Glossaire
La détection de fin de parole est la détection en temps réel de l'instant où un locuteur a terminé une énonciation. C'est le déclencheur qui indique à un assistant vocal "OK, l'utilisateur a terminé, envoyez la requête" ou à un système de sous-titres en direct "finalisez ce sous-titre maintenant". Cela semble simple — il s'avère que c'est difficile. Les humains font des pauses en pleine phrase pour réfléchir, respirer, chercher leurs mots. Les couper semble impoli ; attendre trop longtemps semble lent. Une bonne détection de fin de parole fait la différence entre un Siri réactif et un Siri défectueux.
Détection de fin de parole naive vs intelligente
Naïf: déclencher après N millisecondes de silence (typique : 500-800 ms). Coupe les locuteurs lents et les personnes qui font des pauses pour réfléchir. Intelligent: combiner la détection de silence avec un modèle neuronal qui prédit "cette phrase est-elle complète ?" en fonction de la syntaxe, de la courbe de hauteur (pitch descendant = fin de phrase, montant = question), et des signaux lexicaux ("...la réponse est" = attend plus).
Détection de fin de parole vs VAD
DAD répond "ce cadre est-il de la parole ou du silence?" — classification binaire au niveau des images. Détection de fin de réponse "l'utilisateur a-t-il terminé son énoncé?" — sémantique, dépendante du contexte. Ils sont liés mais séparés. Le VAD est un bloc de construction de la détection de fin; vous avez besoin des deux pour un ASR en direct de production.
Pourquoi la transcription par lots n'en a pas besoin
La transcription par lots (import de fichier) dispose de l'audio entier d'un coup — inutile de prédire quand la parole est terminée. La détection de fin de parole ne concerne que le streaming en temps réel. Nous sommes un service par lots, donc la détection de fin de parole ne fait pas partie de notre pipeline. Si vous intégrez des sous-titres en direct ou construisez un assistant vocal, vous aurez besoin d'un système ASR en streaming avec détection de fin de parole intégrée.
En pratique
Vous demandez à Siri "Quel temps fait-il—" puis faites une pause pour formuler la suite. Une détection de fin de parole naive se déclenche après 500 ms et Siri répond avec la météo actuelle (mauvais emplacement). Une détection de fin de parole intelligente remarque que la chute de ton n'était pas finale et que le mot "météo" prend généralement un complément — attend une seconde de plus et obtient votre "Quel temps fait-il à Tokyo demain ?" complet.
Termes associés
Voir la transcription par lots
Commencez — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
Détection en temps réel de l'instant où un utilisateur a cessé de parler — le déclencheur pour finaliser les sous-titres en direct ou envoyer les résultats de dictée aux systèmes en aval.
Détection de fin de parole Affecte la manière dont vous comprenez la qualité de la transcription, le timing, la compatibilité ou la technologie derrière les résultats de la transcription vocale.
Utilisez le flux de travail associé à /ai-transcription lorsque vous souhaitez voir comment ce concept de glossaire se connecte à une tâche de transcription réelle.
Parcourir le glossaire de transcription ou lisez le guide complet de la transcription IA.