Le code-switching, c’est un locuteur qui mélange deux langues dans une même conversation — souvent dans une même phrase. Un employé de bureau à Hong Kong passe du cantonais à l’anglais plusieurs fois par phrase. Une commande à Singapour alterne anglais, malais et hokkien. Un appel de support à Manille déroule du tagalog avec des termes produits anglais enchâssés dans une proposition sur deux.
Ce n’est pas un cas limite. C’est la parole quotidienne de centaines de millions de personnes en Asie et au-delà — et c’est précisément là que l’IA vocale échoue encore.
Pourquoi les modèles échouent sur la parole mixte
La reconnaissance vocale est entraînée surtout sur des données monolingues, parce que c’est ce qui existe à l’échelle. Face à la parole mixte, les échecs sont prévisibles :
- L’identification de langue bascule trop lentement. Le modèle s’engage sur une langue et broie les mots enchâssés de l’autre ;
- Les emprunts sont « corrigés ». Un nom de produit anglais dans une phrase cantonaise ressort comme un mot cantonais phonétiquement proche qui ne veut rien dire ;
- Les points de bascule sont la difficulté même. La précision s’effondre exactement à la frontière — là où se trouvent les noms, les chiffres et les termes produits.
Pour tout produit servant des marchés multilingues — assistants vocaux, bots de service client, voix embarquée, dictée — ces échecs frappent les mots les plus précieux de l’énoncé.
Pourquoi ces données ne se scrapent pas et ne se fabriquent pas
Les solutions évidentes ne fonctionnent pas :
- Le web ouvert n’en contient pas. La parole diffusée est montée vers des formes standard monolingues ; la parole mixte naturelle vit dans des conversations non publiées ;
- La synthèse s’effondre sur la longue traîne. Le code-switching généré par TTS hérite des erreurs de frontière que les modèles commettent déjà ; s’entraîner dessus renforce l’échec. L’augmentation par TTS étire les données réelles — elle ne les remplace pas ;
- Le crowdsourcing improvisé ne suffit pas. Une parole mixte naturelle exige des locuteurs réellement bilingues, briefés sur le registre et le scénario, enregistrés selon une spécification technique.
Reste une voie : l’enregistrer, selon spécification, avec de vrais locuteurs bilingues — scénarios contrôlés, composition équilibrée des locuteurs, environnements définis, et consentement documenté couvrant l’usage d’entraînement d’IA.
À quoi ressemble une bonne donnée de code-switching
Un lot de qualité production spécifie : la paire de langues et le style de bascule (intra- ou inter-phrase), le scénario et le registre, l’équilibre des locuteurs par genre, tranche d’âge et prononciation régionale, le format audio (16–48 kHz, séparation des canaux), le mélange d’environnements, et des métadonnées par élément jusqu’aux ID de locuteur et de lot. La transcription suit une convention qui marque les points de bascule — une transcription qui aplatit le mélange détruit le signal même dont le modèle a besoin.
C’est cette discipline de spécification, pas l’accès à un micro, qui sépare un corpus utilisable du bruit. C’est aussi pourquoi ces données retiennent l’attention des équipes qui construisent la prochaine génération de systèmes vocaux multilingues : les langues sont difficiles à sourcer, les locuteurs difficiles à qualifier, et le QA doit tenir sur des milliers d’enregistrements.
C’est l’une des lignes centrales de notre travail de données linguistiques pour les équipes IA — audio de code-switching cantonais–anglais et mandarin–anglais, enregistré et validé à l’échelle de production, avec consentement et provenance documentés. Pour la chaîne de production humaine derrière l’IA vocale, voir la voix de l’IA a été entraînée par des humains ; pour la couche qualité côté texte, voir comment évaluer la qualité d’une traduction IA.