Agents vocaux & speech-to-text
La discipline qui traite la parole. Elle est plus impressionnante en démonstration et plus exigeante en production que l'écrit.
Le darija, et pourquoi ça change tout
Au Maroc, le travail ne se fait pas en français académique. Il se fait en darija — au téléphone, sur les messages vocaux WhatsApp, entre collègues, avec les clients.
La plupart des systèmes vocaux gèrent l'arabe standard. C'est une langue écrite, administrative, que personne n'utilise pour demander un congé ou signaler un problème sur un site.
Le darija est une langue à part. Vocabulaire propre, structure différente, emprunts au français et à l'espagnol, variations régionales. Un système entraîné sur l'arabe standard ne le comprend pas — il devine, et il se trompe.
Sans le darija, un agent vocal au Maroc ne sert qu'aux cadres. Avec, il sert toute l'entreprise.
De quoi il s'agit
Trois briques enchaînées, et la performance de l'ensemble dépend de la plus faible.
La reconnaissance de la parole transforme le son en texte. Le traitement du texte interprète la demande et compose la réponse — c'est la même chaîne que pour un agent écrit. La synthèse vocale redonne une voix à la réponse.
Le facteur limitant est presque toujours la première brique. Un agent vocal qui échoue échoue rarement parce qu'il n'a pas compris la demande : il échoue parce qu'il n'a pas bien entendu.
Ce qui dégrade la transcription
Le bruit ambiant. Un appel passé depuis une rue, un atelier ou une voiture. Un débit rapide, un interlocuteur qui se coupe. Une ligne de mauvaise qualité. Plusieurs personnes qui parlent.
Ces conditions sont la norme, pas l'exception — et c'est ce qui explique l'écart entre une démonstration en studio et un usage réel.
Ce qui fonctionne bien aujourd'hui
Les échanges structurés et courts : orienter un appel vers le bon service, renseigner sur un horaire ou une disponibilité, proposer et confirmer un créneau, absorber un débordement quand toutes les lignes sont occupées.
Ce qui ne fonctionne pas encore
La conversation libre et longue — les erreurs de transcription s'accumulent et se propagent. Les réclamations, où l'interlocuteur parle vite et fort. Les informations à épeler — références, adresses email — qu'il vaut mieux basculer sur un message écrit.
Et la darija en conversation ouverte. Nous le disons plutôt que de le masquer : la reconnaissance de la parole en darija est moins mature que le traitement du texte, et la variabilité régionale s'y ajoute. Sur des échanges structurés, les résultats sont exploitables. Sur de la conversation libre, ils sont inégaux.
Les règles de conception
Périmètre volontairement étroit. Sortie vers un humain accessible à tout moment. Confirmation systématique de ce qui a été compris — « vous souhaitez un rendez-vous mardi à 15 h, c'est bien ça ? » supprime la majorité des erreurs. Et annonce claire que l'interlocuteur parle à un agent.
Ce que fait notre agent vocal
Il comprend ce qu'on lui dit. Une demande formulée oralement, dans le registre courant, avec les mélanges français-arabe que tout le monde pratique. Sans qu'on ait à parler lentement ni à articuler pour la machine.
Il répond d'une voix naturelle. Une voix marocaine, au débit normal, avec les intonations qui vont avec. C'est ce qui fait la différence entre un échange et une consultation de répondeur.
Il transcrit et structure. Chaque échange devient un texte exploitable : ce qui a été demandé, ce qui a été convenu, ce qui reste à faire. Classé, retrouvable, des mois après.
Il travaille sur les canaux réels. Le téléphone, les messages vocaux WhatsApp, un poste d'accueil. Là où vos interlocuteurs se trouvent déjà — pas dans une application qu'il faudrait leur faire installer.
Les usages
L'accueil téléphonique. Répondre, comprendre la demande, orienter vers le bon service — à toute heure, sans qu'un appel se perde.
La prise de rendez-vous. Gérer un agenda à la voix, sans saisie.
Les messages vocaux des collaborateurs. Un responsable de site qui envoie un vocal pour signaler une absence ou demander un document : l'agent comprend et traite.
La qualification d'appel. Rassembler les éléments avant de transmettre à un humain.
Les comptes rendus de réunion. Transcription, structuration, décisions et échéances extraites.
La transcription de réunions
Une réunion de direction, un comité, un point commercial : l'échange est transcrit, structuré, et restitué sous forme de compte rendu.
Ce qui en sort : la transcription complète et horodatée, un résumé des points abordés, les décisions prises avec qui en est responsable, les échéances mentionnées, et les points restés en suspens.
La valeur n'est pas la transcription — c'est la structuration. Une transcription brute de deux heures ne se relit pas. Un compte rendu d'une page se lit, se transmet et se retrouve.
Le compte rendu est classé dans le coffre-fort de l'entreprise, retrouvable des mois après.
Sur la confidentialité : les échanges de direction comptent parmi les données les plus sensibles d'une organisation. La transcription peut être traitée entièrement en local, sur votre infrastructure, sans qu'aucun enregistrement ne sorte de vos locaux.
Un avantage qui ne se copie pas
Le darija ne s'apprend pas dans un manuel. Il n'existe pas de corpus normalisé, pas de grammaire de référence, pas de dictionnaire faisant autorité.
Une solution conçue à l'étranger peut ajouter l'arabe standard à son catalogue en quelques semaines. Elle ne peut pas ajouter le darija de la même façon — il se travaille sur le terrain, avec des locuteurs réels, dans les conditions d'usage.
C'est ce que nous faisons depuis Casablanca.
Démonstration vocale sur rendez-vous.
audio entrant → VAD (détection d'activité vocale)
→ segmentation en tours de parole
→ STT (transcription + score de confiance)
├─ confiance faible → demande de reformulation
└─ confiance suffisante ↓
→ traitement NLP + RAG (même chaîne que l'écrit)
→ génération de la réponse
→ TTS → audio sortant
→ barge-in : interruption possible à tout moment| Étape | Contrainte |
|---|---|
| VAD + segmentation | Doit détecter la fin de tour sans couper l'interlocuteur |
| STT | Transcription en flux, pas après la fin de phrase |
| Traitement + RAG | Le poste le plus compressible |
| TTS | Démarrage avant la fin de génération |
Sous le capot
Le facteur limitant est la transcription, pas la compréhension. Un agent vocal qui échoue échoue rarement parce qu'il n'a pas compris la demande — il échoue parce qu'il n'a pas bien entendu. Bruit ambiant, débit rapide, ligne dégradée, plusieurs locuteurs : ce sont les conditions normales d'un appel réel.
Le VAD détermine quand l'interlocuteur a fini de parler. Trop sensible, l'agent coupe la parole ; trop tolérant, le silence s'installe et l'appelant reprend.
Le barge-in permet d'interrompre l'agent pendant qu'il parle. Sans lui, l'interlocuteur doit attendre la fin d'une réponse qu'il sait déjà inadaptée — c'est la première cause d'abandon.
La confirmation de compréhension supprime la majorité des erreurs : « vous souhaitez un rendez-vous mardi à 15 h, c'est bien ça ? ». Elle coûte un tour de parole et évite un rendez-vous erroné.
Les données précises basculent sur l'écrit. Références, numéros de commande, adresses email : on ne les fait pas épeler au téléphone. Un lien ou un message est envoyé en parallèle.
Sur la darija en conversation ouverte, la reconnaissance reste moins mature qu'à l'écrit, avec la variabilité régionale en plus. Les échanges structurés et courts sont exploitables ; la conversation libre est inégale. Nous cadrons le périmètre en conséquence.
Cette discipline fait partie de nos familles d'agents IA ; pour aller plus loin, voyez le chapitre IA vocale du Guide et nos expertises d'ingénierie.
Parlons de votre projet.
Trente minutes, gratuit et sans engagement.