Traduction vocale et interprétation en temps réel

Trois systèmes en série

Traduire la parole en direct enchaîne trois opérations distinctes : reconnaître ce qui est dit, traduire, restituer — en texte ou en voix synthétique.

Chaque étape a son taux d’erreur propre, et les erreurs se propagent. Un mot mal reconnu à la première étape sera traduit fidèlement… en tant que mauvais mot, puis prononcé avec assurance. Rien dans la chaîne ne revient en arrière pour vérifier.

C’est la raison structurelle pour laquelle la traduction vocale reste nettement en deçà de la traduction écrite, à performance de modèle comparable.

La latence, paramètre central

Un interprète humain attend. Il laisse la phrase se déployer, comprend la structure, puis restitue. Cette attente est ce qui rend l’interprétation fidèle.

Un système en direct doit choisir. S’il attend la fin de la phrase, la latence devient inconfortable et la conversation se désynchronise. S’il traduit au fil de l’eau, il doit anticiper la fin — donc parier. En allemand, où le verbe se place souvent en fin de proposition, ce pari est particulièrement risqué : le sens du début de phrase dépend d’un élément qui n’est pas encore prononcé.

Les systèmes gèrent cela par une latence de quelques secondes et des corrections en cours de route. Ces corrections sont visibles à l’écrit — le texte se réécrit — et impossibles à l’oral : une voix synthétique ne peut pas se reprendre sans détruire la fluidité.

Ce que les démonstrations ne montrent pas

Les démonstrations utilisent un locuteur unique, articulé, proche du micro, dans un environnement silencieux, sur un sujet général.

Les réunions réelles présentent l’inverse : bruit ambiant, accents variés, chevauchements de parole, phrases inachevées, jargon interne, sigles maison, et changements de langue en cours de phrase — ce dernier point étant particulièrement courant en Suisse.

Chacun de ces facteurs dégrade la reconnaissance vocale, et la dégradation se propage. L’écart entre le résultat de démonstration et le résultat en salle de réunion est le principal facteur de déception dans les projets de ce type.

Où c’est déjà utilisable

Trois catégories d’usage fonctionnent, et le gain y est réel — notamment en accessibilité.

Les réunions internes à faible enjeu, où un participant qui ne maîtrise pas la langue de travail suit approximativement plutôt que pas du tout. Le sous-titrage en direct rend accessible ce qui ne l’était pas.

Le support et l’assistance, où une compréhension partielle permet de résoudre un problème concret et où l’interlocuteur peut reformuler.

Les contenus informels enregistrés — formation interne, tutoriels, comptes rendus — où une relecture du sous-titrage est possible avant diffusion.

Le point commun de ces trois cas : une erreur produit une incompréhension rattrapable, pas une décision fausse.

Où ce n’est pas utilisable

Quatre contextes restent hors de portée, et pour des raisons qui ne sont pas seulement techniques.

L’audience judiciaire. Les propos traduits sont versés à la procédure, l’interprète est assermenté et répond de sa restitution.

La consultation médicale. Une erreur porte sur un diagnostic ou une posologie, et le patient n’est pas en position de détecter l’écart.

La négociation contractuelle. Une nuance de modalité — « nous pourrions envisager » contre « nous nous engageons » — change la portée juridique d’un propos.

Le contexte diplomatique ou de crise, où l’implicite compte autant que l’énoncé.

Dans ces situations, ce qui manque au système n’est pas la performance : c’est la capacité de demander une clarification, de signaler un malentendu et d’engager une responsabilité.

Le doublage synthétique et le clonage vocal

Deux évolutions distinctes se sont diffusées rapidement : la synthèse vocale expressive, et la reproduction de la voix d’une personne à partir d’un échantillon.

Sur le plan de la qualité, l’usage est aujourd’hui viable pour la formation interne, la documentation vidéo et le support — à un coût sans comparaison avec un doublage professionnel. Il ne l’est pas pour la fiction ni la publicité : la synchronisation labiale et la prosodie émotionnelle restent des points faibles nettement perceptibles.

Sur le plan juridique, les questions sont d’une autre nature et se posent indépendamment de la qualité. Le consentement de la personne dont la voix est reproduite, sur un périmètre et une durée définis. Les droits voisins des interprètes et comédiens de doublage. La protection des données, une empreinte vocale étant une donnée biométrique. Et les obligations de transparence sur le caractère synthétique d’un contenu audio.

Ces questions se tranchent avant le projet, pas après. Un doublage techniquement réussi et juridiquement irrégulier n’est pas utilisable.

Comment décider

Le raisonnement est le même que pour la traduction écrite, avec un facteur supplémentaire.

Posez d’abord la question habituelle : que se passe-t-il si la restitution est fausse et que personne ne s’en aperçoit ? Puis ajoutez celle qui est propre à l’oral : l’interlocuteur est-il en position de détecter l’écart et de demander une reformulation ?

Quand la réponse à la seconde question est non — un patient, un justiciable, un usager face à une administration —, l’automatisation n’est pas un compromis acceptable, quel que soit le niveau de performance atteint.