fr.wedoany.com Rapport : L’entreprise américaine de l’intelligence artificielle vocale Rime étend son système de collecte de données vocales, de développement de modèles et de livraison sectorielle, en se concentrant sur le développement de modèles vocaux à faible latence. L’entreprise a construit son propre studio d’enregistrement à San Francisco, aux États-Unis, en organisant des enregistrements de dialogues réels pour former ses données, réduisant ainsi sa dépendance aux fichiers audio publics en ligne, et optimise les capacités d’interaction vocale pour des scénarios tels que le service client d’entreprise, les services médicaux, les opérations aériennes et la fintech.
Fondée en 2022, Rime compte parmi ses membres fondateurs des chercheurs de l’Université Stanford, des développeurs du système vocal Amazon Alexa et des ingénieurs expérimentés. Contrairement à la méthode consistant à extraire directement des fichiers audio d’Internet pour former des modèles, l’entreprise collecte dans son studio des données de dialogue avec des locuteurs, des contextes et des informations de prononciation clairs, puis utilise ces données pour la synthèse vocale, le contrôle de la prononciation et la formation de modèles d’interaction.
Ce système d’enregistrement interne permet une formation plus ciblée des modèles. Les systèmes vocaux d’entreprise doivent souvent traiter des noms de marque, des modèles de produits, des noms de médicaments et des termes spécialisés dans leur utilisation réelle, et les modèles vocaux génériques sont sujets à des erreurs d’accentuation, à des omissions de syllabes ou à des prononciations incohérentes. Rime adopte une architecture de modèle basée sur les phonèmes, décomposant les mots en unités de prononciation plus fondamentales, puis ajuste la prononciation en fonction des environnements d’utilisation des différentes entreprises et secteurs.
Cette approche technique ne nécessite pas que les clients réentraînent un modèle complet. Les entreprises peuvent ajouter des termes de marque, des termes spécialisés et des prononciations spécifiques à leurs systèmes vocaux existants, permettant à l’IA vocale de maintenir une grande précision face à des contenus spécialisés dans les domaines médical, aérien et financier. L’accent de la recherche est passé de la simple génération de sons naturels à la résolution de la cohérence de la prononciation et de la stabilité de l’interaction vocale dans les opérations réelles.
Auparavant, Rime utilisait un pipeline multi-modèles composé de la reconnaissance vocale, du traitement de texte, d’un grand modèle de langage et de la synthèse vocale. Lorsqu’un utilisateur parle, le système doit d’abord reconnaître le texte, puis générer une réponse via le grand modèle de langage, et enfin convertir le texte en parole. L’exécution séquentielle de plusieurs modèles augmente facilement le temps d’attente et peut entraîner des tonalités, des pauses et des transitions de tour de parole peu naturelles.
L’entreprise se tourne actuellement vers le développement de modèles vocaux directs, permettant au système de comprendre directement l’entrée vocale et de générer une sortie vocale, réduisant ainsi les étapes d’orchestration entre plusieurs modèles. Cette nouvelle orientation de recherche se concentre sur la résolution des problèmes de latence de réponse, de changement de tour de parole dans les dialogues à plusieurs, d’interférences sonores de fond et d’interruptions de l’utilisateur, afin de rapprocher le rythme de communication des agents vocaux IA de celui des agents humains.
Les modèles vocaux directs doivent également intégrer la compréhension sémantique, la génération vocale et l’interaction en temps réel dans un système unifié. Le modèle doit non seulement déterminer ce que l’utilisateur a dit, mais aussi reconnaître la vitesse de parole, la position des pauses et si le dialogue est terminé, avant de décider quand répondre. En réduisant le nombre de modèles intermédiaires, le chemin d’exécution du système est plus court, ce qui facilite également le contrôle unifié du style vocal, de l’émotion et de la prononciation.
Les modèles vocaux de Rime sont déjà utilisés dans les secteurs de la restauration, des soins de santé, de l’aviation et de la fintech, avec des clients tels que la Mayo Clinic, Dialpad, Upstart et Asurion, tous basés aux États-Unis. Les exigences des systèmes vocaux varient selon les applications : les scénarios médicaux nécessitent un traitement précis des noms de maladies et de médicaments, les scénarios aériens exigent l’identification des informations de vol et d’aéroport, tandis que les systèmes de service client se concentrent davantage sur la vitesse de réponse et la stabilité lors de longues conversations.
L’entreprise prévoit également d’élargir ses équipes de développement de modèles, de mise en œuvre technique et de livraison en partenariat, renforçant ainsi la capacité des modèles vocaux à passer de l’environnement de recherche à celui des systèmes d’entreprise. Rime a récemment recruté un scientifique en chef ayant une expérience en compréhension audio et en apprentissage profond, et continuera à améliorer les processus de collecte de données, de formation de modèles, de déploiement de systèmes et d’adaptation aux clients.
L’essence de cet ajustement commercial n’est pas simplement d’augmenter le nombre de modèles vocaux, mais de construire un système complet allant de la collecte de voix humaines réelles, du traitement des données phonémiques, du développement de modèles à la livraison aux entreprises. Les progrès futurs se manifesteront principalement par la mise en ligne de modèles vocaux directs, la réduction de la latence d’interaction, l’amélioration de la capacité de reconnaissance dans des environnements bruyants et l’intégration de davantage de systèmes sectoriels.
