Dictée vocale par IA : comment elle apprend votre vocabulaire métier

Vous dictez « cure d’hallux valgus par ostéotomie de Scarf ». L’écran affiche « cure de Puralux valgus ». Ce n’est pas votre micro qui est en cause, ni votre diction : c’est la façon dont la reconnaissance vocale choisit ses mots.

Les modèles de transcription apprennent sur des quantités immenses de parole courante. Les termes de votre métier y sont rares. Quand le son est ambigu, le modèle choisit la suite de mots la plus probable dans son expérience, pas dans la vôtre. Une dictée vocale professionnelle doit donc faire davantage que transcrire : elle doit connaître votre vocabulaire, corriger sans trahir et retenir ce que vous lui apprenez. Voici comment cela fonctionne, couche par couche.

1. 1Votre voixDictée en direct ou fichier importé
2. 2TranscriptionVoxtral, de Mistral AI
3. 3CorrectionAvec votre vocabulaire et vos corrections passées
4. 4Contrôle de fidélitéTrop de changements : le texte reconnu est gardé
5. 5Votre texteVous relisez ; vos retouches nourrissent la mémoire

Étape 1 : transformer la voix en texte

La première couche est la reconnaissance vocale, ou speech-to-text. TechVoice utilise Voxtral, la famille de modèles de Mistral AI, de deux façons :

• en direct, l’audio part par petits morceaux et le texte s’affiche pendant que vous parlez ;
• à l’import, le modèle reçoit l’enregistrement entier et dispose de tout le contexte avant d’écrire.

Le second mode se trompe moins. Sur notre corpus de test, le texte brut contenait 25,2 % d’erreurs sur les termes métier en direct, contre 9,6 % à l’import, avec les modèles Voxtral de dernière génération. Écouter jusqu’au bout aide à lever les ambiguïtés.

Certaines API proposent de souffler au modèle une liste de termes à privilégier, le context biasing. Celle de Voxtral l’accepte, avec des limites : 100 termes au plus, sans espace dans un terme, et un fonctionnement que Mistral qualifie d’expérimental hors de l’anglais. Sur nos dictées en français, cette liste n’apportait rien une fois la correction faite, et dégradait même la dictée en direct. Le vocabulaire doit donc agir ailleurs.

Étape 2 : corriger sans réécrire

Une fois la transcription terminée, un modèle de langage relit le texte brut avec deux informations : votre vocabulaire et vos corrections passées. Il sait qu’« Phalux valgus », dans un compte rendu de chirurgie du pied, est presque certainement « hallux valgus ». Sur notre banc d’essai, cette étape fait passer l’erreur sur les termes métier d’environ 25 % à environ 5 % en dictée directe.

Le risque est connu : un modèle de langage à qui l’on demande de corriger aime améliorer. Il lisse une phrase, la complète, la réorganise. Pour un courriel, c’est un service ; pour un compte rendu médical ou juridique, c’est un danger. Déplacer une négation suffit à inverser le sens : « pas d’embolie pulmonaire » n’a rien à voir avec « embolie pulmonaire ».

TechVoice pose donc deux garde-fous :

1. Des consignes strictes. Le modèle ne corrige que les erreurs de reconnaissance. Il n’ajoute, ne supprime et ne reformule aucune information, et laisse tel quel un passage ambigu plutôt que d’inventer.
2. Un contrôle mécanique. Après la correction, un programme compare le texte corrigé au texte reconnu, mot par mot et dans l’ordre. Si la part de mots changés dépasse un seuil, la correction est rejetée et vous recevez la transcription brute. Comparer dans l’ordre est essentiel : un simple décompte des mots ne verrait pas qu’une négation a changé de place.

Le principe est assumé : mieux vaut un texte brut qu’un texte fluide mais infidèle. Et chaque correction reste visible, un clic affichant ce qui a changé.

Étape 3 : une mémoire qui vous appartient

La qualité de la correction dépend de ce que le modèle sait de votre métier. TechVoice construit ce savoir à partir de trois sources, de la plus générale à la plus personnelle.

Votre spécialité. À l’inscription, vous indiquez votre domaine. TechVoice cherche alors les termes de cette spécialité dans la littérature scientifique des archives ouvertes HAL, dans la langue où vous dictez. C’est un filet utile dès la première dictée, sans rien vous demander, mais il reste générique.

Vos documents. Déposez quelques comptes rendus, courriers ou fiches types (PDF ou Word) : TechVoice en extrait les termes, puis oublie le texte. C’est la meilleure source de départ. Dans nos mesures, 309 termes tirés du site d’un chirurgien ont fait mieux que 3 753 termes tirés de la littérature. Un lexique n’est pas meilleur parce qu’il est plus gros : il est meilleur quand il vous ressemble.

Vos corrections. C’est le cœur du système. Quand vous retouchez un mot, TechVoice enregistre la paire « ce qui a été écrit → ce qui était juste », par exemple Phalux → Hallux. Un second contrôle distingue les vraies erreurs de reconnaissance des simples changements de style, pour ne pas transformer une reformulation de votre part en règle. Lors des dictées suivantes, ces paires sont fournies au correcteur.

L’effet est mesurable. Quand chaque dictée de notre corpus ne profitait que des corrections faites sur les autres dictées, l’erreur sur les termes métier est passée de 13,9 % à 1,7 %. C’est mieux que de donner au correcteur la liste exacte des termes attendus (2,6 %) : lui montrer l’erreur précise et sa correction l’aide davantage que lui montrer seulement le bon mot.

Rien de cette mémoire n’est opaque. Dans l’onglet Mémoire, vous voyez votre vocabulaire, vos documents et chaque correction apprise, et vous pouvez les modifier ou les supprimer à tout moment.

Ce que cela change au quotidien

Un exemple réel, vérifié dans l’application. Un chirurgien dicte un compte rendu de pied. Voxtral entend « Puralux valgus » ; le correcteur propose « Phalux valgus », plus proche mais toujours faux. Le chirurgien corrige en « Hallux valgus » et enregistre. La paire est apprise, le terme entre dans son vocabulaire, et la même dictée rejouée sort désormais « Hallux valgus ».

C’est la promesse d’une dictée qui apprend : chaque correction que vous faites travaille pour les suivantes. Et si une couche échoue en route (coupure réseau, service indisponible, correction rejetée), le texte déjà transcrit reste là. Rien de ce que vous avez dicté ne disparaît.

Les limites, honnêtement

• Nos chiffres sont optimistes. Ils viennent de voix de synthèse, sans bruit ni hésitation. Une vraie voix, un vrai cabinet, un débit rapide font plus d’erreurs. L’ordre des effets, lui, se confirme d’une mesure à l’autre.
• Les nombres et les unités méritent une attention particulière à la relecture : « dix milligrammes » et « 10 mg » ne s’écrivent pas pareil, et une erreur de chiffre ne se devine pas au contexte.
• La relecture reste indispensable. Une dictée vocale, même excellente, produit un brouillon dont vous restez l’auteur et le responsable.

Pour mesurer ce que la dictée peut vous faire gagner, nous avons détaillé le calcul du temps gagné, document par document. Et pour en savoir plus sur le modèle de transcription lui-même, lisez notre retour d’expérience sur Voxtral.

Sources

• Mesures internes TechVoice, corpus synthétiques de comptes rendus d’orthopédie et de dix spécialités, septembre à novembre 2026.
• Mistral AI, documentation de la transcription audio et du context biasing.
• HAL, archive ouverte pluridisciplinaire.