Une voix IA naturelle en français : comment ça marche

Une voix IA naturelle en français repose sur trois briques qui s'enchaînent en une à deux secondes : la reconnaissance vocale transcrit ce que dit l'appelant, un modèle de langage comprend la demande et rédige la réponse, puis une voix de synthèse neuronale la prononce. Le naturel tient moins au timbre qu'aux détails : la vitesse de réponse, la façon de se taire quand on l'interrompt, la prononciation d'un nom de rue ou d'un numéro de téléphone.

Cet article détaille chaque étape, avec les choix que nous avons faits pour l'agent vocal IA en français d'OvyrIA. Les termes techniques sont repris dans le glossaire.

Étape 1 : entendre, la reconnaissance vocale

Au téléphone, l'agent ne reçoit pas un son de studio. La ligne transporte la voix en qualité téléphonique (le codec G.711, échantillonné à 8 kHz), avec ses bruits : une voiture qui passe, un chien, un chantier, un haut-parleur de portable. La reconnaissance vocale doit transcrire ce signal en texte, mot à mot, pendant que la personne parle.

OvyrIA utilise Gladia, un service de transcription dont les serveurs sont à Paris. La transcription se fait en continu : l'agent n'attend pas la fin de l'appel, ni même la fin de la phrase, pour commencer à lire le texte.

Le point délicat est de savoir quand l'appelant a fini de parler. Une personne qui hésite (« Je voudrais… euh… prendre rendez-vous pour… ») marque des pauses en plein milieu de sa phrase. Si l'agent répond à la première pause, il coupe la parole. S'il attend trop, la conversation traîne. Le réglage retenu chez nous déclenche la réponse après un silence d'environ une demi-seconde.

Les accents

Un appelant de Marseille, de Lille, de Genève ou d'Abidjan ne prononce pas les voyelles de la même façon. Les modèles de reconnaissance récents ont appris sur des milliers d'heures de français parlé, avec cette variété. Ils restent moins sûrs sur deux cas : les noms propres rares et les mots qui ne figurent que dans votre métier (une référence de pièce, un nom de lotissement). C'est pour ces cas que l'agent fait répéter ou épeler, comme le ferait une standardiste.

Étape 2 : comprendre, le modèle de langage

Le texte transcrit part vers un modèle de langage. Chez OvyrIA, c'est un modèle de Mistral AI. Il reçoit la phrase de l'appelant, l'historique de la conversation et vos consignes : qui vous êtes, vos horaires, qui joindre pour quoi, que faire en cas d'urgence.

Le modèle ne récite pas un arbre de décision. Il comprend une même demande formulée de dix façons : « Est-ce que vous êtes ouverts samedi ? », « Vous faites le samedi matin ? », « On peut passer ce week-end ? ». Il répond à partir de vos informations, qui sont sa seule source. Ce qu'il ne trouve pas dans vos consignes, il ne l'invente pas : il propose un message ou un transfert.

Le modèle choisit aussi les actions : transférer vers un poste, poser un rendez-vous dans l'agenda, noter un message pour le bon destinataire.

Étape 3 : parler, la synthèse vocale neuronale

La réponse écrite devient une voix grâce à une synthèse vocale neuronale. Les anciennes voix de synthèse assemblaient des fragments de sons enregistrés, d'où le ton haché des serveurs vocaux des années 2000. Les voix neuronales génèrent le son à partir d'un modèle entraîné sur des heures d'enregistrement d'une personne réelle : intonation montante sur une question, pause après une virgule, accent tonique en fin de groupe de mots.

OvyrIA utilise les voix de Microsoft Azure, dans la région France Centre. La voix par défaut s'appelle Vivienne. Rémy, une voix masculine, est proposée aussi. Ces deux voix gardent le même timbre en anglais, en italien ou en allemand quand l'appelant change de langue. Denise et Henri, deux voix françaises, sont disponibles pour une entreprise qui ne reçoit que des appels en français.

Les noms propres

Un nom d'entreprise, un patronyme ou une commune se prononcent parfois autrement qu'ils ne s'écrivent. Une voix de synthèse lit ce qu'on lui donne. Si votre cabinet s'appelle « Cabinet Leschaux » et que tout le monde dit « Léchô », il faut l'indiquer. Dans les réglages de l'agent, vous écrivez le nom de l'entreprise tel qu'il se prononce, séparément de son orthographe. Faites le même travail pour les noms de vos collaborateurs et pour les lieux-dits que vos clients citent souvent.

Les chiffres

Un numéro de téléphone français se dit par paires : « zéro quatre, cinquante, douze… ». Une heure se dit « quatorze heures trente » ou « deux heures et demie de l'après-midi » selon le registre. Un prix se dit avec ou sans les centimes. Dans vos consignes, écrivez les horaires et les tarifs comme vous voulez les entendre. L'écoute d'un appel d'essai suffit pour repérer un chiffre mal lu.

La latence : le temps entre deux répliques

Entre la fin de la phrase de l'appelant et le premier mot de l'agent, il faut compter, sur notre plateforme, environ une seconde à une seconde et demie. Ce délai additionne la détection du silence, le temps de réflexion du modèle et la génération de la voix.

Trois choix réduisent ce délai :

1. Des serveurs proches. Le serveur vocal est à Paris, la transcription aussi, la synthèse en France Centre. Chaque aller-retour vers un autre continent ajouterait du temps.
2. Un modèle dimensionné pour la conversation. Un modèle plus léger répond plus vite. Pour l'accueil téléphonique, la vitesse compte plus que la capacité à rédiger un rapport.
3. La lecture phrase par phrase. L'agent commence à parler dès que la première phrase de sa réponse est prête, sans attendre la suite.

Les interruptions

Au téléphone, on se coupe la parole sans cesse. L'appelant dit « oui, oui » pendant que l'agent parle, ou le corrige en pleine phrase : « Non, pas mardi, jeudi. » Une voix IA qui continue son texte comme une annonce enregistrée paraît mécanique.

Le moteur d'OvyrIA écoute pendant qu'il parle. Quand l'appelant prend la parole par-dessus lui, l'agent se tait et l'écoute. Les spécialistes appellent ce mécanisme le barge-in. Une seule phrase échappe à cette règle : la mention du début d'appel, qui indique à l'appelant qu'il parle à une IA. La loi impose cette information, et l'agent la dit en entier.

Les silences demandent aussi un réglage. Si l'appelant ne dit plus rien pendant une dizaine de secondes, l'agent demande s'il est toujours en ligne. Au deuxième silence, il raccroche poliment.

Ce qui reste perceptible

Une voix neuronale bien réglée trompe rarement sur la durée, et ce n'est pas le but : l'agent annonce dès le départ qu'il est une IA. Ce que l'appelant attend, c'est d'être compris du premier coup, de ne pas répéter trois fois son nom et d'obtenir une réponse ou un interlocuteur. Les exemples d'appels montrent des conversations complètes, dans plusieurs métiers.

Pour juger par vous-même, rien ne remplace l'écoute. Demandez une démo : nous configurons un agent avec le nom de votre entreprise, vos horaires et vos consignes, et vous l'appelez depuis votre téléphone. Vous pouvez aussi lire la présentation générale de l'agent vocal IA.