Salesforce ouvre les poids de SOV-Transcribe-1 pour la transcription audio
Le modèle de Salesforce transcrit des enregistrements en sept langues. Il accepte des consignes sur le format du texte et des mots propres à un domaine.
Salesforce a publié les poids de SOV-Transcribe-1 le 12 novembre sous licence Apache 2.0. Le modèle transcrit des enregistrements audio. Il accepte aussi des consignes pour définir la forme du texte et une liste de termes qui l’aide à reconnaître des mots difficiles. Il traite un enregistrement disponible plutôt qu’un flux de paroles en direct. Annonce de Salesforce et résultats détaillés
Une transcription que l’on peut demander sous plusieurs formes
Une transcription mot à mot conserve des hésitations et des répétitions. Une note destinée à relire une réunion peut demander une ponctuation plus nette et retirer les hésitations. SOV-Transcribe-1 accepte ce type d’instruction. L’équipe indique que le modèle privilégie la transcription fidèle par défaut et adapte la présentation si on le lui demande.
Cette possibilité demande de savoir quel fichier on veut conserver. Un texte nettoyé peut être plus pratique pour rechercher une décision dans un entretien. Un texte mot à mot garde davantage de détails sur la formulation. Deux résultats différents peuvent donc être utiles à partir du même audio. Pour un enregistrement qui sert de référence, le choix de retirer les hésitations change la nature du document obtenu.
Les détails qui comptent dans une phrase
Une transcription peut être lisible tout en se trompant sur un nom ou sur un chiffre. Pour un numéro de dossier ou une adresse électronique, une petite erreur suffit à rendre l’information inutilisable. Salesforce met l’accent sur ces éléments. La fiche décrit aussi une option qui fournit des noms propres et des termes du métier avant la transcription. Fiche du modèle et conditions de déploiement
L’éditeur indique que son modèle a réussi 76,3 % des enregistrements d’un banc d’essai qui exige de retrouver tous les éléments ciblés. Il rapporte une meilleure reconnaissance de noms rares quand le modèle reçoit une liste adaptée aux extraits. Ces résultats mesurent des tâches définies et ne garantissent pas l’exactitude d’une information dans un enregistrement inédit.
Un résultat indépendant qui change avec les conditions
Artificial Analysis affiche un taux d’erreur de 2,3 % pour SOV-Transcribe-1 dans son indice de transcription différée. L’indice combine trois jeux d’enregistrements et pondère leurs résultats. Le taux d’erreur compte les substitutions, suppressions et ajouts de mots. Il ne donne pas à lui seul la probabilité de retrouver correctement une adresse ou le nom d’un client. Classement de transcription d’Artificial Analysis
Salesforce présente aussi un résultat sur un autre jeu constitué d’enregistrements de conférences financières. Le taux d’erreur y est nettement plus élevé. Ce résultat illustre les écarts possibles entre un indice moyen et un corpus au vocabulaire plus spécialisé. Il faut aussi distinguer les chiffres publiés par Salesforce de ceux affichés par Artificial Analysis.
Ce qu’autorise le téléchargement des poids
La fiche liste sept langues dont le français. Une grande partie des résultats détaillés dans l’annonce concerne l’anglais. Il reste donc à comparer la qualité par langue et par type d’enregistrement pour les usages qui exigent cette précision.
Les poids ouverts permettent à une équipe d’exécuter le modèle sur une infrastructure qu’elle contrôle. La licence ne fixe pas le coût du calcul ni le délai d’une transcription sur une machine donnée. Un déploiement doit aussi tenir compte de l’accès aux fichiers audio et à leur transcription.
SOV-Transcribe-1 porte d’abord sur le contenu prononcé. Pour voir ce que change l’identification de la personne qui parle, on peut relire la distinction entre transcription et attribution des voix chez NVIDIA.