Explication détaillée
Le Speech-to-Text (STT) ou ASR (Automatic Speech Recognition) repose sur des modèles deep learning capables de gérer plusieurs langues, accents et bruits de fond. Il alimente la dictée, la transcription de réunions, le sous-titrage et la commande vocale.
Exemples
Transcription de réunions Zoom
Sous-titres automatiques YouTube
Dictée vocale sur iPhone
Whisper (OpenAI)
Questions fréquentes
Quelle précision attendre ?
Les meilleurs modèles dépassent 95% en bonnes conditions ; bruit, accents et termes métier réduisent la qualité.
Termes associés
API
Interface qui permet à une application d'appeler les fonctions d'un service — y compris d'un modèle d'IA — par requêtes HTTP.
Deep Learning
Sous-domaine du machine learning utilisant des réseaux de neurones profonds pour apprendre des représentations complexes.
Multimodal
Capacité d'un modèle d'IA à comprendre et générer plusieurs modalités (texte, image, audio, vidéo) au sein d'un même système.
Text-to-Speech
Technologie qui synthétise une voix réaliste à partir d'un texte écrit.
Dernière mise à jour : 15/07/2026