Histoire reconnaissance vocale : d'Audrey (1952) aux LLM d'aujourd'hui
L'évolution de la reconnaissance automatique de la parole
La reconnaissance vocale a débuté comme curiosité de labo pour devenir interface ubiquitaire. Jalons clés :
Années 1950–1960 : Fondations
- 1952 – Audrey (Bell Labs) : Reconnait chiffres 0–9 d'un locuteur unique via analyse formants.
- 1962 – Shoebox (IBM) : Vocabulaire 16 mots (chiffres + « plus », « moins », etc.) à l'Expo universelle 1962.
- 1969 – Dynamic Time Warping (DTW) : Alignait templates parole longueur variable ; permit systèmes isolés locuteur-dépendants.
Années 1970–1980 : Modélisation statistique
- Années 1970 – Modèles de Markov Cachés (HMM) : Baker, Jelinek, Bahl (IBM) appliquèrent HMM à parole continue ; cadre probabiliste remplaça matching templates.
- 1976 – Harpy (CMU) : Vocabulaire 1 011 mots, recherche par faisceau.
- Années 1980 – Réseaux de neurones entrent : Waibel (TDNN), Bourlard (hybride HMM/ANN) ; précoces mais limités par calcul.
Années 1990 : Commercialisation
- 1990 – Dragon Dictate (Dragon Systems) : Premier dictée discrète grand public (9 000 $).
- 1996 – ViaVoice (IBM) : Dictée continue pour PC.
- 1997 – Nuance fondée : Consolidation Dragon, Kurzweil, SpeechWorks ; alimenta IVR, auto, médical.
Années 2000–2010 : Mobile & Cloud
- 2008 – Google Voice Search (iPhone) : ASR cloud, gratuit, volant données massif.
- 2011 – Siri (Apple) : Assistant vocal mainstream.
- 2014 – Deep Speech (Baidu) & CTC Loss : Deep learning end-to-end surpasse HMM/GMM.
- 2016 – WaveNet (DeepMind) : TTS génératif ; boucle refermée.
Années 2020 : Modèles fondateurs
- Whisper (OpenAI, 2022) : Multilingue, robuste, open-source.
- ASR intégré LLM : Contextuel, ponctuation, diarisation, traduction en un modèle.
- Streaming on-device : RNN-T, Conformer, Zipformer — temps-réel, privé, hors-ligne.
De 10 chiffres à conversation fluide en 70 ans — la prochaine décennie vise compréhension multilingue, multi-locuteur, émotionnelle, transparente, partout.