Complexité phonologique, style de parole et différences individuelles influencent les performances de la RAA pour le tarifit

Pourquoi cela compte pour la technologie vocale quotidienne

Les assistants vocaux et les sous-titres automatiques font désormais partie du quotidien, mais ils fonctionnent bien mieux pour certaines langues et certains accents que pour d’autres. Cet article examine ce qui se produit lorsqu’un système de reconnaissance vocale entraîné sur une langue bien dotée en ressources, l’arabe, est utilisé pour le tarifit, une langue amazighe parlée dans le nord du Maroc. En examinant de près les mots tarifit que le système reconnaît bien — et ceux où il échoue — les chercheur·e·s mettent en lumière des biais cachés dans la technologie actuelle et montrent comment les sons d’une langue influencent ce que les machines (et, par extension, les auditeurs) peuvent comprendre facilement.

Une langue à la limite des technologies vocales actuelles

Le tarifit constitue un cas d’essai frappant parce que ses schémas sonores diffèrent sensiblement de ceux de nombreuses grandes langues dominantes en technologie. Alors que beaucoup de langues préfèrent des syllabes simples comme « CV » (consonne suivie d’une voyelle), le tarifit utilise sans difficulté des débuts plus complexes : deux consonnes consécutives qui peuvent soit monter, rester plates, soit même descendre en « sonorité » (approximativement, la puissance et la résonance d’un son). Il autorise aussi des mots commençant par une « géminée », une consonne longue doublée. Ces schémas sont rares à l’échelle des langues du monde et sont pour la plupart absents en arabe, même si les deux langues partagent de nombreux sons individuels. Cela fait du tarifit un terrain idéal pour tester la capacité d’un système entraîné sur une langue courante à gérer des structures sonores moins familières — et ce que cela révèle sur l’équité et la couverture en technologie vocale.

Comment l’étude a testé la parole claire et la parole familière

Les chercheur·e·s ont enregistré 37 locuteur·rice·s natif·ve·s du tarifit de la ville de Nador. Chaque personne a lu 80 mots cibles intégrés dans une phrase porteuse simple, une fois dans un style soigné, « clair » — comme si l’on s’adressait à quelqu’un qui a des difficultés à entendre — et une fois dans un style plus rapide et familier, comme lors d’une conversation entre proches. La liste de mots visait à mettre le système à l’épreuve : certains items commençaient par des groupes de deux consonnes montant, plats ou descendants, tandis que d’autres opposaient des consonnes initiales simples et des consonnes longues (géminées). Tous les enregistrements ont été traités par un système commercial de reconnaissance de la parole arabe, et l’équipe a comparé la sortie de la machine aux formes correctes, en utilisant à la fois un score d’exactitude strict (juste ou faux) et une mesure de « distance » qui compte le nombre de modifications de caractères nécessaires pour corriger une erreur.

Ce que la machine a bien fait — et où elle a trébuché

Globalement, le tarifit s’est montré difficile pour le système arabe, mais le style de parole et la structure sonore ont fait une différence nette. Lorsque les locuteur·rice·s utilisaient la parole claire, le reconnaisseur obtenait de bien meilleurs résultats : il produisait davantage de correspondances exactes et moins de conjectures de « mot complètement erroné », et même ses erreurs avaient tendance à être des ajustements mineurs plutôt que des ratés totaux. Les mots commençant par des groupes montants — où les sons passent de moins à plus sonores — étaient reconnus avec plus de précision et nécessitaient moins de corrections que les mots aux schémas plats ou descendants. En revanche, les mots débutant par des groupes descendants et ceux commençant par des consonnes doublées longues généraient systématiquement plus d’erreurs, même lorsqu’ils étaient prononcés lentement et soigneusement. Ces résultats suggèrent que certaines formes sonores rares sont intrinsèquement plus difficiles pour un système entraîné sur un schéma de syllabes plus typique.

Différences entre locuteur·rice·s sans biais social

Une autre question clé était de savoir si certains locuteur·rice·s étaient traités de manière plus « équitable » par le système que d’autres. L’étude a révélé d’importantes différences entre individus : les mots de certaines personnes étaient reconnus bien plus précisément que ceux d’autres. Cependant, ces différences ne s’expliquaient ni par l’âge ni par le sexe. Locuteur·rice·s plus jeune·s et plus âgé·e·s, hommes et femmes, ont montré des schémas globalement similaires une fois que la structure sonore et le style de parole des mots étaient pris en compte. À la place, les principaux facteurs expliquant les performances étaient les types de groupes consonantiques, la présence de géminées et le fait que la parole soit claire ou familière. Cela suggère que, dans ce contexte, le problème réside moins dans qui parle que dans la manière dont les schémas sonores de la langue s’alignent — ou entrent en conflit — avec ce à quoi le système a été entraîné à s’attendre.

Ce que cela signifie pour des outils vocaux plus justes et plus intelligents

Pour un lecteur non spécialiste, la conclusion est double. D’une part, parler clairement aide vraiment les machines à comprendre, surtout pour les langues que la technologie a largement négligées ; encourager la parole claire peut être un moyen peu coûteux d’améliorer les interactions quotidiennes avec les systèmes vocaux. D’autre part, tous les sons ne posent pas les mêmes difficultés : des motifs rares comme les groupes descendants et les consonnes initiales doublées restent problématiques pour les systèmes actuels, même lorsqu’ils sont prononcés lentement et soigneusement. Cela signifie que la simple réutilisation de modèles construits pour des langues majeures et bien étudiées ne suffira pas à garantir un accès équitable. Les systèmes futurs devront intégrer des connaissances sur un éventail plus large de structures sonores et s’adapter aux manières dont les locuteur·rice·s les produisent. Ce faisant, ils pourront à la fois traiter de façon plus équitable les locuteur·rice·s de langues sous-représentées et apporter de nouvelles perspectives sur la manière dont l’audition humaine elle-même gère des schémas complexes dans la parole.

Citation: Afkir, M., Zellou, G. Phonological complexity, speech style, and individual differences influence ASR performance for Tarifit. Sci Rep 16, 13879 (2026). https://doi.org/10.1038/s41598-026-43245-w

Mots-clés: reconnaissance automatique de la parole, langue tarifit, parole claire, complexité phonologique, langues à faibles ressources