L’IA vocale en téléphonie ne pose pas le même problème que dans une application mobile ou un outil de visioconférence. L’audio téléphonique est en bande étroite, compressé, souvent bruité ; les appelants parlent par-dessus les messages, marquent des pauses, épellent des noms ; et chaque centaine de millisecondes de silence se remarque. Voxivra intègre la reconnaissance vocale (STT, speech-to-text), la synthèse vocale (TTS, text-to-speech) et la compréhension du langage (NLU ou dialogue par LLM) dans des plateformes Asterisk et SIP, avec l’ingénierie téléphonique qui permet à ces briques de fonctionner sur de vrais appels.
La chaîne vocale d’un appel
Un voicebot conversationnel, aussi appelé callbot, enchaîne plusieurs composants en temps réel :
- Accès au média : l’audio de l’appel sort de la plateforme téléphonique, par exemple via ExternalMedia d’Asterisk ARI, vers une passerelle média.
- Détection d’activité vocale (VAD) et de fin de tour : savoir quand l’appelant parle et quand il a terminé.
- Reconnaissance vocale en continu : transcription au fil de l’audio, avec des résultats partiels bien avant la fin de la phrase.
- Compréhension et dialogue : extraction de l’intention et des entités (NLU), ou interprétation par un LLM qui décide de l’étape suivante, avec des appels d’outils vers votre CRM, votre agenda ou votre facturation.
- Synthèse vocale : génération de la réponse, diffusée dans l’appel dès que le premier fragment audio est prêt.
- Gestion de l’interruption (barge-in) : arrêt de la diffusion dès que l’appelant prend la parole.
Chaque étape est un composant que l’on peut choisir et régler ; c’est l’architecture autour d’eux que nous construisons. Pour une explication accessible pas à pas, consultez notre article comment fonctionne un voicebot.
La reconnaissance vocale sur l’audio téléphonique
La plupart des appels arrivent encore en G.711 à 8 kHz, ce qui supprime les hautes fréquences sur lesquelles les modèles s’appuient pour distinguer les consonnes. Les codecs large bande comme G.722 ou Opus aident lorsque toute la chaîne les prend en charge, mais on ne peut pas y compter pour les appels venant du réseau public.
Ce que nous faisons pour obtenir une transcription fiable :
- Comparer sur votre audio. Nous mesurons le taux d’erreur de mots et, surtout, la réussite de la tâche (bon numéro de dossier, bonne date) sur un échantillon de vrais appels, dans chaque langue servie.
- Vocabulaire personnalisé : noms de produits, de rues, de médicaments, codes internes.
- Reconnaissance contrainte quand c’est critique. Pour les numéros de compte, codes postaux ou dates, nous combinons voix et DTMF, utilisons des grammaires ou des modèles spécialisés, et faisons toujours confirmer les valeurs importantes.
- Réglage de la fin de tour. Trop agressif, le bot coupe la parole ; trop permissif, chaque échange comporte un blanc. Nous ajustons les seuils de silence selon le type de question.
La synthèse vocale (TTS)
La synthèse neuronale sonne désormais naturelle en français comme en anglais, y compris avec des voix canadiennes. Les enjeux techniques sont la latence et le contrôle :
- Synthèse en continu, pour que la diffusion démarre au premier fragment audio plutôt qu’à la fin de la phrase.
- Découpage par phrase de la réponse, pour que le bot commence à parler pendant que la suite est encore générée.
- SSML ou contrôles équivalents pour la prononciation des nombres, montants, dates, sigles et noms propres.
- Mise en cache des messages fixes, qui supprime toute latence de synthèse pour les accueils et annonces.
La compréhension : NLU, LLM et garde-fous
La NLU classique (intentions et entités) est prévisible et facile à tester. Les LLM gèrent bien mieux les demandes libres ou multiples et formulent des réponses naturelles. En production, nous les combinons généralement :
- le LLM interprète la demande et remplit des champs structurés ;
- la logique métier, dans le code, valide ces champs, appelle vos API et décide de ce qui est permis ;
- les étapes sensibles (vérification d’identité, paiement, consentement) suivent des parcours déterministes. Les numéros de carte, par exemple, se recueillent de préférence en DTMF masqué plutôt qu’à la voix, ce qui limite aussi ce qui parvient aux fournisseurs d’IA. Les obligations liées à PCI-DSS ou aux lois sur la vie privée dépendent de votre contexte et doivent être validées avec vos conseillers en conformité.
Nous concevons aussi le chemin d’escalade : lorsque la confiance baisse, que l’appelant se répète ou que la demande sort du périmètre, l’appel passe à un humain avec la transcription et les données recueillies.
Le budget de latence : où partent les millisecondes
La réactivité perçue fait la différence entre un voicebot accepté et un voicebot auquel on raccroche. Le délai entendu par l’appelant est la somme de :
| Étape | Facteurs principaux |
|---|---|
| Fin de tour | Seuil de silence utilisé pour conclure que l’appelant a fini |
| Transcription finale | Qualité du flux STT, distance réseau jusqu’au fournisseur |
| Dialogue | Vitesse de la NLU ou délai du premier jeton du LLM, nombre d’appels d’outils |
| Requêtes métier | Temps de réponse de votre CRM ou de vos systèmes |
| Premier audio TTS | Vitesse du moteur, prise en charge du flux continu |
| Transport | Sauts réseau entre téléphonie, passerelle et services d’IA |
Nos leviers : tout traiter en continu, paralléliser les étapes indépendantes, héberger les composants près les uns des autres (et de vos appelants, lorsque la résidence des données le permet), précharger les données client dès le début de l’appel, et n’utiliser de courtes phrases d’attente que lorsqu’un appel lent est inévitable. Nous mesurons chaque étape à chaque tour en production, pour repérer immédiatement toute dégradation.
Protection des données et hébergement
La voix est un renseignement personnel, et les transcriptions contiennent souvent des informations plus sensibles que les métadonnées de l’appel. Nous vous aidons à déterminer quels composants peuvent être hébergés dans le nuage, lesquels doivent rester au Canada ou dans votre infrastructure, ce qui est conservé, combien de temps et comment c’est caviardé. Les règles applicables (Loi 25 au Québec, LPRPDE, RGPD en Europe, exigences sectorielles) dépendent de votre situation ; nous recommandons de les confirmer avec un conseiller juridique.
Quand Voxivra recommande l’IA vocale, et quand s’en passer
L’IA vocale est pertinente lorsque les demandes sont variées et difficiles à ramener à un menu, lorsque vous voulez automatiser de bout en bout les demandes courantes, ou lorsque vous souhaitez transcrire et analyser vos appels à grande échelle. Elle l’est moins quand un court menu DTMF sert déjà bien vos appelants, ou quand les conditions audio sont systématiquement mauvaises : un SVI bien conçu peut alors être un meilleur investissement.
Sur le terrain, les résultats viennent du système complet : notre voicebot de prise de rendez-vous en santé automatise par exemple 80 % des appels. Pour explorer un voicebot adapté à votre cas, consultez notre service voicebot IA ou réservez une consultation gratuite de 30 minutes.