ASR au Maroc : la reconnaissance vocale qui comprend vraiment la darija

ASR, STT : de quoi parle-t-on exactement ?

ASR et STT (speech-to-text) désignent la même chose : un modèle qui écoute un signal audio et produit le texte correspondant. Dans un agent vocal, l'ASR est la première étape de la chaîne — c'est lui qui « entend » le client avant que le modèle de langage ne comprenne l'intention et que la synthèse vocale ne réponde. Si l'ASR transcrit mal, tout le reste déraille : l'agent répond à côté, quelle que soit l'intelligence du modèle derrière.

La qualité d'un ASR se mesure principalement par son taux d'erreur de mots (WER, word error rate) : la proportion de mots mal transcrits, omis ou inventés. Un WER acceptable sur de l'anglais propre en studio peut exploser sur un appel téléphonique réel — audio compressé, bruit de fond, interlocuteurs qui se coupent — et plus encore sur une langue absente des données d'entraînement.

Pourquoi l'arabe standard échoue sur la darija

La darija n'est pas une variante de prononciation de l'arabe standard : c'est une langue au vocabulaire, à la grammaire et à la phonétique largement distincts, truffée d'emprunts au français, à l'espagnol et à l'amazigh. Un moteur ASR entraîné sur des journaux télévisés en arabe standard reconnaît mal « bghit nchouf chhal kayn f compte diali » — il tente de rapprocher chaque mot de son lexique arabe standard et produit une transcription incohérente.

Le code-switching aggrave le problème : dans un même appel, un client marocain passe de la darija au français et inversement, parfois dans la même phrase. Utiliser un ASR français et un ASR arabe en parallèle ne résout rien, car chacun massacre les segments de l'autre langue. Il faut un modèle entraîné nativement sur des conversations marocaines réelles, où ce mélange est la norme et non l'exception.

Temps réel ou différé, et qui a dit quoi

Il existe deux régimes de transcription. Le temps réel (streaming) transcrit pendant que la personne parle, avec une latence de quelques centaines de millisecondes : c'est le mode requis pour un agent vocal qui doit répondre immédiatement, ou pour l'assistance en direct d'un téléconseiller. La transcription différée (offline ou batch) traite des enregistrements après coup, avec un peu plus de précision puisque le modèle dispose de tout l'audio : c'est le mode adapté à l'archivage et à l'analyse de volumes d'appels.

S'y ajoute la diarisation : déterminer qui parle et quand, pour séparer les tours de parole du client et de l'agent. Sans diarisation, une transcription d'appel est un bloc de texte inutilisable pour l'analyse ; avec elle, on peut mesurer le temps de parole de chacun, repérer les interruptions et attribuer chaque engagement à la bonne personne.

Ce qu'un ASR darija débloque pour un centre d'appel

Le premier débouché est l'audit conversationnel. Aujourd'hui, la plupart des centres d'appel marocains contrôlent la qualité en réécoutant un échantillon de 1 à 2 % des appels. Avec un ASR darija fiable, 100 % des appels deviennent transcrits et analysables : respect du script, motifs d'appel récurrents, détection des appels conflictuels, engagements pris par les agents. Le contrôle qualité passe de l'échantillonnage à l'exhaustivité.

Le second est l'alimentation des systèmes existants : résumés d'appels versés automatiquement dans le CRM, verbatims clients exploitables pour le produit et le marketing, données d'entraînement pour améliorer les scripts. Et bien sûr, l'ASR reste la brique d'entrée de l'agent vocal lui-même : c'est parce qu'il comprend la darija au téléphone qu'un agent IA peut y répondre.

Comme le TTS, l'ASR darija de SAWT IA est disponible en API, en streaming temps réel comme en transcription différée, pour les équipes qui veulent intégrer la reconnaissance vocale marocaine dans leurs propres outils.