Et surtout, n’oubliez pas que n’importe qui peu contribuer un peu de sa voix en enregistrant quelques échantillons (ou en validant ceux des autres), ce qui aide grandement le projet 🙂

Cumbalero a dit:

Il y a 20 ans, la reconnaissance (qui fonctionnait plutôt bien) se faisait en local sur des appareils moins puissants que le moins puissant des smartphones actuel. Je cherche où est le progrès.

La reconnaissance était-elle réellement fiable et efficace, ou fallait-il sans cesse repasser derrière pour corriger ? Et pouvait-on parler normalement, ou devait-on se forcer à parler lentement, en prononçant bien chaque syllabe ? Toutes les voix étaient également bien reconnues ? Hommes, femmes, enfants, adultes, personnages âgées, avec tous les accents possibles et imaginables (africains, québécois, marseillais, toulousain…)

Un jour, j’avais lu un article sur le sujet, où le chercheur indiquait qu’il était relativement facile d’atteindre un certain pourcentage de fiabilité, mais qu’ensuite, chaque petit pourcent supplémentaire devenait toujours plus difficile à atteindre. Microsoft indique atteindre un taux d’erreur de mots de 5.1%, quand Google annonce atteindre les 4.9%. L’être humain semble quand à lui atteindre les 4% (source). On voit les progrès réalisés quand on sait qu’en 2017, Google était à 8%, Microsoft à 5.9%, IBM à 5.5%, Apple à 5%, Baidu à 16%… (source). Tous ces chiffres, c’est pour l’anglais. Pour le français, ils doivent faire clairement moins bien, puisque il existe moins de données (et de diversité dans les profils de contributeurs) pour entraîner les modèles (d’où l’importance de contribuer à Common Voice).

Quant à Mozilla DeepSpeech, fin 2019, en s’entraînant sur 5516 heures de transcription audio (en anglais, toujours), provenant de LibriSpeech, Fisher, Switchboard et Common Voice, ils obtenaient un taux d’erreur de 7,5% (source). Il y a eu plusieurs nouvelles versions depuis, et le jeu de données de Common Voice augmentant sans cesse, on devrait pouvoir obtenir de meilleurs résultats aujourd’hui.

Et pour participer à la validation des échantillons sur Common Voice, je peux dire que pour certaines personnes, c’est parfois difficile de comprendre ce qu’elles baragouinent. Alors pour un logiciel stupide qui ne comprend rien à la signification de ce qu’il analyse, et donc, sans le moindre contexte sur le reste de la phrase, je doute qu’il n’y ait pas eu des progrès fulgurants depuis cette époque.

Et c’est la même chose pour la traduction automatique. De nos jours, un soft comme DeepL arrive à produire des traductions plus que correctes, alors qu’il n’y a pas si longtemps, c’était complètement catastrophique. Et dans les deux cas, ça fait désormais appel à l’apprentissage profond (ce qui n’était pas le cas à l’époque).