Call-bot.ai

GlossairePublié le

STT et TTS (reconnaissance et synthèse vocales)

Définition

STT (speech-to-text) et TTS (text-to-speech) sont les deux extrémités de la chaîne d'un agent vocal en cascade : le STT, ou reconnaissance automatique de la parole, transcrit ce que dit l'appelant en texte ; le TTS, ou synthèse vocale, transforme le texte de la réponse en voix.

À retenir

  • Critère : le sens de la conversion. STT : audio vers texte (aussi appelé ASR, automatic speech recognition). TTS : texte vers audio.
  • Dans l'architecture en cascade décrite par Twilio, un modèle de langage s'intercale : STT, LLM, TTS. Les modèles speech-to-speech (voix à voix) fusionnent ces étapes (OpenAI).
  • Le STT peut travailler en flux continu ou sur fichier ; la synthèse peut commencer dès les premiers mots du modèle. C'est ce qui pèse sur la latence.

Comment ça marche

Amazon Transcribe se présente comme un service de reconnaissance automatique de la parole qui convertit l'audio en texte, en temps réel ou sur fichier. Google distingue la reconnaissance synchrone (audio d'une minute ou moins), asynchrone et en flux, cette dernière conçue pour le temps réel, comme la capture d'un micro. Côté TTS, Google convertit du texte ou du balisage SSML (Speech Synthesis Markup Language) en audio ; Microsoft indique que « text to speech » s'appelle aussi synthèse vocale (speech synthesis). Microsoft évoque des résultats intermédiaires pour la transcription en direct, et un balisage SSML pour régler la hauteur, les pauses, la prononciation, le débit et le volume de la voix. Pour un agent en cascade simple, Twilio donne en novembre 2025 des cibles de départ de 350 ms pour le STT et de 100 ms pour le premier octet audio du TTS. Fonctions et chiffres relevés le 21/10/2026 dans les documentations.

Pièges et limites

  • Audio téléphonique : Google note que la fréquence d'échantillonnage native de la téléphonie est couramment de 8 000 Hz et qu'un bruit de fond ou un écho excessifs, ainsi que les codecs à perte, peuvent réduire la précision.
  • Noms et termes métier : Google propose des listes de mots et d'expressions pour améliorer la reconnaissance de termes spécifiques.
  • Erreur en cascade : ce que le STT transcrit mal est ce que le modèle de langage reçoit. Testez sur vos propres appels.
  • Cibles, pas records : Twilio présente ses chiffres comme des points de départ, non comme des performances maximales.

Voir aussi

Sources

Tout le glossaire