Une qualité plus élevée ralentit-elle la transcription sur iPhone ?

Cette question vient d’une intuition raisonnable : ultra produit un fichier plus gros que standard, et plus gros signifie généralement plus lent quelque part dans le processus. Cela vaut la peine de détailler ce que change réellement le réglage de qualité et ce dont se nourrit vraiment un moteur de reconnaissance vocale, parce que les deux se recoupent finalement assez peu.

Ce que le réglage de qualité change réellement

Standard, haute et ultra fixent la fréquence d’échantillonnage à laquelle un enregistrement est capturé — combien de fois par seconde le signal du microphone est mesuré — à 22,05 kHz, 44,1 kHz et 48 kHz, sauvegardées dans tous les cas en AAC mono. Une fréquence plus élevée capture une tranche plus large du spectre audible avec une résolution temporelle plus fine. Ce qu’elle ne fait pas, c’est ajouter davantage de parole, de mots, ou d’information sur ce qui a été dit. C’est une différence dans la finesse avec laquelle le même son est mesuré, et cela se traduit surtout par un fichier plus lourd sur le stockage.

Ce dont se nourrit réellement un moteur de reconnaissance vocale

Les systèmes de reconnaissance vocale, sur iPhone ou ailleurs, ne lisent pas le fichier source à sa fréquence native pour raisonner directement dessus. L’audio est décodé et rééchantillonné à la fréquence de travail fixe autour de laquelle le modèle du moteur a été construit, et les modèles vocaux sont généralement construits autour d’une fréquence bien inférieure à ce qui intéresse la musique ou la production audio en général — la parole humaine ne transporte quasiment aucune information utile au-delà de quelques kilohertz, donc il n’y a rien à gagner à fournir davantage au moteur. Cette étape de rééchantillonnage se produit automatiquement et de façon identique, quelle que soit la qualité avec laquelle le fichier a été produit.

Le résultat concret : un moteur traitant un enregistrement ultra et ce même moteur traitant les mêmes paroles en standard travaillent, au moment où la reconnaissance commence, à partir d’un audio déjà ramené à la même fréquence. Le moteur ne voit jamais la différence qu’a faite le réglage de qualité.

Alors, qu’est-ce qui détermine réellement la durée d’une transcription

• La durée de l’enregistrement. C’est de loin le facteur dominant — un enregistrement de dix minutes donne au moteur dix minutes de parole à traiter, quelle que soit la qualité avec laquelle il a été capturé.
• Si la tentative sur l’appareil réussit ou bascule vers le serveur d’Apple. iOS tente d’abord la reconnaissance sur l’appareil ; si cette tentative revient vide ou échoue, la nouvelle tentative part vers le service vocal d’Apple, et un aller-retour réseau est un type d’attente différent d’une attente purement locale.
• La langue parlée, puisque la couverture et la qualité du modèle local varient selon la langue.
• À quel point le téléphone est occupé à faire autre chose au même moment — une ressource réellement partagée, mais dans laquelle le réglage de qualité n’a aucun rôle.

Rien dans cette liste n’est la fréquence d’échantillonnage à laquelle un enregistrement a été sauvegardé. Si une transcription met plus de temps que prévu, le réglage de qualité n’est pas l’endroit où chercher.

Le seul endroit où la taille du fichier frôle la vitesse, et pourquoi cela n’a pas d’importance ici

Il existe une nuance réelle et honnête : lire et décoder un fichier source plus gros prend un peu plus de temps qu’un fichier plus petit, simplement parce qu’il faut déplacer davantage d’octets depuis le stockage. Pour un enregistrement de durée vocale ordinaire, cette différence est une erreur d’arrondi — une fraction de seconde, noyée dans un processus qui prend déjà de plusieurs secondes à quelques minutes selon la durée. Ce n’est pas quelque chose qu’une personne transcrivant un appel ou un cours pourrait jamais remarquer, et encore moins un moyen d’accélérer les choses sur lequel compter.

Là où le réglage de qualité a réellement de l’importance

Ce n’est pas un réglage inutile — il répond simplement à une autre question. Une fréquence d’échantillonnage plus élevée capture bel et bien une portion plus large du spectre audible, ce qui vaut quelque chose pour la musique ou pour tout ce qui est destiné à être réécouté d’une oreille critique, et elle coûte bel et bien du stockage réel sur un enregistrement long. C’est un vrai compromis à considérer avant une longue séance. Ce n’est simplement pas un compromis de vitesse de transcription.

Comment Voice Studio gère cela

Voice Studio propose standard, haute et ultra — 22,05 kHz, 44,1 kHz et 48 kHz, toujours en AAC mono —, et la transcription tente toujours d’abord la voie sur l’appareil, quelle que soit celle des trois avec laquelle le fichier a été enregistré, et ne recommence sans ce drapeau que si cette première tentative revient vide ou échoue. La qualité que vous choisissez est une décision de stockage et de fidélité, pas quelque chose qui change la façon dont la transcription est produite ou le temps qu’elle met à arriver.

Questions fréquentes

Passer en qualité standard fait-il revenir les transcriptions plus vite ?

Non. Le moteur rééchantillonne l’audio à sa propre fréquence de travail fixe, quelle que soit la fréquence du fichier source, donc des enregistrements standard et ultra de la même parole sont traités à partir d’un audio à la même fréquence effective.

Un enregistrement plus long met-il toujours plus de temps à transcrire qu’un enregistrement court ?

Oui, très nettement — la durée est le facteur dominant du temps que prend une transcription, largement devant tout le reste, y compris le réglage de qualité.

Le réglage de qualité affecte-t-il la précision de la transcription comme il pourrait affecter la vitesse ?

À peine, et pour la même raison de fond : le moteur travaille de toute façon à partir d’audio rééchantillonné. Ce qui influe vraiment sur la précision, ce sont des choses comme le bruit de fond, la distance au microphone et la clarté avec laquelle quelqu’un parle, pas la fréquence d’échantillonnage à laquelle le fichier a été sauvegardé.

Pourquoi certains enregistrements longs échouent-ils à se transcrire au lieu de simplement prendre plus de temps ?

L’audio long est généralement traité par blocs plutôt qu’en un seul passage continu, et un bloc donné peut échouer — généralement à cause d’un accroc réseau sur la voie de repli — pendant que le reste de l’enregistrement se transcrit normalement. C’est une question de durée et de connectivité, pas de réglage de qualité.