Pourquoi ma transcription de mémo vocal sur iPhone n'a-t-elle aucune ponctuation ?

Ouvrez une transcription toute fraîche et les mots sont généralement corrects — parfois étonnamment. Puis vous remarquez qu'il n'y a pas de virgule là où vous avez marqué une pause, pas de point d'interrogation sur la seule phrase qui était clairement une question, et vers la troisième minute, ça arrête d'essayer et tout s'enchaîne. Ce n'est pas la transcription qui échoue. C'est la transcription qui fait exactement ce pour quoi elle a été conçue, une tâche qui se révèle plus étroite qu'elle n'y paraît de l'extérieur.

Deux problèmes différents sous une seule apparence

Reconnaître quels mots ont été prononcés et décider où une phrase se termine ne sont pas la même tâche, même si une transcription terminée les fait paraître identiques. La première relève de la reconnaissance de motifs : un passage audio est associé à une séquence de mots qu'un modèle a déjà entendue sous un million de variations. La seconde ressemble davantage à deviner l'intention de quelqu'un — la ponctuation encode une intention, et cette intention doit être déduite de choses que l'audio ne fait que suggérer : la durée d'une pause, si le ton est monté ou descendu, s'il y a eu une respiration.

Un moteur de reconnaissance est entraîné et ajusté avant tout pour le premier problème, parce que c'est celui qui a une bonne réponse claire. Le second n'en a pas. Deux personnes transcrivant le même enregistrement à la main ne le ponctueraient pas non plus de façon identique — elles seraient simplement meilleures qu'un modèle pour deviner quelle lecture la personne qui parlait avait en tête.

Avec quoi le moteur de reconnaissance doit vraiment composer

Des pauses, pas de la grammaire

La reconnaissance vocale n'analyse pas la grammaire comme un exercice d'analyse de phrase. Ce qu'elle a, c'est le minutage : le silence entre les mots. Une longue pause après un passage est le signal le plus fort qu'elle reçoit qu'une phrase s'est terminée, donc c'est généralement là qu'un point apparaît, s'il en apparaît un. Une courte pause pour respirer au milieu d'une idée peut être traitée exactement de la même façon, ou pas du tout — le modèle mesure des millisecondes, pas du sens.

Intonation et rythme, imparfaitement

Une question en français monte généralement en intonation vers la fin ; une affirmation descend généralement. Une partie de cette intonation se retrouve dans la transcription sous forme de point d'interrogation, une partie non, et un débit monotone, fatigué ou précipité retire ce repère presque entièrement. Lisez une phrase sur un ton plat et même une personne transcrivant à la main aurait du mal à deviner qu'il s'agissait d'une question — le modèle a le même problème, simplement plus souvent.

Les paragraphes ne reçoivent rien du tout

C'est ce que les gens remarquent le plus et expliquent le moins : les transcriptions arrivent souvent comme un seul bloc continu, sans aucun saut de paragraphe nulle part. Ce n'est pas tant une fonctionnalité manquante qu'un concept absent — un saut de paragraphe est un jugement sur l'endroit où un sujet se termine et où un autre commence, et rien dans l'audio ne le marque comme une pause marque la fin d'une phrase. Aucun moteur de reconnaissance vocale, sur l'appareil ou non, n'insère cela.

Est-ce que le moteur utilisé change quelque chose ?

iOS tente d'abord la reconnaissance vocale sur l'appareil et ne se rabat sur le serveur d'Apple que si ce premier passage local revient vide ou échoue — le même mécanisme qui détermine si les mots eux-mêmes ressortent correctement. La ponctuation n'est pas sensiblement plus fiable sur l'une des deux voies que sur l'autre, parce que les deux résolvent le même jeu de devinettes avec les mêmes indices minces : durée de la pause et intonation, pas une compréhension de ce que vous vouliez dire. Ne vous attendez pas à ce qu'une transcription se lise davantage comme de la prose simplement parce que le traitement a tourné sur le serveur cette fois-là.

Ce qui aide vraiment pendant l'enregistrement

Aucun réglage ne corrige cela, mais votre façon de parler change ce que le modèle doit deviner :

• Une pause nette à la fin d'une idée donne au modèle quelque chose à quoi se raccrocher. Enchaîner directement une phrase sur la suivante supprime le seul signal dont il dispose.
• Baisser délibérément le ton à la fin d'une affirmation, ou le lever à la fin d'une question, est le même repère qu'utilise un auditeur — et le modèle essaie de l'utiliser aussi, en moins fiable.
• Une personne à la fois. La parole qui se chevauche ne coûte pas seulement des mots au moteur de reconnaissance, elle détruit le rythme des pauses dont il a besoin pour deviner les limites des phrases.
• Ralentir spécifiquement sur les noms, les chiffres et les termes techniques — pas sur tout l'enregistrement. Ce sont les mots les plus susceptibles de sortir faux quelle que soit la ponctuation, donc un petit ajustement d'élocution à cet endroit vaut plus qu'un petit ajustement ailleurs.

Corriger après coup, sans tout retaper

La ponctuation et les sauts de paragraphe sont aussi ce qu'il y a de plus rapide à corriger à la main, parce que vous ne redressez pas un mot faux — vous placez simplement des marques qu'un lecteur placerait d'instinct. Lisez la transcription une fois à un rythme normal, comme vous relirez n'importe quel texte, et ajoutez un point ou un retour à la ligne partout où votre œil s'y attend. Ça va vite parce que vous savez déjà ce qui était voulu ; le modèle devinait exactement ce que vous savez déjà.

Cette relecture vaut plus que courir après un meilleur enregistrement pour la seule ponctuation. Une pièce plus silencieuse et un micro plus proche aident réellement les mots à bien ressortir — cette partie répond aux réglages de qualité et au placement — mais la ponctuation dépend de la pause et de l'intonation, pas de la clarté, donc un enregistrement impeccable peut quand même revenir sous forme d'une seule phrase interminable.

Comment Voice Studio gère cela

La transcription passe par le moteur vocal d'Apple, en tentant d'abord la voie sur l'appareil, donc la ponctuation qui apparaît est celle que ce moteur a décidée — Voice Studio n'applique pas de passage séparé pour l'ajouter ou la retirer. Ce qu'il offre en revanche, c'est une transcription qui reste modifiable ensuite : corriger une virgule, ajouter un saut de paragraphe, corriger un nom, et la correction reste sans avoir à refaire le reste du texte.

Questions fréquentes

Puis-je faire ajouter la ponctuation automatiquement par Voice Studio ?

Non — la transcription reflète ce que le moteur de reconnaissance vocale d'Apple a produit, en priorité sur l'appareil, et l'application n'applique pas de passage séparé pour ajouter ou nettoyer la ponctuation. La corriger ensuite est la solution fiable, et la transcription reste modifiable exactement pour ça.

Parler plus lentement corrige-t-il la ponctuation ?

Parler plus lentement dans l'ensemble, non, mais laisser une pause nette entre les phrases, oui — cette pause est le principal signal dont dispose un moteur de reconnaissance pour savoir où une phrase se termine et où la suivante commence.

La transcription côté serveur ponctue-t-elle mieux que celle sur l'appareil ?

Pas de façon notable. Les deux déduisent les limites des phrases à partir de la durée des pauses et de l'intonation, pas du sens, donc changer laquelle des deux a tourné ne change guère la lecture de la ponctuation.

Pourquoi ma transcription ressort-elle comme un seul paragraphe géant sans coupures ?

Parce qu'un saut de paragraphe marque où un sujet se termine et où un autre commence, et rien dans l'audio ne le signale comme une pause signale la fin d'une phrase. Aucun moteur de reconnaissance vocale ne les insère — cette structure doit être ajoutée en relisant la transcription après coup.