Fait par des passionnés, pour les gens

albadr.aiBlog
← Tous les articles

Translator15 min de lecture

Une demi-seconde derrière la voix

Translator est notre démo MVP de traduction de la parole en direct par IA, entre cinq langues. Sur un processeur d’ordinateur de bureau de 2012, sans processeur graphique, un mot anglais est à l’écran 573 millisecondes en moyenne après avoir été prononcé, et environ un mot reconnu sur sept est erroné.

En 2025, la conférence de recherche IWSLT, où sont évalués les systèmes de traduction de la parole en direct, a soumis un interprète professionnel au chronomètre qu’elle utilise pour les machines : une personne, travaillant seule, uniquement à partir de l’audio. En interprétant du tchèque vers l’anglais, le professionnel s’est retrouvé, selon cette métrique, à 4,16 secondes derrière l’orateur, contre 1,51 seconde pour un système de recherche sur les mêmes données. Les juges humains ont tout de même mieux noté le professionnel.

Translator, notre démo, affiche à l’écran un mot anglais 573 millisecondes après qu’il a été prononcé, et sa traduction française couvre ce mot au bout de 607 millisecondes. Ce sont des moyennes calculées sur 99 phrases enregistrées, avec un processeur d’ordinateur de bureau de 2012 (un Intel Core i7-3770, quatre cœurs, 8 Go de mémoire), sans recours à un processeur graphique.

Un interprète produit de la parole et fait face à de vraies conversations. Nos chiffres portent sur du texte à l’écran, ils ont été mesurés sur des phrases enregistrées, lues à voix haute, et environ un mot reconnu sur sept est erroné. Translator est une démo MVP, publique depuis le 15 novembre 2026 à l’adresse translate.albadr.ai, avec des quotas.

Ce qu’est Translator

Translator est une page web. On choisit la langue que l’on parle et celle que l’on veut lire, on appuie sur Démarrer et l’on parle : ses paroles et leur traduction s’affichent sous forme de texte pendant que l’on parle encore. Cela fonctionne dans chacune des 20 directions de traduction entre l’anglais, le français, le russe, l’arabe et le chinois, cinq des six langues officielles des Nations Unies (la sixième est l’espagnol). Ce qui en sort est du texte à l’écran, et non une voix de synthèse.

Tout le travail est fait par l’IA : reconnaissance neuronale de la parole et traduction neuronale, plusieurs modèles à la fois pour une paire de langues, en temps réel. Aucun d’eux n’a besoin d’un processeur graphique. Les mêmes modèles tournent sur un processeur ordinaire dans un petit serveur, et dans un onglet de navigateur sur la machine même du visiteur. Sous son nom, la page affiche « Solution entièrement IA d’albadr.ai », et l’une des cartes de son premier écran précise ce que cela veut dire : « Personne n’écoute, ne tape ni ne traduit. Comme toute IA, elle peut se tromper sur un mot. » Cette dernière phrase, nous pouvons la chiffrer. Environ un mot reconnu sur sept est erroné sur des phrases lues par de nombreux locuteurs, et davantage avec un fort accent, du bruit ou deux personnes qui parlent en même temps.

Comme c’est une démo, son usage est rationné. Une adresse réseau a droit à quatre heures par jour avec les moteurs sur l’appareil du visiteur et à vingt minutes par jour en passant par notre serveur, et une session prend fin après 90 secondes sans voix. Il n’y a pour l’instant ni compte, ni paiement, ni prix, ni interface pour les systèmes d’un client.

Là où il manque un interprète

Une commission de la Chambre des lords a fait état de 8 958 demandes d’interprète non satisfaites dans les tribunaux d’Angleterre et du pays de Galles entre janvier et septembre 2024. Là où l’on trouve un interprète, la journée a un prix. Les tribunaux fédéraux des États-Unis versent 617 $ US pour une journée complète à un interprète contractuel titulaire de la certification fédérale et, en interprétation simultanée, les interprètes travaillent habituellement en équipes de deux et se relaient toutes les 20 à 30 minutes, indique la région Suisse de l’AIIC, leur association internationale.

Nous citons les tribunaux parce qu’ils tiennent le compte. C’est le dernier endroit où mettre une démo qui a ce taux d’erreur. Le besoin auquel nous pensons présente des enjeux moindres et il est, croyons-nous, bien plus répandu. Lors du recensement de 2021 en Angleterre et au pays de Galles, 880 000 résidents ne parlaient pas bien l’anglais et 161 000 ne le parlaient pas du tout, quelle que soit leur langue. Certains d’entre eux expliquent à un guichet ce qui les amène, ou patientent à l’accueil d’une clinique un jour où aucun interprète n’a été réservé. Il en va de même pour une conférence, une réunion publique, une visite guidée, un sermon ou une ligne d’assistance : une personne parle, d’autres doivent suivre, et personne n’allait payer une équipe de deux interprètes. Ce sont là nos propositions. Rien n’est déployé dans aucun de ces contextes.

Sur le retard que l’on tolère, nous ne pouvons que citer d’autres que nous. Dans une conversation, les gens répondent vite : dans des enregistrements d’échanges informels en dix langues, la réponse à une question appelant un oui ou un non commençait 208 millisecondes en moyenne après la fin de la question, et une pause de 600 millisecondes ou plus avant de répondre amène ceux qui écoutent à s’attendre à une réponse défavorable, selon une synthèse des recherches sur l’alternance des tours de parole. Pour une voix traduite, l’équipe de Google Meet a indiqué que les chaînes antérieures de transcription, de traduction et de synthèse vocale avaient souvent de 10 à 20 secondes de retard, et que « deux à trois secondes, c’était en quelque sorte le point d’équilibre ». Ce sont les propos d’un chef de produit, cités sur le blog de l’entreprise, à propos d’une voix, sans indication de méthode. Nous n’avons pas étudié les lecteurs de notre propre page, et nous n’affirmons rien sur la compréhension à une demi-seconde.

Une seule conception, qui tourne à deux endroits

La page capte le microphone et affiche le texte. Comme les fichiers des moteurs, elle n’est faite que de simples fichiers, servis sans qu’aucun programme ne tourne. Un petit programme en périphérie de réseau répond aux questions de la page et admet les sessions, et un service tient le budget d’utilisation. Les moteurs, c’est-à-dire les modèles neuronaux qui reconnaissent la parole et la traduisent, sont la seule partie lourde, et ils peuvent tourner à deux endroits.

Le premier est l’appareil même du visiteur. Les moteurs sont téléchargés une seule fois (218 Mo pour l’anglais vers le français, de 213 à 451 Mo pour les autres paires) et tournent dans le navigateur. Dans ce mode, l’audio ne quitte pas du tout le navigateur, et cela compte, car une voix en dit plus que ses mots : la CNIL, l’autorité française de protection des données, range l’âge, le genre, l’état de santé ou émotionnel et l’identité parmi ce qu’une voix révèle. Ce qui voyage bel et bien jusqu’à notre service, c’est du texte et des nombres, dont les mots reconnus et leur traduction. Le service les traite en mémoire et n’en conserve rien. Ce qu’il garde, c’est un registre du temps utilisé et des notes sur ses propres défaillances, et sa journalisation est désactivée. Ce mode exige le téléchargement et ne va jamais plus vite que la machine. Chaque appareil se chronomètre lui-même avant le gros téléchargement, et le visiteur est prévenu si son appareil ne peut pas tenir le rythme ; un navigateur de tablette plus ancien, incapable de faire tourner les moteurs, est dirigé vers le serveur.

Le second est un petit conteneur doté de 2 processeurs et de 3,5 Gio de mémoire. L’audio lui est transmis en continu et n’existe qu’en mémoire. Rien de cet audio n’est écrit sur disque ni consigné dans un journal. Le conteneur dort quand personne ne s’en sert, et le premier visiteur à se présenter ensuite en fait les frais : sur le site en production, un réveil ouvre sa connexion en une seconde environ, et ses modèles sont chargés au bout de sept. Un visiteur à qui l’on a promis que le microphone reste sur l’appareil se voit demander son accord avant que le moindre son ne parte vers le serveur.

C’est en se passant de processeur graphique que le serveur tient dans un conteneur de cette taille, et le côté appareil dans un onglet de navigateur. Le coût, c’est que des modèles assez petits pour un processeur entendent comme de petits modèles.

La page rend aussi compte d’elle-même. Chaque message de texte en direct porte l’instant où son mot le plus récent a été prononcé, selon l’horloge de la page elle-même, de sorte que le retard qu’elle affiche est celui que cet utilisateur a subi, transport compris. Le texte qui peut encore changer est affiché en plus clair, souligné de pointillés. Il fallait choisir entre montrer les mots tôt et ne jamais revenir sur un mot. Nous montrons tôt et nous signalons chaque changement.

Toute la démo publique est conçue pour tenir dans un seul forfait d’hébergement à 5 $ US par mois, sous un budget que le service fait respecter. Un visiteur est compté sous un nom qui est une empreinte salée de son adresse réseau. Quand une part est épuisée, la page le dit, et dit quand il vaut la peine de revenir. Refuser un visiteur jusqu’à une heure annoncée nous a paru préférable à une facture imprévue.

Ce que nous avons mesuré

Les chiffres du tableau proviennent de la partie de test de FLEURS, un jeu public de phrases lues, sur laquelle aucun réglage n’a été choisi. La colonne de l’anglais correspond à une seule exécution, celle du 11 novembre. La colonne du français est la dernière de six exécutions faites du 11 au 14 novembre, pendant que nous modifiions encore les modèles du français, et son taux d’erreur sur les mots a oscillé entre 13,3 % et 15,4 % en cours de route : ce n’est donc pas un chiffre de test aussi propre que celui de l’anglais. Tous les enregistrements ont été joués dans le système réel à la vitesse de la parole, sur le processeur d’ordinateur de bureau de 2012, avec les moteurs sur la même machine et sans réseau entre les deux.

De l’anglais vers le françaisDu français vers l’anglais
Enregistrements99100
Un mot prononcé est à l’écran après, moyenne (95e centile)573 ms (715)532 ms (683)
Ce mot n’est plus marqué comme provisoire après, moyenne (95e centile)836 ms (1 126)791 ms (1 085)
Sa traduction le couvre après, moyenne (95e centile)607 ms (755)574 ms (740)
Traduction entière à l’écran après la fin de la voix, médiane (95e centile)470 ms (684)410 ms (661)
Taux d’erreur sur les mots dans le texte tel qu’il reste à la fin14,10 %13,63 %
Traduction telle qu’elle reste à la fin, BLEU et chrF36,18 et 63,3931,86 et 61,15
Mots de traduction stabilisés remplacés quand une phrase est déclarée finale0,88 %0,33 %

La deuxième ligne se lit avec la troisième. « À l’écran » inclut le texte encore marqué comme provisoire, et la troisième ligne dit quand cette marque disparaît. Le calcul en est la petite part : une étape de reconnaissance et une traduction prennent ensemble moins de 0,1 s en moyenne sur ce processeur. L’essentiel de la demi-seconde tient à ce que le moteur de reconnaissance doit entendre ce qui suit un mot avant de pouvoir l’écrire.

Les chiffres d’erreur et de traduction valent pour le texte tel qu’il reste à la fin, après une éventuelle révision. En français, une révision arrive en moyenne 888 ms après la fin de la voix (95e centile : 1 571 ms) et, jusque-là, environ un mot français sur cinq est erroné. Sur 115 enregistrements en arabe sur lesquels aucun réglage n’a été choisi, le texte tel qu’il reste à la fin sur le serveur compte 6,9 % de mots erronés. La dernière ligne ne compte que les remplacements faits au moment où une phrase est déclarée finale. Tant qu’une phrase est encore ouverte, de 16 à 20 % des mots de traduction stabilisés changent, et la page signale chaque changement.

Sept autres directions n’ont été mesurées que sur des enregistrements de développement, ceux sur lesquels nos réglages ont été ajustés, de 19 à 60 par direction. Dans ces exécutions, un mot est à l’écran après 539 à 612 ms. Avec un aller-retour réseau simulé de 60 ms, le chiffre de l’anglais vers le français était de 669 ms en passant par le serveur (42 enregistrements de développement).

Le mode sur l’appareil est plus lent sur la même machine : avec les versions pour navigateur des moteurs tenant lieu d’appareil et le même réseau simulé, de 644 à 840 ms sur l’ensemble des 20 directions (de 17 à 20 enregistrements de développement pour chacune). Pour l’anglais, l’exactitude s’est maintenue dans un navigateur. Lors d’un essai de validation sur un seul PC et un seul navigateur, le moteur de reconnaissance de l’anglais a fait 11,64 % d’erreurs sur les mots dans un onglet, contre 11,48 % en exécution native, sur 60 enregistrements jamais utilisés pour les réglages (46 des 60 transcriptions étaient identiques), et le modèle de traduction, à qui l’on a donné les mêmes 60 phrases, a rendu les mêmes traductions que le serveur. Pour l’arabe, il en va autrement : sur ce substitut d’appareil (de 17 à 20 enregistrements de développement par direction), la reconnaissance fait de 11,6 à 13,1 % d’erreurs sur les mots, contre 5,9 à 7,2 % sur le serveur, jusqu’à ce que le visiteur active une option qui télécharge 174 Mo de plus.

Nous n’avons mesuré ni la parole spontanée, ni le bruit, ni les accents prononcés, ni deux personnes qui parlent en même temps, ni les téléphones, ni les réseaux réels, ni la vitesse du conteneur hébergé. Le russe, l’arabe et le chinois n’ont pas de chiffres de retard sur des enregistrements de test. Aucune personne n’a évalué les traductions.

Ce que l’industrie livre, et à quel prix

De grands fournisseurs livrent aujourd’hui de la traduction de la parole en direct, chacun dans plus de langues que nos cinq. Google Meet traduit la parole entre n’importe quelle combinaison de 63 langues dans les forfaits admissibles, et sa page d’aide indique que les traductions « auront quelques secondes de retard ». La fonction Live Translation d’Apple (traduction en direct), avec les AirPods, fait tout le traitement sur l’iPhone, exige un iPhone 15 Pro ou plus récent, et n’a ni le russe ni l’arabe dans sa liste. La fonction Interpreter de Microsoft, dans Teams, envoie l’audio de la réunion dans le nuage. Ni la page d’Apple ni celle de Microsoft ne donnent de retard en secondes.

La recherche publie davantage. L’évaluation d’IWSLT prévoit un régime à faible latence, de 0 à 2 secondes, et un régime à latence élevée, de 2 à 4, selon une métrique qui laisse de côté le temps de calcul, et attend des systèmes soumis qu’ils tournent sur un seul processeur graphique NVIDIA H100 de 80 Go. Son bilan de 2026 situe le calcul à environ 0,3 seconde de plus là où il a pu être mesuré. Rien de tout cela n’est comparable terme à terme. Ces systèmes sont testés sur d’autres données et avec d’autres métriques. Nous n’en tirons aucun classement. Tout ce que nous affirmons, c’est qu’un retard de cet ordre n’a pas exigé de processeur graphique.

Le 17 novembre 2026, Azure, de Microsoft, affichait la traduction de la parole en temps réel à 2,50 $ US par heure d’audio. C’est un prix facturé à un client, et nous n’en avons aucun à mettre en regard. Ce que nous avons, c’est un coût d’hébergement. D’après notre propre simulation, et non d’après le trafic, le forfait à 5 $ US absorbe environ 470 heures de sessions par mois sur les appareils des visiteurs et 10,3 heures sur le serveur. Personne n’était encore venu quand ces chiffres ont été calculés, et nous n’avons vu aucune facture. Le chiffre des appareils est élevé parce que le calcul se fait sur le processeur du visiteur : une session sur l’appareil ne coûte à l’hébergeur que quelques courts messages par seconde pendant que quelqu’un parle, et aucun pendant les silences.

Comment un client l’intégrerait, et où il a tourné

Aujourd’hui, la démo est fermée à dessein. La page ne peut pas être intégrée dans un autre site, et les appels provenant d’autres sites sont refusés. Sur demande, nous pouvons proposer à un client la connexion sous-jacente. Il s’agit d’une seule connexion en flux continu, au vocabulaire restreint : des trames audio montent, et des événements descendent (prêt, texte en direct, texte final, texte révisé). L’affichage d’un client doit faire de ces événements ce qu’en fait notre page : montrer le texte en direct comme un texte qui peut encore changer, puis le texte final, puis une révision s’il en arrive une. Le côté serveur tourne sous la forme d’un seul processus ou d’une image de conteneur, sur un processeur et rien d’autre. Le mode sur l’appareil est là pour les clients qui veulent que l’audio ne quitte jamais la machine de l’utilisateur. Les liens d’invitation portent leurs propres minutes, hors des quotas publics.

Le reste serait construit avec le client, et nous le présentons comme du travail à faire parce que rien de cela n’existe : des clés et un comptage par client, l’autorisation d’intégrer la page, des connecteurs vers les systèmes de réunion, de téléphonie ou d’événements du client, d’autres langues, et une sortie autre que du texte sur une page.

Le 11 novembre 2026, nous avons pris les premières mesures, le produit entier tournant comme un seul processus sur un PC de bureau. Le lendemain, les mêmes moteurs ont fait leurs preuves dans un onglet de navigateur, et la version en périphérie a tourné en local. Au 13 novembre, les 20 directions tournaient toutes avec les versions pour navigateur des moteurs sur ce PC, dont six dans un véritable onglet de navigateur. Le lancement public a suivi le 15 novembre, sur une plateforme en périphérie de réseau et un conteneur, avec les cinq langues sur le serveur le soir même. Entre le 11 et le 15 novembre, le produit a donc tourné comme un seul processus sur un PC, dans un onglet de navigateur, dans un environnement d’exécution en périphérie et dans un conteneur Linux. Un nouveau serveur doit offrir un processeur et de la place pour un processus ou un conteneur. Nous n’avons aucune exécution consignée chez un autre fournisseur infonuagique, ni aucun chiffre sur téléphone. Les modifications sont vérifiées par rapport à sept traces de référence (5 496 événements) qui doivent ressortir identiques à l’octet près, auxquelles s’ajoutent plus de 270 tests automatisés.

Ce que la démo ne peut pas encore faire

Translator est une démo MVP. Environ un mot reconnu sur sept est erroné sur des phrases lues, et nous n’avons de chiffres ni pour la parole spontanée, le bruit, les accents ou les téléphones, ni pour le retard sur un réseau réel. Il a été testé avec un seul locuteur et un seul microphone, et les voix qui se chevauchent ne sont pas prises en charge. Il y a cinq langues, des quotas et pas de prix. Le mode sur l’appareil commence par un téléchargement de 213 à 451 Mo, et un navigateur de tablette plus ancien se rabat sur le serveur. L’interface existe dans les cinq langues, dans des traductions que des locuteurs natifs n’ont pas encore lues. Les chiffres de capacité proviennent d’une simulation.

La démo se trouve à l’adresse translate.albadr.ai. Dites une phrase, puis ouvrez le panneau des réglages et lisez le retard que la page a mesuré pour vous. Si vous avez une salle où une personne parle et où d’autres doivent suivre, ou un système auquel cela devrait se raccorder, écrivez à contact@albadr.ai.