Pourquoi 2017 est devenue l'année des interfaces vocales

Ces dernières années, les percées en reconnaissance automatique de la parole (ASR) ont transformé la voix, d'une curiosité en interface principale d'innombrables appareils. IEEE Spectrum a désigné 2017 comme « l'année de la reconnaissance vocale », et ZDNet a rapporté au CES que la voix est la prochaine interface informatique majeure. Voici un aperçu de l'écosystème vocal actuel et des technologies qui le propulsent.

Combien de vos appareils conversent avec vous ?

L'activation vocale est désormais ubiquitaire. Chaque smartphone phare — iPhone 7, Galaxy S7 — embarque des assistants vocaux toujours actifs, tout comme les montres connectées, wearables et hearables tels que les Apple AirPods et Samsung Gear IconX. De nombreux appareils n'ont pas d'interface utilisateur traditionnelle, faisant de la voix le seul moyen pratique d'interaction. De nouvelles caméras (ex. GoPro Hero 5) acceptent des commandes vocales pour des selfies mains libres, et les systèmes d'infodivertissement automobile ont rendu le contrôle audio vocal la norme pour une conduite plus sûre.

L'Amazon Echo a déclenché l'essor des assistants conversationnels. Alexa, le service vocal d'Amazon, embarque des dizaines de compétences intégrées — blagues, scores sportifs, anecdotes cinématographiques — et de nombreux easter eggs. Les développeurs peuvent étendre les capacités d'Alexa via l'Alexa Skills Kit (ASK). Par exemple, un passionné a transformé son iRobot Roomba en aspirateur piloté à la voix en créant une compétence personnalisée. Alexa alimente aussi des services pratiques : commande de nourriture, réservation de VTC, contrôle d'appareils connectés Whirlpool, GE et autres.

Amazon domine encore le marché, mais les concurrents comblent l'écart. Facebook a engagé Morgan Freeman comme voix de son assistant IA, que Zuckerberg a construit en un an et baptisé « Jarvis ». Le système identifie les utilisateurs par la voix, reconnaît les visages et accorde un accès sécurisé au domicile. Au Japon, Gatebox propose un assistant holographique nommé Azuma Hikari, combinant enceinte, projecteur, caméra et capteurs de mouvement pour une expérience plus immersive.

Comment fonctionne la capture vocale en champ lointain ?

Comprendre des commandes parlées pendant que de la musique joue — ou depuis l'autre bout de la pièce — requiert plusieurs technologies avancées :

Apprentissage profond

L'apprentissage profond propulse l'ASR moderne. Les réseaux de neurones entraînés sur d'immenses jeux de données égalent ou surpassent désormais les performances humaines en reconnaissance vocale et visuelle. Une fois entraînés, les modèles s'exécutent en temps réel sur le matériel de l'appareil.

Formation de faisceau adaptative

La formation de faisceau adaptative améliore la fiabilité en se concentrant sur la direction du locuteur. Des appareils comme l'Echo utilisent un réseau de sept microphones en hexagone pour détecter les temps d'arrivée du signal, suivre un locuteur en mouvement et séparer plusieurs voix.

Formation de faisceau utilisant un réseau de microphones hexagonal (Source : CEVA)

Annulation d'écho acoustique

L'annulation d'écho acoustique supprime l'audio propre de l'appareil (musique, réponses orales) pour qu'il puisse encore écouter les commandes utilisateur. Le système modélise le son qu'il génère — soit en analysant les données de sortie, soit via un micro dédié — et le soustrait du signal entrant. Cela permet aux utilisateurs d'interrompre (« barge-in ») même pendant la lecture musicale.

Annulation d'écho acoustique (Source : CEVA)

Des techniques supplémentaires de réduction d'écho, comme la déréverbération, filtrent les réflexions imprévisibles des murs et surfaces, assurant que le moteur ASR reçoive un échantillon vocal propre.

Les interfaces vocales d'aujourd'hui évoluent encore

Si 2017 marque une étape majeure dans l'adoption vocale, de nombreux défis persistent — latence, conscience du contexte, support multi-locuteurs, confidentialité. J'explorerai ces lacunes dans un prochain article, restez à l'écoute.

Eran Belaish est Responsable Marketing Produit pour le portefeuille audio et voix de CEVA, développant des solutions du déclenchement vocal à l'audio sans fil. Quand il n'est pas immergé dans la technologie sonore, il pratique la plongée en apnée dans des mondes sous-marins silencieux.