NVIDIA ouvre l’IA vocale à 25 langues européennes avec Granary

L’intelligence artificielle parle volontiers anglais, et souvent les grandes langues internationales. Mais elle reste nettement moins à l’aise dès qu’il s’agit de transcrire, traduire ou comprendre des langues disposant de peu de données numériques. Pour les utilisateurs, cette inégalité peut transformer un assistant vocal ou un outil de transcription en service imprécis, voire inutilisable. NVIDIA entend réduire cet écart avec une série de ressources ouvertes couvrant 25 langues européennes.

L’initiative associe un vaste ensemble de données audio, des modèles de reconnaissance et de traduction de la parole, ainsi qu’une méthode de préparation automatisée des données. Son ambition est très concrète : permettre à des développeurs de bâtir des applications vocales de qualité dans des langues souvent secondaires pour les grandes plateformes mondiales, notamment le croate, l’estonien et le maltais.

Pourquoi l’IA vocale ne parle-t-elle pas toutes les langues ?

Le monde compte environ 7 000 langues parlées, mais seule une faible part d’entre elles bénéficie de jeux de données abondants, de logiciels spécialisés et de modèles bien entraînés. Or un système de reconnaissance vocale ne se contente pas d’identifier des mots dans un dictionnaire. Il doit apprendre les accents, les rythmes de parole, les bruits de fond, les homophones, la ponctuation implicite et les particularités grammaticales propres à chaque langue.

Pour les langues les plus représentées en ligne, les données existent en grande quantité : enregistrements transcrits, sous-titres, livres, sites web ou documents administratifs. Pour d’autres, réunir des heures d’audio correctement annotées peut demander beaucoup de temps, d’argent et de compétences linguistiques. Cette rareté pénalise à la fois les chercheurs et les entreprises locales, qui disposent rarement des moyens nécessaires pour constituer leurs propres corpus.

Le problème ne relève donc pas seulement du confort. Une IA vocale de mauvaise qualité peut exclure certains publics des services numériques, compliquer le travail de transcription dans les administrations ou les médias, et obliger les citoyens à utiliser une autre langue pour accéder à des outils pourtant censés leur simplifier la vie.

Granary, une réserve d’environ un million d’heures de parole

Au centre de l’annonce figure Granary, un ensemble de données audio d’environ un million d’heures. NVIDIA le présente comme une bibliothèque de parole humaine conçue pour l’apprentissage de la reconnaissance vocale et de la traduction. Sa vocation est d’offrir une base exploitable à des équipes qui veulent développer des services capables de comprendre plusieurs langues européennes.

L’intérêt d’un tel corpus tient à son échelle, mais aussi à la manière dont il est organisé. Un enregistrement audio brut, pris isolément, ne suffit pas à entraîner un modèle de manière efficace. Il faut pouvoir l’associer à la langue parlée, à une transcription, parfois à une traduction, puis s’assurer que les données sont cohérentes et suffisamment fiables. Ces étapes, longtemps très manuelles, constituent l’un des principaux freins au développement de l’IA vocale pour les langues sous-représentées.

NVIDIA indique que Granary permet d’atteindre une précision similaire à celle obtenue avec d’autres jeux de données populaires en utilisant environ deux fois moins de données. Cette efficacité est importante pour les équipes de développement : des corpus mieux préparés peuvent réduire le volume de données à traiter et accélérer la mise au point de modèles adaptés à un usage réel.

Comment NVIDIA a préparé ces données vocales

La constitution de Granary ne repose pas uniquement sur une collecte classique de contenus déjà transcrits. L’équipe d’IA vocale de NVIDIA a collaboré avec des chercheurs de l’université Carnegie Mellon et de la Fondazione Bruno Kessler afin de développer un processus automatisé de création de données.

Le principe est de transformer des enregistrements audio bruts et non étiquetés en données structurées, pouvant servir à l’entraînement de systèmes d’IA. NVIDIA s’est appuyée pour cela sur NeMo, son environnement destiné notamment à la création et à l’adaptation de modèles de langage et de parole.

Cette approche vise un obstacle bien connu de l’apprentissage automatique : l’annotation humaine. Faire écouter un enregistrement, identifier la langue, retranscrire précisément ce qui est dit, vérifier la ponctuation puis contrôler la qualité représente une tâche longue. L’automatisation ne supprime pas l’exigence de contrôle, mais elle peut accélérer considérablement la préparation de grands volumes de données.

Pour les langues moins présentes dans les ressources numériques mondiales, cet enjeu est déterminant. Une équipe basée à Riga ou à Zagreb peut difficilement attendre des années qu’une grande entreprise internationale construise un produit spécifique à sa langue. Des données et des méthodes ouvertes lui donnent davantage de moyens pour concevoir elle-même des services localisés.

Canary et Parakeet, deux modèles pour des usages distincts

NVIDIA accompagne Granary de deux modèles d’IA vocale. Leur différence est essentielle : la transcription d’un entretien complexe et l’affichage instantané de sous-titres pendant une réunion ne demandent pas exactement les mêmes compromis techniques.

Le premier, Canary-1b-v2, est destiné aux tâches pour lesquelles la précision de la transcription et de la traduction est centrale. NVIDIA affirme qu’il rivalise avec des modèles jusqu’à trois fois plus volumineux, tout en pouvant être jusqu’à dix fois plus rapide. L’enjeu est de proposer une qualité élevée sans réserver ces capacités aux infrastructures les plus lourdes.

Le second, Parakeet-tdt-0.6b-v3, est optimisé pour la vitesse et les scénarios en temps réel. NVIDIA indique qu’il peut analyser sans interruption un enregistrement de réunion de 24 minutes et détecter automatiquement la langue utilisée. Ce type de capacité est utile lorsque le système doit suivre une conversation fluide, sans imposer de découpage manuel du fichier audio.

Les deux modèles ont aussi été conçus pour fournir une ponctuation et des horodatages au niveau des mots. Cette dernière fonction associe chaque mot reconnu à sa position temporelle dans l’enregistrement. Elle est particulièrement précieuse pour naviguer dans une réunion, créer des sous-titres synchronisés, rechercher un passage précis dans un entretien ou vérifier une transcription professionnelle.

Quelles applications les développeurs peuvent-ils créer ?

Ces ressources ne correspondent pas à un produit grand public unique. Elles forment plutôt une boîte à outils pour les développeurs, les éditeurs de logiciels et les organisations souhaitant intégrer la voix dans leurs propres services. Les modèles et les données sont proposés dans une logique open source et accessibles notamment via la plateforme Hugging Face, ce qui facilite leur expérimentation et leur intégration dans des projets existants.

Parmi les usages possibles figurent :

• la transcription automatique de réunions, d’entretiens ou de cours ;
• le sous-titrage et la recherche au sein d’archives audio et vidéo ;
• des assistants vocaux capables d’échanger dans une langue locale ;
• des outils de traduction orale ou de traduction de conversations ;
• des services clients qui comprennent mieux la langue des personnes qu’ils accompagnent.

Dans tous ces cas, l’ouverture ne garantit pas à elle seule un résultat parfait. Les équipes devront tester la qualité dans leur contexte, notamment avec les accents régionaux, le vocabulaire métier, les conversations mélangées à plusieurs langues et les environnements sonores bruyants. Un outil adapté à une réunion calme ne produira pas nécessairement la même qualité dans un centre d’appels ou un atelier industriel.

L’ouverture des modèles suffit-elle à rendre l’IA plus inclusive ?

La publication d’outils multilingues marque une avancée, car elle élargit l’accès aux briques techniques nécessaires à l’IA vocale. Elle ne résout toutefois pas toutes les questions d’inclusivité. Une langue peut être couverte tout en restant moins bien reconnue que l’anglais si les données sont moins diverses ou si certains accents sont insuffisamment représentés.

L’inclusivité dépend aussi des conditions d’accès aux outils numériques, de la disponibilité d’interfaces réellement localisées et de l’implication des locuteurs dans la conception des services. Une traduction grammaticalement correcte, par exemple, ne reproduit pas toujours les usages culturels, les expressions idiomatiques ou les registres de politesse attendus par un public donné.

Il reste par ailleurs essentiel de traiter l’audio avec prudence. Les conversations, réunions et appels contiennent souvent des informations personnelles ou professionnelles sensibles. Les organisations qui construisent des services de transcription ou de traduction doivent donc définir clairement les règles de conservation des enregistrements, d’accès aux transcriptions et de protection des utilisateurs.

Ce qu’il faut surveiller

Avec Granary, Canary et Parakeet, NVIDIA propose une approche complète, allant de la préparation des données au déploiement de modèles. La stratégie répond à un besoin croissant : développer une IA vocale utile dans davantage de langues, plutôt que d’attendre que les utilisateurs s’adaptent aux quelques idiomes les mieux servis par la technologie.

Le premier point à observer sera la qualité effective des outils dans chacune des 25 langues européennes annoncées. Les performances moyennes ne disent pas tout : les accents, les locuteurs non natifs, les termes techniques et les prises de son imparfaites restent les véritables tests d’une application vocale.

Le deuxième enjeu concerne l’adoption. Si les développeurs, universités et entreprises locales s’approprient les ressources proposées, ils pourront créer des services plus proches des besoins de leurs publics. C’est à cette condition que l’ouverture de données et de modèles peut contribuer à réduire la fracture linguistique, plutôt qu’à simplement enrichir le catalogue technologique de NVIDIA.