérez les promesses des éditeurs comme des hypothèses et vérifiez-les avec vos propres appels.
Avant la mise en service, vérifiez que
- L'agent n'interrompt pas les appelants qui dictent des chiffres
- Une pause d'une ou deux secondes n'est pas considérée comme la fin du tour
- Un appelant dans une rue bruyante reste compréhensible
- La propre voix de l'agent ne déclenche pas le détecteur
- Vous avez écouté des appels passés depuis des mobiles, pas seulement depuis des postes fixes
- Vous savez où modifier les réglages si les appels réels révèlent un problème
Que faire ensuite dans Call
Ouvrez les réglages de voix de l'agent, examinez la section de transcription et lancez un appel de test qui fait sonner votre propre téléphone via la ligne. Ouvrez ensuite l'appel dans l'historique, où un manager peut voir la durée de chaque tour de parole, et comparez-la à votre ressenti de l'appel. Les petites variations du seuil de silence se jugent plus facilement en écoutant deux versions côte à côte que de mémoire.
Questions fréquentes
Que signifie VAD ?
Voice activity detection, ou détection d'activité vocale. C'est la partie d'un système vocal qui distingue la parole du silence et du bruit de fond.
La VAD est-elle la même chose que la reconnaissance vocale ?
Non. La VAD décide seulement si quelqu'un parle. La reconnaissance vocale transforme la parole en texte. Les deux fonctionnent ensemble, et la VAD décide aussi quand arrêter d'écouter pour commencer à répondre.
Pourquoi l'agent m'interrompt-il parfois ?
L'attente de silence est probablement trop courte pour votre façon de parler, ou une pause a été prise pour la fin de votre tour. Relever le seuil de silence aide généralement.
Pourquoi y a-t-il une longue pause avant que l'agent réponde ?
L'attente de silence est peut-être longue, ou le délai se situe ailleurs, par exemple dans la génération de la réponse. Vérifiez d'abord les réglages, puis regardez les temps de réponse dans l'historique des appels.
Le bruit de fond influe-t-il sur le résultat ?
Oui. Le bruit peut être pris pour de la parole et maintenir le tour ouvert, et une voix faible peut être prise pour du bruit. Les réglages de sensibilité au bruit et des appels de test depuis des lieux réalistes aident à trouver l'équilibre.
Un seul réglage peut-il convenir à tous les appelants ?
Rarement. Choisissez une valeur adaptée à vos questions les plus exigeantes et analysez les appels réels, car les appelants patients et rapides se comportent différemment.