Tours de parole et prise de tour
Un tour de parole se termine au moment où le locuteur passe la main, et toute application en temps réel qui agit sur la parole doit détecter ce moment. Cette page explique comment Voxtral prend cette décision, comment trouver le bon équilibre entre couper la parole aux utilisateurs et répondre trop tard, et comment les agents audio gèrent un utilisateur qui parle par-dessus eux.
Pourquoi le silence ne suffit pas
Les gens s'arrêtent de parler pour de nombreuses raisons autres que le fait d'avoir fini. Ils respirent, cherchent leurs mots, énoncent un numéro de commande chiffre par chiffre ou réfléchissent avant la fin d'une phrase. Votre application doit distinguer ces pauses d'une véritable fin, car c'est à la fin qu'elle agit : un agent audio répond, une commande vocale s'exécute ou un sous-titrage en direct clôt sa ligne.
Une règle fondée sur le silence seul ne donne pas de bons résultats. Avec un silence court, l'application coupe la parole à tous ceux qui s'arrêtent en pleine phrase. Avec un silence long, chaque réponse arrive en retard, même après une question claire et complète. Une meilleure décision tient aussi compte de ce que le locuteur a dit et de la façon dont il l'a dit.
Comment Voxtral détecte la fin d'un tour
La détection de fin de tour est intégrée au modèle de transcription en temps réel, elle n'existe donc que dans les sessions en temps réel. Le serveur transforme cette estimation en événements qui marquent les moments d'un tour.
Chaque moment a son événement correspondant. Pour les événements, leur synchronisation avec la transcription et la marche à suivre pour activer la détection, consultez Détection de fin de tour.
Fin anticipée : préparer la réponse avant la fin du tour
Attendre la fin coûte du temps à chaque tour. La fin anticipée permet à votre application de récupérer ce temps : quand le tour est probablement terminé, commencez à préparer la réponse, comme l'appel au modèle ou les premiers mots à prononcer. Si l'utilisateur continue, abandonnez ce que vous avez préparé. Si la fin suit, la réponse est déjà en cours et l'utilisateur attend moins. Pour savoir où passe ce temps dans une réponse complète, consultez Latence.
Ne lancez que ce que vous pouvez abandonner sans conséquence. Attendez la fin avant de faire quoi que ce soit d'irréversible, comme envoyer un message, réserver un créneau ou appeler un outil qui modifie des données.
Couper la parole ou répondre trop tard
Chaque réglage de la détection de fin de tour agit sur le même curseur. Terminez les tours plus tôt, et les réponses arrivent plus vite, mais plus d'utilisateurs sont coupés en pleine phrase. Terminez-les plus tard, et moins d'utilisateurs sont coupés, mais chaque réponse attend plus longtemps. Aucun réglage ne supprime ce compromis : à vous de choisir où placer votre application.
Quel équilibre choisir
Le bon équilibre dépend de la manière dont vos utilisateurs parlent et de l'erreur qui leur coûte le plus cher. Repérez la ligne la plus proche de votre application. Si votre application mélange plusieurs cas, comme un agent d'assistance qui collecte aussi des numéros de commande, partez de la ligne où une erreur coûte le plus cher à vos utilisateurs.
| Votre application | Privilégier | Pourquoi |
|---|---|---|
| Commandes courtes et questions rapides, comme un menu vocal | Terminer plus tôt | Les demandes sont courtes et complètes, et c'est une réponse lente que les utilisateurs remarquent. |
| Conversation rapide en va-et-vient | Terminer plus tôt | Les tours de parole sont courts, et les longues pauses rendent la conversation artificielle. |
| Collecte de détails, comme des adresses, des numéros de commande ou des symptômes | Terminer plus tard | Les gens marquent une pause pour lire ou se souvenir. Une coupure les oblige à recommencer. |
| Utilisateurs qui réfléchissent à voix haute, par exemple en entretien, en tutorat ou en conseil | Terminer plus tard | Les pauses font partie de la réponse. Interrompre paraît impoli et fait perdre des informations. |
Partir d'un préréglage
Plutôt que de régler chaque paramètre à partir de zéro, partez d'un préréglage, un ensemble de valeurs choisies pour fonctionner ensemble :
- Par défaut : ce que vous obtenez quand vous activez la détection de fin de tour sans aucun réglage. Un bon point de départ pour la plupart des conversations.
- Agressif : met fin au tour plus tôt après l'arrêt de l'utilisateur, pour les échanges rapides où la vitesse compte plus que la coupure occasionnelle.
Un préréglage n'est pas une option de l'API : vous copiez ses valeurs dans les paramètres de votre session, puis vous les ajustez. Pour les valeurs, consultez les configurations courantes sur la page Détection de fin de tour.
Pour terminer les tours plus tôt, les réglages évoluent dans ce sens : un silence minimum plus court, un seuil de fin plus élevé et un timeout de fin plus court. Pour les terminer plus tard, modifiez les mêmes réglages dans l'autre sens. Changez un réglage à la fois, et vérifiez l'effet sur les interruptions autant que sur la vitesse. Les réglages, leurs plages de valeurs et leurs valeurs par défaut figurent sur Détection de fin de tour.
Interruptions dans les agents audio
L'alternance des tours de parole fonctionne dans les deux sens. Dans une conversation avec un agent audio, l'utilisateur doit aussi pouvoir reprendre la parole pendant que l'agent parle, par exemple pour le corriger ou passer une réponse longue.
Par défaut, l'utilisateur peut interrompre l'agent. Vous pouvez désactiver les interruptions dans la configuration de l'agent. Le choix dépend de qui doit pouvoir arrêter qui :
| Interruptions activées | Interruptions désactivées | |
|---|---|---|
| L'utilisateur peut | Arrêter l'agent à tout moment et prendre la parole | Parler uniquement quand l'agent a terminé |
| Convient à | La plupart des conversations, où les utilisateurs s'attendent à pouvoir intervenir comme avec une personne | Les messages qui doivent être entendus en entier, comme des mentions légales ou une confirmation à relire |
| Points de vigilance | Un utilisateur qui ne peut pas arrêter une réponse longue ou erronée finit frustré |
Pour afficher qui a la parole dans votre interface, comme un indicateur de microphone ou une animation de parole, suivez l'état de l'agent. Consultez les événements sur Gérer les sessions d'agent.
Détection de fin de tour et diarisation
La transcription en temps réel propose à la fois la détection de fin de tour et la diarisation des locuteurs, mais pas dans la même session : une session qui active les deux reçoit une erreur. Les deux fonctionnalités répondent à des questions différentes sur l'audio.
Pour chaque session, choisissez celle dont votre application a besoin :
- Détection de fin de tour pour les applications interactives qui agissent quand un utilisateur unique a terminé, comme les agents audio et les commandes vocales.
- Diarisation pour les conversations entre plusieurs personnes, quand vous devez savoir qui a dit quoi, comme pour le sous-titrage en direct d'une réunion. Consultez Locuteurs et diarisation.
Si vous avez besoin des deux, par exemple pour répondre en direct et identifier les locuteurs dans la retranscription, vous pouvez conserver l'enregistrement de la session, puis le diariser en différé. Consultez Diariser les locuteurs.