Fiche technique CALLAII ASR v4
Reconnaissance vocale · Modèle de reconnaissance vocale qui sépare les enregistrements d'appels par canaux de locuteurs et les convertit en texte. L'analyse, le coaching et l'évaluation de la qualité s'appuient sur cette transcription.
Sépare les enregistrements d'appels par canal de locuteur et les transcrit en texte. Cette version a été entraînée sur dix langues et des voix simulées aux conditions de ligne téléphonique ; le taux d'erreur dans les conversations de centre d'appels a nettement diminué.
Nouveautés de cette version
- Dans les scénarios de centre d'appels, le taux d'erreur par mot en turc est passé de 25,70 % à 6,32 %
- En arabe, allemand, français, anglais et italien, le taux d'erreur a été divisé par quatre ou par cinq ; les résultats par langue sont présentés dans le graphique
- Amélioration également sur le turc lu à voix haute : 4,72 % → 4,47 % (800 enregistrements)
- Le même texte a été entraîné avec des versions ligne téléphonique, environnement bruyant et studio
- Les données de la version précédente ont également été intégrées à l'entraînement ; pour éviter la dégradation lors de l'ajout de nouvelles données
Ce qu'il fait
- Transcrit séparément le client et l'agent dans un enregistrement à deux canaux
- Détecte automatiquement la langue de chaque canal
- Produit une transcription horodatée avec étiquettes de locuteur
- Laisse les passages silencieux vides, entraîné pour ne pas inventer de phrases
Limites et usage responsable
- Les mesures ont été réalisées sur des jeux de test ; le taux d'erreur de référence sur un appel téléphonique réel n'a pas encore été mesuré
- Le taux d'erreur augmente en cas de parole chevauchée et d'enregistrement de très faible qualité
- La latence de transcription en temps réel n'a pas été mesurée
Entraînement et mesures
| Données d'entraînement | 2 479 180 enregistrements, 3 654 heures d'audio |
|---|---|
| Part de nouvelles données | 26,5 % ; le reste provient des données de la version précédente |
| Langues | turc, arabe, allemand, français, kazakh, italien, anglais, bachkir, ouzbek, tatar |
| Types d'audio | simulation de ligne téléphonique, environnement bruyant, studio |
| Jeu de validation | 11 859 enregistrements |
| Étape | 19 369 · 1 époque |
| Date d'entraînement | septembre 2026 |
Chaque point représente la moyenne des 7 enregistrements consécutifs.
Afficher les valeurs sous forme de tableau
| Perte d'entraînement | |
|---|---|
| 175 | 10,8073 |
| 1 050 | 6,4649 |
| 1 925 | 5,6508 |
| 2 800 | 5,3350 |
| 3 675 | 5,0206 |
| 4 550 | 4,7431 |
| 5 425 | 4,6104 |
| 6 300 | 4,6143 |
| 7 175 | 4,5038 |
| 8 050 | 4,3882 |
| 8 925 | 4,4358 |
| 9 800 | 4,3362 |
| 10 675 | 4,2276 |
| 11 550 | 4,1843 |
| 12 425 | 4,2788 |
| 13 300 | 4,1626 |
| 14 175 | 4,1483 |
| 15 050 | 4,1727 |
| 15 925 | 4,0753 |
| 16 800 | 4,0031 |
| 17 675 | 4,0504 |
| 18 550 | 4,2040 |
| 19 350 | 4,0197 |
Mesurée sur des exemples jamais vus pendant l'entraînement ; une courbe descendante montre que le modèle apprend au lieu de mémoriser.
Afficher les valeurs sous forme de tableau
| Perte de validation | |
|---|---|
| 1 000 | 0,1911 |
| 2 000 | 0,1611 |
| 3 000 | 0,1446 |
| 4 000 | 0,1345 |
| 5 000 | 0,1259 |
| 6 000 | 0,1187 |
| 7 000 | 0,1135 |
| 8 000 | 0,1097 |
| 9 000 | 0,1068 |
| 10 000 | 0,1050 |
| 11 000 | 0,1025 |
| 12 000 | 0,1021 |
| 13 000 | 0,1010 |
| 14 000 | 0,0997 |
| 15 000 | 0,0994 |
| 16 000 | 0,0985 |
| 17 000 | 0,0985 |
| 18 000 | 0,0984 |
| 19 000 | 0,0980 |
| 19 369 | 0,0981 |
Plus bas, c'est mieux. Mesuré sur le jeu de validation tout au long de l'entraînement.
Afficher les valeurs sous forme de tableau
| Taux d'erreur de mots (WER) | |
|---|---|
| 1 000 | 15,03 |
| 2 000 | 13,22 |
| 3 000 | 12,06 |
| 4 000 | 10,78 |
| 5 000 | 10,51 |
| 6 000 | 10,01 |
| 7 000 | 9,60 |
| 8 000 | 9,72 |
| 9 000 | 9,52 |
| 10 000 | 9,43 |
| 11 000 | 9,36 |
| 12 000 | 9,35 |
| 13 000 | 9,38 |
| 14 000 | 9,52 |
| 15 000 | 9,23 |
| 16 000 | 9,36 |
| 17 000 | 9,35 |
| 18 000 | 9,36 |
| 19 000 | 9,24 |
| 19 369 | 9,41 |
| Taux d'erreur de caractères (CER) | |
| 1 000 | 4,24 |
| 2 000 | 3,85 |
| 3 000 | 3,47 |
| 4 000 | 3,13 |
| 5 000 | 3,01 |
| 6 000 | 2,94 |
| 7 000 | 2,87 |
| 8 000 | 2,89 |
| 9 000 | 2,89 |
| 10 000 | 2,85 |
| 11 000 | 2,88 |
| 12 000 | 2,81 |
| 13 000 | 2,92 |
| 14 000 | 2,93 |
| 15 000 | 2,80 |
| 16 000 | 2,83 |
| 17 000 | 2,77 |
| 18 000 | 2,80 |
| 19 000 | 2,72 |
| 19 369 | 2,82 |
Plus bas, c'est mieux. 300 exemples par langue.
Afficher les valeurs sous forme de tableau
| v3 | v4 | |
|---|---|---|
| Arabe | 67,59 | 13,86 |
| Allemand | 54,58 | 15,37 |
| Anglais | 59,92 | 12,58 |
| Français | 62,36 | 15,57 |
| Italien | 38,88 | 8,42 |
| Turc | 25,70 | 6,32 |
Plus bas, c'est mieux. 300 exemples par langue.
Afficher les valeurs sous forme de tableau
| v3 | v4 | |
|---|---|---|
| Arabe | 48,62 | 5,76 |
| Allemand | 46,00 | 7,23 |
| Anglais | 44,41 | 6,23 |
| Français | 47,92 | 7,34 |
| Italien | 26,92 | 3,45 |
| Turc | 10,47 | 1,96 |
Plus bas, c'est mieux. 800 exemples par langue.
Afficher les valeurs sous forme de tableau
| v3 | v4 | |
|---|---|---|
| Turc | 4,72 | 4,47 |
Plus bas, c'est mieux. 800 exemples par langue.
Afficher les valeurs sous forme de tableau
| v3 | v4 | |
|---|---|---|
| Turc | 1,11 | 0,95 |
Comparaison avec les modèles ouverts
CALLAII ASR a été mesuré sur les mêmes clips audio turcs et avec la même méthode que les modèles ouverts de reconnaissance vocale courants.
- En taux d'erreur par mot, la valeur la plus basse est obtenue par CALLAII ASR dans les quatre essais sur quatre.
- En taux d'erreur par caractère, l'écart entre la parole lue et la ligne téléphonique est de 0,04 point ; les modèles sont au même niveau.
- La section d'entraînement des enregistrements volontaires est présente dans l'entraînement de CALLAII ASR ; la section utilisée pour les essais n'est pas dans l'entraînement.
- La condition ligne téléphonique augmente l'erreur sur tous les modèles. C'est l'objectif de la prochaine version.
- Aucune mesure de référence n'a encore été réalisée sur des appels téléphoniques réels.
Plus bas, c'est mieux. Mêmes 1 000 clips turcs et même méthode de mesure. Parole lue et ligne téléphonique : FLEURS ; sur la ligne téléphonique, les mêmes clips en condition téléphonique 8 kHz. Enregistrements volontaires : Common Voice. Scénarios d'appels : phrases préparées à partir de dialogues de centre d'appels ; CALLAII ASR a été entraîné sur les données de ce domaine. Mesure : 8 octobre 2026.
Afficher les valeurs sous forme de tableau
| Qwen3-ASR 1.7B | Whisper large-v3 | CALLAII ASR | |
|---|---|---|---|
| Parole lue | 9,75 | 7,04 | 6,67 |
| Ligne téléphonique | 11,33 | 8,32 | 8,03 |
| Enregistrements volontaires | 15,80 | 13,14 | 4,10 |
| Scénarios d'appels | 30,74 | 22,33 | 4,45 |
Plus bas, c'est mieux. Mêmes 1 000 clips turcs et même méthode de mesure. Parole lue et ligne téléphonique : FLEURS ; sur la ligne téléphonique, les mêmes clips en condition téléphonique 8 kHz. Enregistrements volontaires : Common Voice. Scénarios d'appels : phrases préparées à partir de dialogues de centre d'appels ; CALLAII ASR a été entraîné sur les données de ce domaine. Mesure : 8 octobre 2026.
Afficher les valeurs sous forme de tableau
| Qwen3-ASR 1.7B | Whisper large-v3 | CALLAII ASR | |
|---|---|---|---|
| Parole lue | 2,43 | 1,56 | 1,60 |
| Ligne téléphonique | 3,04 | 1,94 | 1,98 |
| Enregistrements volontaires | 4,44 | 4,53 | 0,98 |
| Scénarios d'appels | 12,02 | 7,97 | 1,00 |
Fiche technique
| Version | v4 |
|---|---|
| Publication | 8 septembre 2026 |
| Entrée | enregistrement audio, un ou deux canaux |
| Sortie | texte horodaté avec étiquettes de locuteur |
| Détection de langue | automatique par canal |
| Environnement d'exécution | serveurs gérés par Callmenta |
Les données clients ne sont pas utilisées pour l'entraînement des modèles. Cette fiche a été créée le 23.11.2026. Consultez callmenta.com pour la version actuelle. Versions et évolutions