Il est 16 h 47. Un entrepreneur revient d’un chantier vers Montréal, sur la 20, fenêtre à moitié baissée, Bluetooth dans le camion, circulation qui bourdonne. Il appelle pour déplacer un rendez-vous, donner le nom du client final et confirmer un numéro de cellulaire pour le rappel.
L’agent répond vite. La voix est claire. La démo semble parfaite.
Mais la vraie question n’est pas si l’agent sonne bien. La vraie question, c’est celle-ci : est-ce qu’il va vraiment comprendre la personne au bout du fil quand l’appel ne vient pas d’un studio, mais d’un camion, d’un atelier, d’un corridor d’hôpital, d’un commerce plein, ou d’un rang où le signal coupe par bouts ? C’est là qu’un agent vocal IA se fait vraiment tester par les accents et le bruit de fond. Et c’est là que ça coûte cher.
Entre la démo propre et vos appels réels, l’écart est souvent plus grand qu’on pense
La plupart des fournisseurs montrent des extraits propres : micro correct, pièce calme, débit stable, peu d’hésitation. C’est normal. Le problème, c’est que ce chiffre-là ne représente pas votre standard téléphonique un lundi matin.
Selon l'analyse de précision 2026 d'AssemblyAI, les meilleurs modèles de transcription atteignent environ 95 % à 98 % de précision sur un audio propre. Sur papier, c’est excellent. Sur une ligne téléphonique réelle, on descend.
Autrement dit, le chiffre cité en vente correspond souvent au meilleur cas, pas au cas moyen. C’est aussi pour ça qu’il faut comprendre pourquoi certains agents vocaux IA se trompent avant de juger une solution sur une seule démo.
Le vocabulaire technique derrière ça s’appelle le WER, pour taux d’erreur de mots : substitutions + insertions + suppressions, divisé par le nombre total de mots, multiplié par 100. C’est la mesure standard de l’industrie. Utile, oui. Suffisante, non. On va y revenir.
Speech recognition accuracy drops sharply from clean studio audio to noisy phone calls
La ligne téléphonique est une surface difficile, même avant d’ajouter le bruit
Un appel téléphonique part avec un handicap. Le son est compressé. La bande passante est plus étroite qu’un enregistrement local. Il peut y avoir de l’écho, du souffle, des transitions entre tours cellulaires, du Bluetooth de qualité variable, puis un micro mains libres qui capte autant la cabine que la voix.
Dans un camion, c’est pire. Le moteur ajoute un bruit stable mais constant. La route produit des fréquences parasites. Le locuteur tourne parfois la tête. Le micro est loin de la bouche. Si l’appel vient de l’Abitibi, de la Côte-Nord ou d’un secteur rural avec une barre de réseau, la dégradation s’ajoute avant même que l’IA commence à comprendre le sens.
C’est toute la différence entre un test fait au bureau et un vrai appel sur une ligne bruyante. Les fournisseurs qui ne font pas cette distinction vous vendent une belle voix, pas nécessairement une bonne oreille.
Il faut aussi considérer la réverbération. Une réception avec plancher dur, un garage, une cuisine commerciale ou un comptoir de service ont des surfaces qui renvoient le son. Le modèle reçoit alors une version moins nette des consonnes qui servent à distinguer « quinze » de « cinquante », « Bourque » de « Bouchard », ou « rue Saint-Paul » de « rue Saint-Jean ».
Les accents, les régionalismes et le débit changent le résultat plus qu’on l’admet
Les chiffres 2026 montrent que la parole fortement accentuée tombe dans une zone de précision de 75 % à 90 %. C’est une fourchette énorme. Pour une PME, l’écart entre 90 % et 75 % n’est pas théorique : c’est la différence entre une réservation prise comme du monde et une occasion perdue.
Au Québec, la reconnaissance vocale doit composer avec les accents tous les jours. Ce n’est pas un cas marginal. Un appel du Saguenay n’a pas la même musique qu’un appel de la Gaspésie. En Beauce, certains débits sont rapides, certains mots sont avalés, d’autres sont très marqués. À Montréal et à Laval, vous avez aussi une clientèle allophone qui passe du français à l’anglais, parfois avec un troisième accent en arrière-plan.
Le contexte canadien compte ici. Selon les données linguistiques de Statistique Canada, 19,4 % des Canadiens déclaraient en 2016 parler plus d’une langue à la maison, contre 17,5 % en 2011. Montréal fait partie des villes les plus diversifiées linguistiquement au pays. Si votre entreprise dessert le Grand Montréal, présumer un français standard stable du début à la fin d’un appel, c’est mal lire votre propre marché.
Il y a aussi les facteurs liés au locuteur : débit trop rapide ou trop lent, articulation variable, voix grave ou soufflée, fatigue, stress, dents serrées au volant, cellulaire tenu de côté, micro de casque bas de gamme. Le modèle ne « comprend » pas une personne comme un humain le fait. Il reconstruit des probabilités à partir d’un signal imparfait.
Le vrai test québécois : changer de langue en pleine phrase
Un client appelle et dit : « Oui bonjour, j’avais un appointment demain matin pour la soumission au 1250, chemin du Lac, mais I need to move it to Friday if possible. » Pour beaucoup d’entreprises d’ici, cette phrase n’a rien d’exceptionnel.
Pour la transcription, c’est l’un des tests les plus durs.
Sur l’alternance de langue dans la même phrase, les écarts entre modèles sont majeurs. D’après les tableaux de référence publiés, le WER normalisé moyen sur cinq paires de langues en 2026 est de 7,69 % pour AssemblyAI Universal-3.5 Pro, 8,77 % pour ElevenLabs Scribe v2, 12,22 % pour Deepgram Nova-3 Multilingual et 44,58 % pour OpenAI GPT-4o Transcribe. Sur le même audio, on parle d’un écart d’environ six fois entre le meilleur et GPT-4o Transcribe.
Ça veut dire une chose simple : le modèle choisi par votre fournisseur compte beaucoup plus qu’un score marketing en anglais propre. Si votre réalité inclut Montréal, Laval, l’Ouest-de-l’Île, Gatineau ou une clientèle touristique, vous devez exiger un agent vocal bilingue et multilingue pensé pour ces transitions, pas juste « capable de répondre en deux langues » dans une brochure.
Ça se complique encore quand l’accent et le changement de langue arrivent en même temps. Un mot anglais glissé dans une phrase française ne demande aucun effort à un humain. Il suffit pourtant à faire dérailler un modèle mal choisi.
L’erreur qui coûte vraiment de l’argent, ce ne sont pas les petits mots : ce sont les entités
Si l’agent comprend « bonjour », « oui », « demain » et « merci », mais rate le numéro de téléphone, le nom de famille ou l’adresse, l’appel est raté pareil.
C’est pour ça que les taux d’erreur sur les entités sont plus utiles que le score global quand on évalue un agent. Dans les tests en temps réel sur de vraies conversations d’agents, toujours selon les références ouvertes relayées par AssemblyAI en 2026, le taux d’erreur sur les entités était de 15,31 % pour Universal-3.5 Pro RT, 21,51 % pour Google Chirp3, 39,70 % pour ElevenLabs Scribe v2 et 50,50 % pour Deepgram Flux.
Le 3,55 % contre 10,41 % sur les numéros de téléphone n’est pas une nuance technique. C’est ce qui décide si le rappel a lieu ou non. Même logique pour les noms de personnes : quand un « M. Khoury », « Mme Guillemette » ou « M. N’Diaye » est mal saisi, votre équipe perd du temps à valider, ou pire, ne rejoint jamais la bonne personne.
Dans un contexte de rendez-vous, de soumission ou d’urgence, c’est souvent l’entité qui a la valeur. Le reste de la phrase sert surtout à l’encadrer.
A business phone ringing in a noisy front-counter environment during peak hours
Le mot manquant fait plus mal que le mot mal deviné
Le WER classique met sur le même pied une substitution, une insertion et une suppression. Pourtant, dans un agent vocal, ces trois erreurs n’ont pas le même coût.
Une substitution, c’est quand le système entend le mauvais mot, mais vous donne quand même quelque chose de plausible. Par exemple, « Lafleur » au lieu de « Laflamme ». C’est embêtant, mais l’agent peut encore demander une confirmation.
Une suppression, c’est plus dangereux. Le mot n’arrive pas du tout au moteur en aval. Résultat : l’agent attend, ne reçoit rien d’exploitable, puis la conversation tombe dans un tour suspendu. Le client entend un silence, répète, soupire, puis raccroche parfois. Sur un appel de chantier, ça arrive souvent : le bruit couvre juste assez la syllabe clé pour qu’elle disparaisse au complet.
Autrement dit, deux systèmes avec un WER semblable peuvent produire des expériences très différentes si l’un supprime plus souvent les mots critiques.
Un score de référence est un point de départ, pas un verdict. Le seul chiffre qui compte est celui mesuré sur vos appels, dans vos conditions.
Ce qui améliore vraiment la compréhension sur le terrain
Il n’existe pas de bouton magique. Il existe des correctifs concrets, et ils doivent être implantés ensemble.
1. Isoler le locuteur selon le contexte réel
Le mode audio ne devrait pas être le même pour tous les appels. Pour un téléphone ou un casque, on veut du champ proche afin de favoriser la voix collée au micro. Pour une salle, un comptoir ou un service au volant, il faut du champ éloigné avec traitement adapté. Si un fournisseur ne sait pas vous dire quel mode il utilise selon le canal d’entrée, c’est un drapeau rouge.
2. Reporter le contexte d’un tour à l’autre
Un nom de famille inhabituel dit une fois ne devrait pas être « réinventé » au tour suivant. Une mémoire glissante permet de conserver les éléments déjà captés pour éviter que « Miville-Deschênes » devienne trois variantes différentes dans le même appel.
3. Transmettre le contexte de l’agent au modèle de transcription
Ce point est sous-estimé. Sur un corpus de 20 000 fichiers d’agents vocaux, la transmission du contexte de l’agent au modèle de transcription a réduit le WER de 10,2 %, avec une baisse des fabrications de 18,3 %, des hallucinations de 17,2 %, des entités de lieu de 15,5 % et des énoncés courts de 13,7 %. Une équipe qui combinait contexte et amorçage a fait passer son taux d’erreur par énoncé de 26 % à 9 % en production.
Concrètement, si l’agent sait qu’il est en train de prendre un rendez-vous de climatisation à Longueuil avec une plage horaire et un nom de rue, le moteur de transcription doit recevoir ce cadre. Sinon, il devine à l’aveugle.
4. Amorcer le système avec votre vocabulaire
Noms de produits, noms de rues, noms d’employés, acronymes internes, municipalités desservies, types de services, variantes fréquentes. Dans un test en santé, l’amorçage contextuel a réduit de 31 % les termes spécialisés manqués. Pour une PME, c’est l’équivalent de nourrir l’agent avec votre réalité au lieu de l’obliger à improviser.
5. Utiliser des scores de confiance mot par mot
Un bon système ne devrait pas faire semblant d’être certain. Sous un seuil d’environ 0,85 de confiance, il faut déclencher une redemande ciblée : « Je veux juste valider le nom de famille » ou « Pouvez-vous répéter les quatre derniers chiffres du numéro ? » Pas refaire tout l’appel. Juste l’élément fragile.
6. Prévoir un vrai transfert humain
Quand le son est trop mauvais, quand le client marmonne, quand le signal coupe, le bon comportement n’est pas d’inventer. C’est de transférer vers un humain, ou de proposer un rappel par la réceptionniste avec les éléments déjà confirmés.
Cinq appels simples à faire cette semaine pour savoir si ça tient la route
Vous pouvez tester n’importe quel fournisseur sans laboratoire. Faites-le avant de signer, puis comparez avec le protocole des 7 appels pour tester un fournisseur avant de signer.
- Appel 1 : d’un véhicule en marche sur mains libres. Écoutez si l’agent garde le fil sans longs silences. Vérifiez surtout les noms, les chiffres et les confirmations. Si la conversation « gèle », vous avez probablement un problème de suppressions.
- Appel 2 : depuis votre pièce la plus bruyante à l’heure de pointe. Faites jouer votre vrai environnement : imprimante, porte, collègues, outils, musique de fond légère. Regardez si l’agent redemande précisément ce qu’il n’a pas compris, au lieu de recommencer du début.
- Appel 3 : prise de rendez-vous par une personne avec un fort accent. Demandez un nom complet, une date, une heure et un motif d’appel. Le point à surveiller n’est pas la politesse de la voix, mais la stabilité de la compréhension d’un tour à l’autre.
- Appel 4 : changement de langue en pleine phrase. Passez du français à l’anglais puis revenez. Écoutez si l’agent suit naturellement ou s’il répond dans la mauvaise langue, perd le contexte ou reformule à côté.
- Appel 5 : dicter un numéro à 10 chiffres et un nom de famille difficile à débit normal. Faites confirmer les chiffres un bloc à la fois. Vérifiez si le nom est conservé identique jusqu’au résumé final.
Si vous voulez pousser le test, refaites ces cinq appels à deux moments différents de la journée. Certains systèmes se comportent bien sur un appel calme et mal dès que le débit de conversations simultanées augmente.
Le mot à retenir ici n’est pas « impressionnant ». C’est « mesurable ». Un vrai diagnostic se fait sur vos cas limites, pas sur les exemples faciles que le fournisseur a choisis.
Les limites honnêtes qu’aucun fournisseur sérieux ne devrait vous cacher
Il y a des situations qu’aucun système ne règle parfaitement. Un client dans le vent, dehors, avec un signal coupé. Une personne qui parle en même temps qu’un collègue. Quelqu’un qui marmonne son nom sans vouloir le répéter. Un cellulaire collé sur le haut-parleur dans une pièce qui résonne. Une adresse donnée trop vite pendant que le camion recule.
Le bon fournisseur ne vous promet pas 100 %. Il vous montre comment le système échoue, puis comment il se rattrape : redemande ciblée, confirmation des entités, bascule vers un humain, envoi d’un lien texto quand le numéro est confirmé, ou rappel différé quand la ligne devient meilleure.
Pour un système automatisé, la référence de qualité à viser en centre d’appels est 90 % et plus de précision. Pour l’assistance à un agent humain, 85 % et plus peut être acceptable. Mais ces seuils n’ont de valeur que si vous les mesurez sur vos appels réels. C’est particulièrement vrai sur une ligne bruyante ou un appel de chantier, où les conditions audio pèsent souvent plus lourd que le modèle lui-même.
Si votre fournisseur ne peut pas vous dire quel modèle de transcription il utilise, comment il gère les entités, à quel seuil il redemande, et ce qu’il fait quand la confiance chute, vous n’avez pas encore un diagnostic. Vous avez une promesse.
Vos clients n’appellent pas d’un studio. Ils appellent de la route, du comptoir, du chantier, de la salle d’attente et du stationnement. C’est exactement là qu’un bon agent doit faire ses preuves. Écoutez-le gérer un appel comme les vôtres.