Chez Komor-IA, on nous pose souvent la même question : "Vous avez déjà collecté les données pour KomoriTTS, donc pour KomoriASR ça va aller plus vite, non ?" En fait, non. Et c'est même tout l'inverse.
KomoriTTS, notre modèle de synthèse vocale, est déjà public : il transforme du texte écrit en shikomori en voix audible, et vous pouvez déjà l'écouter.
KomoriASR, lui, n'est pas encore publié : c'est notre prochain grand chantier. Son rôle est inverse : transformer une voix en texte écrit, autrement dit comprendre ce que dit quelqu'un qui parle shikomori et le retranscrire. Deux modèles, deux sens de circulation entre l'écrit et l'oral.
La collecte de données pour un modèle de synthèse vocale (texte → audio) et pour un modèle de reconnaissance vocale (audio → texte) ne suit pas la même logique. Ce ne sont pas deux étapes d'un même chantier. Ce sont deux chantiers aux fondations opposées.
KomoriTTS : apprendre une seule voix, parfaitement
KomoriTTS, notre modèle de synthèse vocale publié le 28 juillet dernier, doit faire une chose et la faire bien : reproduire une voix cohérente, du début à la fin d'une phrase comme d'un paragraphe entier.
Pour ça, il a besoin d'un point de repère stable. Si on lui donne dix locuteurs différents, dans dix conditions d'enregistrement différentes, on ne l'aide pas à apprendre une voix, on le perd. Un peu comme si on demandait à quelqu'un d'imiter dix personnes en même temps : le résultat ne ressemble à personne.
C'est pour ça que le corpus de KomoriTTS repose sur un enregistrement dédié, réalisé dans des conditions calmes et stables, par une locutrice unique. Pas de bruit de fond, pas de changement de micro, pas de deuxième voix qui vient brouiller l'apprentissage. Et la bonne nouvelle, c'est que grâce au transfert d'apprentissage, quelques heures d'enregistrement suffisent. On n'a pas besoin de milliers d'heures pour ce genre de modèle, on a besoin de propreté.
KomoriASR : comprendre tout le monde, même dans le bruit
KomoriASR n'existe pas encore en tant que modèle entraîné, on en est encore à l'étape de collecte des données, celle qui précédera l'entraînement. Mais sa logique, elle, est déjà claire, et elle doit apprendre exactement l'inverse de KomoriTTS. Il ne doit pas reproduire une voix : il doit comprendre n'importe laquelle. Homme, femme, jeune, âgé, avec ou sans accent marqué, avec ou sans bruit de fond, sur un bon micro ou sur le micro d'un téléphone bas de gamme dans une cour bruyante d'Anjouan ou de Mayotte.
Ici, la variété n'est plus un problème. C'est la solution. Plus les voix et les conditions sont diverses, plus le modèle devient robuste face au monde réel, parce que le monde réel, justement, n'a rien d'un studio d'enregistrement calme.
C'est pour cette raison que la collecte de KomoriASR s'appuie avant tout sur le crowdsourcing de notre communauté. Chaque personne qui contribue avec sa propre voix, dans ses propres conditions, que ce soit chez elle, dans la rue, avec ou sans bruit, enrichit le modèle au lieu de le perturber. Et contrairement à KomoriTTS, il faut ici beaucoup plus de matière : des dizaines, voire des centaines d'heures, pour couvrir la diversité réelle des voix comoriennes.
Deux logiques, un même objectif
| KomoriTTS (texte → audio) | KomoriASR (audio → texte) | |
|---|---|---|
| Nombre de voix | Une seule, cohérente | Le plus grand nombre possible |
| Conditions | Calmes et stables | Variées : c'est un atout |
| Méthode de collecte | Campagne dédiée, un ou deux locuteurs de référence | Crowdsourcing communautaire à grande échelle |
| Volume nécessaire | Quelques heures | Des dizaines à des centaines d'heures |
| État actuel | KomoriTTS V1 déjà publié | Collecte en cours |
Alors non, avoir collecté les données pour KomoriTTS ne nous a pas fait gagner de temps sur KomoriASR. Ça nous a surtout appris qu'on ne peut pas appliquer la même méthode à deux problèmes qui, en apparence, se ressemblent, mais qui, en réalité, tirent dans des directions opposées.
Ce qui reste commun, en revanche, c'est l'objectif de fond : donner au shikomori sa place dans les technologies vocales, avec des outils construits par et pour notre communauté. Et pour KomoriASR, cette place, c'est vous qui pouvez nous aider à la construire, une voix à la fois.