Automatic Speech Recognition — technologie qui convertit la parole en texte. Aussi appelé STT (Speech-to-Text). Les syst…

Signaux de rétroaction courts, verbaux ou non verbaux, produits par un auditeur pour indiquer attention et compréhension…

La décision stratégique entre construire une capacité en interne (modèles open-source, développement personnalisé) versu…

Character Error Rate — métrique de précision pour les systèmes STT, mesurant les erreurs au niveau du caractère plutôt q…

Le processus de découpage d’un grand document en segments de texte plus petits et chevauchants (chunks) pour l’ingestion…

Un service hébergé accessible via Internet par des APIs HTTP/WebSocket. Les APIs cloud pour STT/TTS offrent une intégrat…

Un avatar vidéo généré par IA photoréaliste qui réplique l'apparence, la voix et les schémas comportementaux d'une perso…

La diarisation est le processus de segmentation d'un flux audio selon l'identité du locuteur — répondant à la question '…

Système de classement comparatif emprunté aux échecs, utilisé dans les benchmarks TTS pour mesurer la qualité audio perç…

Une représentation vectorielle dense de texte, audio ou autres données dans un espace de haute dimension, où les élément…

Un modèle neuronal unique qui traite l'entrée audio et produit directement une sortie audio, sans les étapes séparées ST…

Full-Duplex Benchmark — protocole d’évaluation mesurant la naturalité conversationnelle des systèmes d’IA vocale en inte…

Mode de communication où les deux parties peuvent parler et écouter simultanément, comme lors d'un appel téléphonique. D…

Règlement Général sur la Protection des Données — le règlement européen régissant le traitement des données personnelles…

Graphics Processing Unit — matériel spécialisé conçu à l'origine pour le rendu graphique, maintenant largement utilisé p…

Le processus d'exécution d'un modèle neuronal entraîné sur de nouvelles données d'entrée pour produire des prédictions o…

Le délai entre une requête et sa réponse. Dans les pipelines vocaux, la latence est la somme du temps de traitement STT …

La synchronisation entre le mouvement des lèvres d'un locuteur et l'audio joué. Dans les systèmes d'avatars vidéo, la qu…

Large Language Model — réseau de neurones entraîné sur de grands corpus textuels pour comprendre et générer du langage n…

Le lock-in fournisseur se produit lorsque les coûts de changement (techniques, contractuels ou opérationnels) rendent di…

Fusions et Acquisitions — transactions d'entreprise où des sociétés sont combinées ou rachetées. Dans le marché de l'IA …

Mean Opinion Score — métrique de qualité audio subjective où des auditeurs humains évaluent la parole sur une échelle de…

Système de compression audio basé sur des réseaux de neurones qui encode l’audio en séquences compactes de tokens discre…

Non-Intrusive Speech Quality Assessment — un modèle de deep learning qui prédit la qualité vocale sans nécessiter de sig…

Nouvelle Loi fédérale sur la Protection des Données — la loi suisse sur la protection des données entrée en vigueur le 1…

Modèle de déploiement où le logiciel s'exécute sur des serveurs physiquement situés dans le propre centre de données ou …

Logiciel dont le code source est publiquement disponible et peut être librement utilisé, modifié et distribué. Dans l'IA…

Percentiles de latence utilisés dans les benchmarks de performance. P50 (médiane) signifie que 50% des requêtes se termi…

Perceptual Evaluation of Speech Quality — une norme ITU-T (P.862) pour la mesure objective de la qualité vocale qui néce…

Personally Identifiable Information redaction — détection et suppression ou masquage automatique des données personnelle…

Les schémas de rythme, d'accentuation et d'intonation dans la parole. En TTS, le contrôle de la prosodie détermine le na…

Retrieval-Augmented Generation — architecture qui améliore les réponses LLM en récupérant du contexte pertinent depuis u…

Real-Time Factor — le ratio du temps de traitement sur la durée audio. Un RTF de 1,0 signifie que le modèle traite l’aud…

Residual Vector Quantization — technique de compression audio neuronale utilisée dans les modèles TTS modernes et les co…

Exécution d'un modèle open-source ou d'un logiciel sur votre propre infrastructure (VM cloud, serveur on-premise ou disp…

La souveraineté des données désigne le principe selon lequel les données sont soumises aux lois et structures de gouvern…

State Space Model — classe d'architectures neuronales (ex. Mamba, S4) qui traitent les séquences plus efficacement que l…

Speech Synthesis Markup Language — langage de balisage basé sur XML qui fournit un moyen standard d'annoter du texte pou…

Dans les pipelines vocaux, le streaming désigne la capacité à traiter et transmettre l'audio de manière incrémentale, sa…

Dans les systèmes d'avatars vidéo, la latence de streaming est le délai entre la réception de l'entrée audio et l'affich…

Speech-to-Text — conversion de la parole audio en texte écrit. Première étape d'un pipeline vocal. Métriques clés : WER …

Architecture de réseau de neurones basée sur des mécanismes d'auto-attention, introduite en 2017. Les Transformers sont …

Time To First Audio — la latence entre l'envoi d'une requête texte à un moteur TTS et la réception du premier chunk audi…

Time To First Token — la latence entre l’envoi d’un prompt à un LLM et la réception du premier token généré. Le TTFT est…

Text-to-Speech — conversion du texte écrit en audio parlé. Dernière étape d'un pipeline vocal. Métriques clés : TTFA (la…

Le mécanisme conversationnel qui détermine quand chaque participant doit parler et quand écouter. Dans la conversation h…

Voice Activity Detection — algorithme qui détecte la présence ou l’absence de parole humaine dans un flux audio. Le VAD …

Une représentation vidéo animée générée par IA d'une personne, capable de parler avec des mouvements labiaux synchronisé…

La capacité à synthétiser de la parole qui imite les caractéristiques vocales d'une personne spécifique (timbre, accent,…

La chaîne bout-en-bout de composants qui permet une IA vocale conversationnelle : STT (transcription) → LLM (raisonnemen…

Word Error Rate — la métrique de précision standard pour les systèmes STT. Calculé comme (Substitutions + Suppressions +…