Glossaire
Un modèle acoustique est la partie d'un système de reconnaissance vocale qui mappe l'audio brut (ou un spectrogramme mel dérivé de celui-ci) à des probabilités de phonèmes — "quels sons de parole sont ici, cadre par cadre ?" Dans l'ASR classique (HMM-GMM, HMM-DNN), le modèle acoustique est un composant entraînable séparé. Dans les systèmes modernes de bout en bout comme Whisper, le modèle acoustique est conceptuellement subsumé à l'intérieur de l'encodeur.
La pipeline classique
Les pipelines ASR pré-2017 avaient trois composants distincts : un modèle acoustique mappant les trames audio aux probabilités de phonèmes, un lexique de prononciation mappant les mots aux séquences de phonèmes, et un modèle de langage choisissant la séquence de mots la plus probable. Chacun était entraîné séparément. Le modèle acoustique utilisait des Modèles de Mélange Gaussiens ou des Réseaux de Neurones Profonds sur des caractéristiques MFCC/banc de filtres. Le décodage les liait ensemble avec des transducteurs finis pondérés — rapide mais compliqué à entraîner et à maintenir.
Le bout en bout le remplace
Les modèles ASR modernes à transformateurs (Whisper, wav2vec 2.0, Conformer) combinent la modélisation acoustique, de prononciation et de langage en un seul réseau entraîné de bout en bout. Il n'y a pas de couche de phonème explicite — le modèle apprend sa propre représentation interne. Cela simplifie énormément l'entraînement et produit une meilleure précision sur l'audio du monde réel. Le terme "modèle acoustique" est maintenant principalement un terme historique/de recherche.
Quand vous rencontreriez encore le terme
Cas d'utilisation niche : langues à ressources limitées où vous démarrez à partir de corpus alignés sur les phonèmes ; dictionnaires de prononciation pour l'alignement forcé ; recherche sur la séparation des biais acoustiques vs linguistiques. Pour la transcription hors ligne commerciale (ce que nous faisons), le terme est principalement informatif — vous obtenez une transcription, vous ne réglez pas un modèle acoustique.
En pratique
Avant Whisper (2018), une pipeline Kaldi typique exécutait un modèle acoustique TDNN à chaîne entraînée produisant des probabilités de senone (sous-phonèmes) à des intervalles de 30 ms, puis les composait avec un modèle de langage 4-gramme dans un décodeur WFST. Whisper fait tout cela implicitement à l'intérieur de son transformateur encodeur-décodeur — aucun modèle acoustique séparé exposé.
Termes associés
Lectures complémentaires
Essayez l'ASR moderne
Commencez — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
Le composant d'un système ASR qui mappe les formes d'onde audio brutes aux probabilités de phonèmes.
Modèle acoustique 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.