Une app de transcription apprend-elle votre voix avec le temps sur iPhone ?

C'est une hypothèse raisonnable, empruntée à d'autres logiciels. Un clavier prédit mieux votre prochain mot à mesure que vous tapez dessus. Un assistant vocal configuré pour vous reconnaître spécifiquement réagit différemment avec vous qu'avec un inconnu. Aucun des deux n'est imaginaire, donc supposer qu'une app de transcription fonctionne de la même façon — en construisant discrètement un profil de votre voix et en devenant plus précise avec vous en particulier — n'a rien d'absurde.

Ce qu'« apprendre votre voix » exigerait réellement

Pour qu'un modèle s'adapte à une personne en particulier, trois choses doivent être vraies : votre audio doit être conservé au-delà du moment où il est transcrit, il doit être rattaché à vous plutôt que traité comme une requête anonyme et jeté, et quelque chose doit périodiquement réentraîner ou ajuster ce modèle à partir de cet historique conservé. C'est une vraie infrastructure, la même que celle derrière tout produit qui personnalise réellement — il lui faut du stockage, une identité à laquelle rattacher ce stockage, et une étape de réentraînement qui tourne selon un calendrier. Une app sans compte et sans serveur à elle n'a aucun de ces trois éléments. Il n'y a nulle part où un historique de votre voix pourrait s'accumuler, et rien de prévu pour en tirer des enseignements même s'il existait.

Ce qui produit réellement une transcription sur iPhone

La transcription sur iPhone, dans Voice Studio comme dans presque toutes les apps qui n'embarquent pas leur propre modèle vocal, repose sur le framework Speech d'Apple : une passe sur l'appareil d'abord, puis un nouvel essai contre le serveur d'Apple si cette passe locale revient vide ou échoue. Les deux sont des modèles généraux, un par langue, distribués à chaque téléphone sous cette version d'iOS et utilisés de façon identique par toute app qui appelle le framework. Votre historique propre avec une app d'enregistrement n'a aucun chemin vers l'un ou l'autre de ces modèles — celui sur l'appareil vit dans un téléchargement fixe sur votre téléphone, et celui du serveur est une infrastructure partagée qui répond aux requêtes de toutes les apps côté Apple, pas un profil qui vous serait propre.

C'est vrai quel que soit le nombre d'enregistrements que vous avez faits ou la durée depuis laquelle vous utilisez l'app. La cinq-centième transcription est produite par exactement le même modèle que la première. Rien dans le fait d'avoir déjà utilisé l'app ne change ce qui se passe quand vous appuyez sur transcrire.

Où existe vraiment une personnalisation de voix, propre à une personne, sur iPhone

Cela ne veut pas dire qu'aucune partie d'iOS ne s'adapte jamais à une voix en particulier — c'est le cas, simplement pas ici. Configurer « Dis Siri » vous fait répéter la phrase plusieurs fois pour que le téléphone apprenne à vous reconnaître comme la personne qui parle, ce qui est un cas réel et documenté d'iOS construisant quelque chose de rattaché à la voix d'une personne précise. C'est pourtant une tâche plus étroite que la transcription : il s'agit de décider si la voix qu'il vient d'entendre est probablement la vôtre, pas de transformer n'importe quel discours en texte précis. C'est aussi une fonction propre à Apple, réservée à Siri, pas quelque chose d'accessible aux apps tierces qui appellent le framework Speech général pour obtenir une transcription. Connaître cette distinction sert justement à voir à quoi ressemble une vraie personnalisation sur cette plateforme, et à quel point elle diffère de ce que fait une app de transcription.

Alors pourquoi une transcription semble-t-elle parfois s'améliorer avec l'usage

Plusieurs choses changent réellement au fil des semaines passées à utiliser la même app, et aucune n'est le logiciel qui s'adapte à vous.

• Vous progressez sur la partie mécanique — où poser le téléphone, à quelle distance, enregistrer dans un endroit plus calme — après avoir remarqué une ou deux fois ce qu'un mauvais angle ou une pièce bruyante font à une transcription.
• Vous finissez par choisir la bonne langue et la bonne variante de transcription pour votre façon réelle de parler, plutôt que celle par défaut, après qu'une transcription précoce soit revenue fausse ou incohérente.
• Vous commencez à corriger dans le texte même les mêmes erreurs récurrentes — un nom, un terme technique, un mot que le logiciel comprend systématiquement de travers — si bien qu'elles cessent de se voir comme un problème, même si le logiciel referait la même erreur sur un audio neuf.
• Les conditions réseau diffèrent d'un essai à l'autre, si bien que la même phrase peut parfois revenir plus nette via le repli serveur qu'une passe sur l'appareil ayant échoué silencieusement, ou l'inverse — une différence de passe exécutée, pas une amélioration de l'une ou l'autre.

Ces quatre choses ressemblent, vues de l'extérieur, à « l'app s'habitue à moi ». Ce qui se passe en réalité, c'est vous qui ajustez des conditions auxquelles le logiciel a toujours été sensible, ou vous qui corrigez à la main les mêmes erreurs assez souvent pour qu'elles cessent d'être perçues comme telles. Le modèle sous-jacent, lui, n'a pas bougé d'un iota.

Pourquoi cela vaut la peine de le savoir, au-delà du simple réconfort

Cela change ce qui vaut réellement la peine d'être fait face à une transcription qui échoue toujours sur le même mot. Attendre que l'app finisse par l'apprendre, c'est attendre quelque chose qui ne va pas se produire, parce qu'il n'y a aucun mécanisme derrière — ce même audio, renvoyé le mois prochain, sera traité par le même modèle fixe et produira très probablement la même erreur. La corriger une fois dans le texte de la transcription, ou vérifier que la langue de transcription correspond à votre façon réelle de parler, c'est la version de cette correction qui tient réellement dans le temps, parce qu'elle change quelque chose de concret plutôt que d'espérer qu'un modèle s'ajuste tout seul.

Comment Voice Studio gère cela

Voice Studio n'a ni compte, ni serveur à lui, ni SDK d'analyse, donc il n'y a rien de notre côté où pourrait s'accumuler un historique de votre voix, même si le framework Speech était conçu pour en exploiter un. La transcription tente toujours d'abord la passe sur l'appareil pour la langue choisie, et ne bascule vers le serveur d'Apple que si cette passe revient vide ou échoue — les deux mêmes modèles fixes que tout le monde utilise sous cette version d'iOS. Ce qui reste sans restriction dans l'app gratuite, c'est la transcription elle-même : elle reste là, en texte ordinaire modifiable, si bien qu'un nom ou une expression qui ressort toujours mal se corrige une fois, directement dans la transcription, plutôt que d'attendre que le logiciel finisse par bien faire les choses de lui-même.

Questions fréquentes

Utiliser plus souvent une app de transcription la rend-elle plus précise avec le temps ?

Non. Le modèle vocal qu'elle utilise est un modèle fixe et général, rattaché à une langue, pas un modèle qui s'adapte à une personne précise à mesure qu'elle utilise une app donnée. L'amélioration que les gens remarquent vient généralement d'un ajustement de leur façon d'enregistrer, pas d'un changement du logiciel.

La reconnaissance vocale de l'iPhone se personnalise-t-elle un peu selon la voix ?

Une partie bien précise, oui — « Dis Siri » se configure en vous faisant répéter la phrase plusieurs fois pour que le téléphone apprenne à vous reconnaître spécifiquement comme la personne qui parle. C'est une fonction distincte, propre à Siri, pour identifier qui parle, pas quelque chose auquel se connecte la transcription d'une app tierce.

Pourquoi le même enregistrement se transcrit-il parfois différemment à un second essai ?

Généralement parce qu'une passe différente s'est exécutée — un essai sur l'appareil une fois, un nouvel essai contre le serveur d'Apple l'autre fois, selon les conditions réseau du moment. C'est une différence dans le modèle fixe qui a traité la requête, pas une amélioration de l'un ou de l'autre.

Si l'app n'apprendra jamais un mot que je dois sans cesse corriger, que faire ?

Corrigez-le directement dans le texte de la transcription dès qu'il apparaît — le logiciel refera très probablement la même erreur sur le prochain enregistrement, puisque rien dans votre correction ne change le modèle sous-jacent. Vérifier d'abord que la langue de transcription correspond à votre façon réelle de parler vaut le coup, car un réglage mal choisi provoque exactement ce genre d'erreur répétée.