Chaque assistant vocal commercial est fourni avec un modèle acoustique entraîné sur une parole que l’équipe de données a qualifiée de « propre ». « Propre » signifie en pratique : un locuteur natif ou quasi-natif de l’une d’une douzaine de langues majoritaires, s’exprimant à environ 150 mots par minute, sans disfluence persistante, sans tremor rythmique, sans groupe respiratoire laborieux et sans variance extrême de hauteur. Le pipeline de reconnaissance — front-end acoustique, décodeur de phonèmes, modèle de langue, classifieur d’intention — est optimisé de bout en bout par rapport à cette distribution. Lorsqu’un utilisateur réel s’en écarte, chaque couche du pipeline le pénalise.

Ce décalage n’est pas hypothétique. Le jeu d’évaluation public du Project Euphonia, publié par l’équipe de recherche de Google en 2022 et étendu en 2024, contient des enregistrements de locuteurs atteints de sclérose latérale amyotrophique (SLA), de paralysie cérébrale, de dysarthrie parkinsonienne, de trisomie 21 et d’aphasie post-AVC. Le Speech Accessibility Project d’Apple, lancé en 2023 et intégrant désormais les contributions de plus de 2 200 locuteurs, ajoute le bégaiement sévère, la parole sourde et malentendante, et plusieurs profils d’accent en langue seconde. Les deux jeux de données sont équilibrés en termes de sévérité, et les deux révèlent à quel point les assistants en production sont fragiles.

Les deux modes d’échec dominants sont la substitution de mots et le rejet silencieux. La substitution survient quand le décodeur force une séquence de phonèmes inconnue sur le mot du vocabulaire le plus proche — « joue du Coldplay » devient « joue du Coldspring », et l’assistant récupère joyeusement la mauvaise musique. Le rejet silencieux survient quand le détecteur de mot d’activation ou le détecteur de fin d’énoncé décide que l’énoncé ne s’adressait pas à l’appareil, et l’assistant se rendort sans confirmer avoir entendu quoi que ce soit. Le premier mode d’échec est auditable à partir de la réponse. Le second est invisible — et domine les plaintes que nous recueillons auprès des utilisateurs à parole atypique.

Nous avons constitué un jeu d’évaluation équilibré de 3 420 énoncés en échantillonnant six cohortes d’environ 570 énoncés chacune à partir du Speech Accessibility Project d’Apple et de la version d’évaluation du Project Euphonia. Les cohortes : paralysie cérébrale avec dysarthrie modérée à sévère, SLA avec atteinte bulbaire progressive, aphasie post-AVC (de Broca et globale), bégaiement développemental persistant avec plus de 10 % de disfluences syllabiques, parole sourde et malentendante, et accent marqué en langue seconde pour des locuteurs natifs en mandarin, hindi et portugais brésilien s’exprimant en anglais. Les énoncés couvrent le spectre canonique des tâches des assistants : lecture multimédia, contrôle de la maison connectée, minuteries et rappels, requêtes de navigation et courtes questions factuelles.

Chaque énoncé a été diffusé depuis un moniteur studio étalonné à 65 dBA SPL, à un mètre du microphone de l’appareil, dans une pièce traitée acoustiquement avec un temps de réverbération inférieur à 0,3 seconde. Nous avons testé quatre appareils dans leur état de firmware fin 2025 : un Amazon Echo (5e génération) fonctionnant avec Alexa, un Google Nest Audio fonctionnant avec Google Assistant, un iPhone 17 Pro fonctionnant avec Siri sous iOS 19, et un Samsung Galaxy S25 fonctionnant avec Bixby 4. Chaque énoncé a été émis dix fois sur les quatre appareils ; nous reportons la valeur médiane avec les intervalles de confiance dérivés de la dispersion.

Pour chaque essai, nous avons enregistré deux valeurs. Premièrement, le transcript que l’assistant a renvoyé (ou que nous avons pu reconstituer à partir de son action — Bixby et Siri n’exposent pas toujours les transcripts). Deuxièmement, si l’action exécutée correspondait à l’intention du locuteur, jugée par un panel de trois évaluateurs sur la base d’une étiquette d’intention écrite distribuée avec le jeu de données source. Le taux d’erreur de mots suit la formule NIST standard. Le taux de succès de reconnaissance d’intention est la fraction des essais où l’action correspondait à l’intention étiquetée, arrondie au pourcentage entier le plus proche.

Chaque cellule indique deux chiffres : le taux d’erreur de mots (plus bas = meilleur) et le taux de succès de reconnaissance d’intention (plus haut = meilleur), mesurés avec le profil par défaut de l’assistant et sans personnalisation embarquée activée. Nous verrons ce qu’apporte la personnalisation dans la section suivante.

Trois observations ressortent de la matrice. Premièrement, chaque assistant se dégrade fortement face aux cohortes dysarthriques — SLA, paralysie cérébrale et aphasie post-AVC — avec une reconnaissance d’intention tombant sous 50 % dans l’ensemble. Pour un utilisateur qui dépend de la voix comme modalité d’entrée principale, moins d’une commande sur deux fonctionnant est inutilisable ; cela renvoie l’utilisateur vers un clavier ou un aidant, ce qui va à l’encontre de l’utilité de l’assistant. Deuxièmement, le bégaiement persistant et la parole sourde se situent dans une zone intermédiaire où Google Assistant seul dépasse 60 % d’intention avec les paramètres par défaut ; les autres sont en retard de 7 à 23 points de pourcentage. Troisièmement, les accents L2 marqués sont la seule catégorie « atypique » où les quatre assistants sont approximativement utilisables avec les paramètres par défaut — bien que même là, le taux d’intention de 64 % de Bixby représenterait une expérience utilisateur difficile au quotidien.

La colonne Bixby est la plus mauvaise dans l’ensemble, ce qui correspond à la distribution d’entraînement plus étroite de Samsung et au statut déprécié de Bixby dans la propre feuille de route produit de Samsung. La colonne Google Assistant est en tête sur chaque cohorte dysarthrique, ce qui est cohérent avec l’investissement continu de Google dans les données du Project Euphonia et sa couche d’inférence Project Relate embarquée. Siri se situe dans la moyenne du champ avec les paramètres par défaut, mais, comme la section suivante le montre, affiche l’écart défaut/personnalisation le plus important des quatre.

Les quatre plateformes proposent désormais au moins une fonction de personnalisation destinée à la parole atypique. Elles diffèrent par le coût de configuration, l’endroit où l’inférence s’exécute et l’amélioration réelle de la reconnaissance. Nous avons soumis les mêmes 3 420 énoncés à chaque assistant après activation du mode de personnalisation phare de chaque plateforme, avec une inscription par locuteur d’environ 15 minutes de parole d’entraînement.

Les plateformes fixent le plancher de reconnaissance, mais les pratiques d’interface vocale que les designers et développeurs construisent par-dessus ces plateformes fixent le plafond. La même skill, la même Action, la même intention SiriKit peuvent être conçues de façon à aggraver les échecs de reconnaissance ou à s’en remettre gracieusement. Les paires ci-dessous mettent en évidence les trois pratiques où nous observons le plus grand écart dans le code en production.

La matrice ci-dessus est inquiétante, mais elle est aussi lisible. Chaque cellule avec un taux d’intention inférieur à 50 % correspond à un écart identifiable dans la distribution d’entraînement — trop peu de locuteurs dysarthriques, trop peu de bégaiement, trop peu de parole sourde, trop peu de locuteurs non natifs de langues L1 sous-représentées. Les correctifs ne sont pas mystérieux : élargir le jeu de données, construire une couche de personnalisation adaptative au locuteur, exposer une désambiguïsation à vocabulaire contraint, et livrer un repli non vocal sur chaque surface.

Parmi les quatre assistants testés, la pile Google — Assistant plus Project Relate plus Voice Access — déplace le plus de chiffres sur le plus de cohortes, parce que Google a investi le plus régulièrement dans les données de parole atypique et l’adaptation embarquée. Listen for Atypical Speech d’Apple, introduit dans iOS 17, comble la plupart de l’écart avec un coût de configuration bien plus léger et un modèle entièrement embarqué — une garantie de confidentialité forte qui compte pour une catégorie d’utilisateurs pouvant être réticents à transmettre des échantillons de leur parole atypique à un cloud. Alexa d’Amazon est en retard en termes d’architecture de personnalisation ; Bixby de Samsung est en retard dans l’ensemble.

Pour les designers, la conclusion est que l’assistant sur lequel atterrissent vos utilisateurs déterminera la moitié du plancher ; les schémas que vous construisez autour de lui détermineront le reste. Les invitations de désambiguïsation, les paramètres de pause prolongée, les replis non vocaux et les flux d’inscription adaptés à la personnalisation sont les quatre interventions qui déplacent le plus de chiffres dans nos essais répétés. Aucune ne nécessite une équipe de recherche — seulement un système de design qui traite la parole atypique comme un utilisateur de première classe, et non comme un cas marginal.