La traduction vocale par IA prend une personne qui parle dans une langue et produit, un instant plus tard, une version parlée dans une autre langue. En direct, elle fonctionne comme une chaîne de quatre étapes : capter le son de l'orateur, le transformer en texte, traduire ce texte phrase par phrase, puis le lire à voix haute avec une voix de synthèse. Chaque étape prend un peu de temps, et c'est pourquoi la voix traduite suit toujours l'orateur avec un léger décalage.
Première étape : capter le son
Tout commence par l'audio. Le système a besoin d'un signal propre de la personne qui parle, avec le moins possible de bruit de salle, d'écho et de musique. Sur un événement, la meilleure source est en général la console de son, qui mélange déjà les micros de la scène. Sans console, un micro-cravate sans fil sur l'orateur ou un micro USB de table fait l'affaire.
On sous-estime souvent cette étape. Tout le reste en dépend. Un orateur difficile à entendre pour quelqu'un au fond de la salle sera aussi difficile à transcrire pour un logiciel, et une erreur à ce stade se retrouve jusque dans la voix que le public entend.
Deuxième étape : transcrire ce qui est dit
L'audio est envoyé en continu à un moteur de reconnaissance vocale, qui le transforme en texte pendant que la personne parle. Un moteur en direct n'attend pas la fin du discours. Il produit des mots en continu et les affine à mesure que le contexte arrive. Un mot ambigu il y a une demi-seconde peut être corrigé dès que la suite de la phrase en éclaire le sens.
Le moteur doit aussi décider où se termine une phrase. La langue parlée n'a pas de ponctuation. On s'arrête au milieu d'une idée, on reprend, on enchaîne plusieurs pensées sans pause. Trouver le bon endroit pour couper fait une grande partie de la qualité de l'étape suivante.
Troisième étape : traduire phrase par phrase
Quand une phrase est assez complète, elle part vers le moteur de traduction. Travailler phrase par phrase est un choix délibéré. Traduire mot à mot donnerait un résultat absurde, car les langues ne rangent pas les mots dans le même ordre. En allemand, le verbe peut n'arriver qu'en fin de proposition. En japonais, l'idée principale vient souvent en dernier. Le système doit entendre assez de la phrase pour savoir ce qui est dit avant de pouvoir le dire dans une autre langue.
Le contexte compte aussi. Une bonne traduction tient compte de ce qui vient d'être dit, pour que les pronoms, les termes techniques et les noms restent cohérents d'une phrase à l'autre.
Quatrième étape : synthétiser la voix
Le texte traduit est ensuite confié à un moteur de synthèse vocale, qui le lit à voix haute. Les voix de synthèse actuelles sont loin du ton plat et robotique dont on se souvient. Elles gèrent l'accentuation, le rythme et l'intonation, et peuvent ressembler à une personne qui lit un texte avec soin.
L'audio est alors diffusé à chaque auditeur. Avec Glot, par exemple, les participants scannent un QR code et écoutent dans le navigateur de leur téléphone, sans application à installer ni compte à créer.
Pourquoi il y a un léger décalage
Le décalage n'est pas un défaut qu'un meilleur matériel ferait disparaître. Il tient à la nature même de la tâche. Pour traduire une phrase, il faut d'abord en avoir entendu assez. C'est exactement ce que fait un interprète humain : il attend quelques mots avant de parler, parce que commencer trop tôt revient à deviner.
S'y ajoutent un petit temps de traitement à chaque étape et le trajet de l'audio sur le réseau. Une chaîne bien réglée garde le total court. La latence de traduction de Glot est d'environ deux secondes. Concrètement, l'auditeur entend le sens d'une phrase peu après que l'orateur l'a prononcée, ce qui suffit pour suivre une intervention, rire au bon moment et poser une question ensuite.
Il y a un équilibre à trouver. Couper les phrases plus tôt réduit le décalage, mais risque de traduire une idée incomplète. Attendre plus longtemps améliore la justesse, mais fait prendre du retard à la voix. Le bon réglage dépend de l'orateur, de la combinaison de langues et du type d'événement.
Ce qui rend une voix traduite naturelle
Une voix naturelle n'est pas qu'une question de timbre. Plusieurs éléments jouent ensemble.
Des phrases bien découpées. Une voix qui commence une phrase, s'arrête au milieu et repart sonne cassée, même si chaque mot est juste. Des coupes nettes donnent à la synthèse des phrases complètes à lire.
La prosodie. L'accentuation, les pauses, la montée et la descente de la voix portent du sens. Une question doit sonner comme une question. Une énumération doit s'entendre comme une énumération.
Un rythme régulier. La voix doit suivre l'orateur sans se précipiter. Si l'orateur parle vite, le système doit garder une traduction ramassée plutôt que de prendre de plus en plus de retard.
Des noms et des termes justes. Rien ne casse plus vite l'illusion qu'un nom d'entreprise mal prononcé ou un terme technique traduit au pied de la lettre. Préparer le vocabulaire à l'avance aide beaucoup.
Écouter le son original
Une voix traduite n'a pas à remplacer complètement l'orateur. Certains auditeurs comprennent en partie la langue d'origine et veulent entendre la vraie voix, son émotion et ses appuis, avec la traduction en soutien. D'autres préfèrent simplement entendre la personne sur scène.
C'est pourquoi un bon système laisse le choix à l'auditeur. Avec Glot, un participant peut passer au son original à tout moment, ou suivre les sous-titres traduits sur son téléphone tout en écoutant l'orateur dans la salle.
Distinguer les intervenants
Un événement en direct a rarement un seul orateur. Tables rondes, interviews et séances de questions mêlent plusieurs voix, parfois dans des langues différentes. Si la traduction ne sait pas qui parle, l'auditeur reçoit un flot continu de phrases sans pouvoir distinguer le modérateur de l'invité.
La distinction des intervenants règle ce problème. Le système repère quand la voix change et attribue chaque phrase à la bonne personne. Les sous-titres peuvent alors indiquer qui parle, et l'audio traduit peut rendre le changement d'intervenant perceptible à l'oreille. Pour une table ronde, c'est la différence entre suivre une conversation et lire un bloc de texte.
Ce qu'il faut retenir
La traduction vocale par IA est une chaîne, et une chaîne ne vaut que par son maillon le plus faible. Un son propre, un bon découpage des phrases, une traduction attentive au contexte et une voix au bon rythme doivent fonctionner ensemble. Quand c'est le cas, le public entend une voix naturelle dans sa langue, à deux secondes environ de l'orateur, et peut toujours revenir à l'original. Pour voir ce que cela donne sur un événement, la page tarifs détaille la formule Voice par salle.
Une voix traduite naturelle dans la langue de chaque participant, et le son original toujours à portée de main.
Voir comment Glot fonctionne