Le premier assistant vocal que j’ai croisé était posé sur la tête d’un préparateur de commandes, en 2006. Un casque, un boîtier à la ceinture, une voix synthétique qui annonçait l’allée. Le gars répondait, la voix passait à la ligne suivante. Personne n’appelait ça un assistant vocal à l’époque. On disait le vocal. Quinze ans plus tard, ma fille m’a offert une enceinte connectée. Même technologie, en moins fiable. Ça m’a intrigué. Depuis la retraite, j’ai pris le temps de comprendre ce qui se passe entre le moment où on parle, le moment où la machine répond. Voilà ce que j’en ai appris.

Cinq étapes, pas une

Les assistants vocaux ne sont pas des logiciels. Chaque assistant vocal est une chaîne de cinq traitements différents, qui tournent à des endroits différents. Quand ça rate, c’est toujours un maillon précis qui a lâché. Comprendre lequel change tout.

Le tout en une seconde. C’est ça, la performance réelle des assistants vocaux. Pas la compréhension : la vitesse.

Le mot de réveil

« Dis Siri », « Alexa », « Ok Google », « Hi Bixby ». Ce mot-là ne part nulle part. Il est reconnu sur l’appareil lui-même, par un tout petit modèle qui ne sait faire qu’une chose : repérer une forme sonore. Tous les assistants vocaux fonctionnent ainsi, sans exception.

Le micro écoute en permanence. Ça, c’est vrai, ça n’a rien d’un fantasme. Ce qui est faux, c’est l’idée que tout part chez Google ou chez Amazon. Tant que le mot de réveil n’est pas reconnu, le son est analysé puis jeté, en boucle, sur place.

L’enregistrement commence après le mot de réveil. C’est aussi pour ça que ces appareils intelligents se déclenchent tout seuls devant la télé : le petit modèle local se trompe, il croit avoir entendu son nom. Les utilisateurs appellent ça un bug. C’est le fonctionnement normal, mal réglé.

La reconnaissance vocale

Là, le son part vers les serveurs. Un modèle transforme la voix en texte. La reconnaissance vocale, c’est le maillon qui a fait les progrès les plus spectaculaires depuis dix ans. Google, Apple, Amazon se valent à peu près sur cette étape.

Il bute sur des choses très simples : le bruit de fond, l’accent, deux personnes qui parlent en même temps, les noms propres. Chez nous, dans l’entrepôt, on avait résolu ça d’une façon que les assistants grand public ne peuvent pas se permettre. J’y reviens.

Le traitement du langage naturel

Le NLP, pour traitement du langage naturel. C’est l’étage qui transforme une phrase en intention.

« Mets un minuteur de dix minutes » devient : intention égale minuteur, durée égale dix minutes. Deux informations. La machine ne comprend rien à votre soupe. Elle range vos mots dans des cases.

C’est ici que l’intelligence artificielle travaille vraiment. C’est ici que ça casse le plus souvent, parce que le langage humain est un chantier : on se reprend, on sous-entend, on dit « le truc bleu, là ». Les assistants vocaux ne devinent pas. Ils classent.

L’action, puis la réponse

L’intention part vers un service. Météo, minuteur, musique, ou vers vos appareils intelligents si vous avez une maison connectée. Le contrôle des appareils d’une maison intelligente passe par des protocoles standardisés, ce qui explique pourquoi certains appareils connectés marchent avec tous les assistants vocaux, d’autres avec un seul. L’intégration fait toute la différence entre deux assistants aux fonctionnalités identiques sur le papier.

Puis la réponse, en texte, redevient une voix. Cette dernière étape est aujourd’hui la plus réussie des cinq. Les voix de synthèse actuelles sont bluffantes, les réponses sonnent presque humaines. C’est ironique : la partie la plus facile est celle qu’on remarque le plus. La qualité des réponses vocales n’a rien à voir avec la qualité de la compréhension.

Pourquoi le vocal de l’entrepôt marchait mieux

Voilà ce que trente ans d’usine m’ont donné comme angle sur ce sujet.

Notre système de 2006 fonctionnait mieux qu’Alexa en 2020. Pas parce qu’il était meilleur. Parce qu’il trichait, intelligemment.

• Le vocabulaire était fermé. Quarante mots, jamais davantage. Des chiffres, quelques commandes. Aucune ambiguïté possible.
• Le système était entraîné sur la voix de chaque préparateur, pendant vingt minutes, à l’embauche. Il connaissait le gars.
• Aucun mot de réveil. Le casque écoutait, le contexte disait tout.
• L’utilisateur avait une raison d’être là. Les mains prises, les yeux sur le colis. Le vocal libérait ses mains, réellement.
• Le silence était géré. Pas de réponse, on redemande. Pas de « désolé, je n’ai pas compris ».

Les assistants vocaux grand public font l’inverse de tout ça. Vocabulaire illimité, utilisateurs inconnus, pièce bruyante, aucune tâche précise. Les fonctionnalités promises sont infinies, ce qui est exactement le problème. On demande à un assistant personnel de gérer toutes les tâches quotidiennes d’une maison, avec la voix de n’importe qui.

Voilà ma conclusion, elle vaut ce qu’elle vaut : la reconnaissance vocale marche quand on lui retire des possibilités, pas quand on lui en ajoute.

Qui fait quoi

Cinq acteurs se partagent l’essentiel.

L’assistant Google, présent sur les appareils Android, sur les enceintes connectées de la marque. Siri, chez Apple, intégré à l’iPhone puis au HomePod. Alexa d’Amazon, née dans les enceintes, l’assistant vocal qui a poussé le plus loin le contrôle des appareils de la maison intelligente. Bixby, chez Samsung, dont personne ne parle, présent sur des millions d’appareils quand même. Microsoft, qui a rangé Cortana pour aller ailleurs.

Ces assistants vocaux ont tous le même schéma en cinq étapes. Les différences se jouent sur l’intégration : Siri connaît vos contacts Apple, Alexa connaît votre historique Amazon, l’assistant Google connaît votre agenda. C’est là que se fait la bataille, pas sur la reconnaissance vocale.

Les chiffres français, avec leur date

Je cite, je ne commente pas. Attention aux dates, ce marché bouge.

Une étude du CSA menée avec l’Hadopi, publiée en mai 2019, indiquait que 46 % des internautes français avaient déjà utilisé un assistant vocal, sur smartphone, ordinateur, tablette, enceinte ou télévision. Pour les enceintes connectées seules, le chiffre tombait à 10 % des utilisateurs. L’assistant vocal du téléphone touche donc quatre fois plus de monde que l’enceinte de la maison.

La même étude annonçait 36,3 % de foyers équipés d’une enceinte à l’horizon 2025. Une prévision de 2019. Je n’ai pas trouvé le chiffre réel de 2025 pour la comparer, donc je ne conclus rien.

Un dernier chiffre, celui que je trouve le plus parlant : 67 % des utilisateurs équipés d’une enceinte connectée déclaraient avoir déjà coupé le micro de leur appareil. Les deux tiers. Ces gens ont acheté l’objet, puis ils l’ont fait taire.

Le micro, la vie privée, sans dramatiser

Je ne suis pas informaticien, je ne fais pas de leçon. Deux faits techniques, simples.

Le micro écoute en permanence, c’est le principe même du mot de réveil. Ce que l’appareil envoie, en revanche, commence après ce mot. Les fausses activations existent, elles sont documentées par les constructeurs eux-mêmes, elles envoient parfois des bouts de conversation. Google, Apple, Amazon donnent tous accès à l’historique des enregistrements.

Sur ce que deviennent ces enregistrements, sur vos droits, je renvoie à la CNIL. C’est leur métier. Ils ont publié là-dessus, c’est clair, c’est gratuit.

Où lire mieux que moi

• La CNIL pour les assistants vocaux, les données personnelles, ce que vous pouvez demander à Google, à Apple, à Amazon.
• L’INRIA pour comprendre la reconnaissance vocale, le traitement du langage naturel, expliqués par des chercheurs.
• L’ARCOM, qui a repris les travaux du CSA sur les assistants vocaux, les enceintes connectées en France.
• France Num pour les entreprises qui envisagent des commandes vocales dans leurs process.

Questions fréquentes

Comment un assistant vocal comprend-il ce qu’on dit ?

En cinq étapes : détection du mot de réveil sur l’appareil, reconnaissance vocale qui transforme le son en texte, traitement du langage naturel qui transforme le texte en intention, exécution de la commande, synthèse vocale pour la réponse. La machine ne comprend pas votre phrase : elle la range dans des cases préétablies.

Les assistants vocaux écoutent-ils en permanence ?

Le micro écoute, oui, c’est nécessaire pour repérer le mot de réveil. Ce traitement reste sur l’appareil. L’envoi vers les serveurs commence après la détection. Les fausses activations existent, elles sont reconnues par les constructeurs. Pour les questions de vie privée, la CNIL est l’interlocuteur.

Quel est le meilleur assistant vocal entre Siri, Alexa, Google ?

Aucune idée, je n’ai pas testé les trois sérieusement. Ce que je constate : la reconnaissance vocale se vaut à peu près. La différence se joue sur l’intégration avec les services que vous utilisez déjà, sur les appareils connectés que vous possédez.

Pourquoi mon assistant vocal se trompe-t-il si souvent ?

Regardez quelle étape a lâché. Il ne réagit pas : mot de réveil. Il répète n’importe quoi : reconnaissance vocale, souvent à cause du bruit. Il a compris les mots mais fait autre chose : traitement du langage naturel. Trois pannes différentes, trois causes différentes.

Les commandes vocales fonctionnent-elles en environnement industriel ?

Depuis vingt ans, oui, avec un vocabulaire réduit, un système entraîné sur chaque voix, un casque antibruit. Le vocal picking équipe des entrepôts depuis les années 2000. Ça marche parce que la tâche est étroite, pas parce que la technologie est plus avancée.

À quoi servent vraiment les assistants vocaux au quotidien ?

D’après ce que j’observe autour de moi : minuteur, musique, météo, allumer une lampe. Les tâches quotidiennes les plus simples, celles où parler va plus vite que cliquer. Les fonctionnalités riches, celles des publicités, restent peu utilisées par les utilisateurs que je connais.

Comment les assistants vocaux contrôlent-ils les appareils de la maison ?

L’assistant reconnaît l’intention, puis envoie une commande au service qui pilote l’appareil connecté. Il ne parle pas directement à votre lampe : il passe par une plateforme. C’est pour ça qu’une panne d’internet coupe votre maison intelligente alors que la lampe, l’interrupteur, l’assistant sont tous les trois dans la même pièce.

Pour finir

Les assistants vocaux, ce n’est pas de la magie. C’est un microphone, cinq traitements en cascade, une voix de synthèse à la sortie.

Ce qui m’amuse, avec mes trente ans d’atelier : la version industrielle marchait déjà en 2006, avec des moyens ridicules, parce qu’on lui demandait une seule chose. La version grand public a mille fois plus de puissance, elle échoue régulièrement à mettre un minuteur.

La technologie n’a pas de problème. C’est nous qui parlons mal, qui demandons tout, qui coupons le micro ensuite.

Deux tiers des gens qui ont acheté une enceinte l’ont fait taire au moins une fois. Aucun préparateur de commandes n’a jamais éteint son casque. Il en avait besoin.