Call-bot.ai

GlossairePublié le

Endpointing (détection de fin de parole)

Définition

L'endpointing est la décision, prise en continu pendant l'appel, que l'interlocuteur a fini de parler : elle déclenche la transcription finale et le début de la réponse de l'agent. Elle repose sur la durée du silence et, selon les systèmes, sur le sens des mots.

À retenir

  • Critère : l'endpointing détecte la fin de parole de l'appelant (l'agent peut parler) ; le barge-in détecte le début de sa parole pendant que l'agent parle (l'agent doit se taire).
  • Deux familles (Twilio) : la détection fixe, fondée sur un délai de silence (défaut souvent autour de 500 ms), et la détection intelligente, où un modèle entraîné combine détection d'activité vocale (VAD), indices acoustiques et sémantique. OpenAI propose deux modes comparables : server_vad et semantic_vad.
  • Un compromis : seuil court, réponse rapide mais risque de couper la parole ; seuil long, appelant respecté mais délai ajouté à chaque tour (voir latence).

Comment ça marche

Deepgram décrit la version simple : un détecteur d'activité vocale surveille l'audio ; quand une pause assez longue apparaît, le texte est finalisé et renvoyé avec le drapeau speech_final. La durée de silence se règle en millisecondes. Les méthodes intelligentes tiennent compte du sens : chez OpenAI, un énoncé qui s'étire reçoit un délai d'attente plus long qu'une affirmation nette. Exemple de Twilio : l'appelant s'interrompt pour retrouver son numéro de commande ; avec un seuil fixe trop court, l'agent répond à tort. Deepgram décrit aussi un déclenchement anticipé (eager end of turn) : le modèle commence à préparer sa réponse sur une transcription de confiance moyenne et l'annule si l'appelant reprend la parole, au prix de davantage d'appels au modèle. Fonctions et chiffres relevés le 21/10/2026 dans les documentations.

Pièges et limites

  • Couper la parole coûte cher : Twilio juge l'interruption de l'appelant bien pire ressentie qu'un peu de latence en plus.
  • Le bruit masque le silence : Deepgram signale que musique ou téléphone qui sonne peuvent empêcher de détecter le silence ; sa fonction UtteranceEnd s'appuie alors sur le minutage des mots.
  • Une heuristique : Deepgram rappelle que toute méthode pour savoir si quelqu'un a fini de parler peut échouer dans de rares situations ; Twilio ajoute qu'avec la détection intelligente, des accents ou des rythmes de parole inhabituels peuvent allonger l'attente.
  • Réglage par usage : Deepgram oppose le journal vocal, qui tolère de longues pauses, à la commande de repas, qui traite l'audio tous les quelques mots.

Voir aussi

Sources

Tout le glossaire