En téléphonie, LINEAR16 à 8,000 Hz correspond à l'audio PSTN standard. MULAW (G.711) est également pris en charge, ce qui compte pour les trunks SIP qui ne transcodent pas.
Limites des sessions en streaming
C'est là que les développeurs rencontrent la première friction : les sessions de streaming sont plafonnées à 305 secondes. Pour les appels de plus de ~5 minutes, vous devez vous reconnecter et recoller les transcriptions vous-même. La documentation de Google reconnaît elle-même cette limite et suggère de gérer les reconnexions au niveau applicatif.
Ce n'est pas une mince affaire pour un système en production. Vous devenez responsable de :
- Détecter l'approche de l'expiration et lancer la reconnexion avant que la session ne tombe
- Mettre l'audio en mémoire tampon pendant le trou de transition
- Recoller les résultats intermédiaires entre deux sessions sans perdre de mots à la jointure
Là où Google Cloud Speech Recognition excelle
Audio de studio ou de champ proche de haute qualité
Les modèles acoustiques de Google ont été entraînés sur des volumes considérables d'audio issu du web : vidéos YouTube, voix de diffusion, requêtes de recherche vocale. Sur un audio propre, capté au micro de proximité et avec peu de bruit de fond, la précision est excellente.
Transcription par lots à grande échelle
Si vous transcrivez des milliers d'appels enregistrés pour la qualité ou la conformité, l'API batch est précise et économique. Associez-la au modèle amélioré phone_call et vous obtenez de bons résultats sur de l'audio de qualité téléphonique.
Besoins multilingues
125+ langues avec une seule API, c'est difficile à battre. Si vous construisez un produit mondial dont la liste de langues varie selon les régions, se consolider sur un seul fournisseur simplifie votre stack.
Intégration à l'écosystème GCP
Si votre infrastructure vit déjà sur GCP — Pub/Sub pour le routage audio, Dataflow pour les pipelines de traitement, BigQuery pour l'analytique —, la Speech API s'intègre proprement. Les rôles IAM, VPC Service Controls et Cloud Audit Logs s'appliquent nativement.
Là où Google Cloud Speech Recognition peine pour les centres de contact
1. La détection de fin de prise de parole n'est pas optimisée pour la conversation
Le principal point de douleur de l'IA vocale en production, c'est de savoir quand l'appelant a fini de parler. Répondez trop tôt et vous coupez la parole ; attendez trop et le silence devient gênant.
Le VAD (détection d'activité vocale) de Google est calibré pour la parole générique, pas pour la téléphonie conversationnelle. Les équipes de centres de contact rapportent régulièrement devoir régler le mode singleUtterance et ajouter par-dessus leur propre logique de détection de silence. Y arriver demande un temps d'ingénierie considérable — et le résultat n'égalera toujours pas des modèles conversationnels conçus pour cela.
2. La limite de 305 secondes en streaming crée de la complexité opérationnelle
Comme décrit plus haut, vous devez gérer vous-même les reconnexions de session. Pour un centre de contact traitant des milliers d'appels simultanés avec des durées moyennes de traitement de 4–8 minutes, c'est un enjeu de fiabilité loin d'être anodin. Chaque reconnexion est un trou potentiel dans la transcription et un pic de latence.
3. Aucun état de conversation ni intention intégrés
Google Cloud Speech-to-Text vous donne des mots. Il ne vous donne ni sens, ni intention, ni entités, ni état de conversation. Vous devez superposer une couche NLU — typiquement Dialogflow CX ou un modèle distinct —, ce qui ajoute de la latence, du coût et de la surface d'intégration.
Pour remplacer un SVI simple, cette pile peut suffire. Pour un agent vocal IA qui doit gérer des conversations client nuancées, prendre des rendez-vous ou transférer vers la bonne file avec le contexte, vous assemblez beaucoup de tuyaux qui n'arrivent pas raccordés.
4. La latence en streaming est compétitive, mais pas au premier rang
La latence de streaming de Google se situe généralement dans une plage de 300–800ms pour les résultats finaux, selon la durée de l'audio et le modèle. C'est acceptable pour des usages de transcription seule. Pour un agent vocal temps réel où l'IA doit répondre en ~1 seconde après la fin de la phrase de l'appelant, chaque milliseconde compte. Les services STT spécialisés dans la sortie temps réel à faible latence ont réduit cet écart.
5. Le vocabulaire personnalisé exige une adaptation payante
Les termes métier — noms de produits, jargon interne, terminologie médicale, identifiants alphanumériques — nécessitent des indices de phrases ou un modèle personnalisé. Les indices de phrases sont gratuits mais d'effet limité. Les modèles personnalisés (via AutoML Speech) coûtent du calcul d'entraînement supplémentaire et exigent des données annotées. Pour un petit centre de contact, c'est souvent plus d'investissement que le problème de vocabulaire ne le justifie.
Google Cloud Speech Recognition vs AssemblyAI vs IA vocale spécialisée
AssemblyAI (classé #9 sur ce mot-clé) se présente comme une API STT pensée pour les développeurs, avec une bonne précision sur l'audio conversationnel, une analyse de sentiment intégrée et de la détection de sujets. C'est une meilleure expérience clé en main pour les équipes produit qui veulent des transcriptions plus des annotations sans construire elles-mêmes la couche NLU.
Mais Google Cloud Speech et AssemblyAI partagent la même limite fondamentale : ce sont des services de transcription, pas des agents vocaux.
| Capacité | Google Cloud STT | AssemblyAI | IA vocale spécialisée (p. ex. Finn) |
|---|---|---|---|
| Transcription | ✓ | ✓ | ✓ (intégrée) |
| Streaming temps réel | ✓ | ✓ | ✓ |
| Intention / NLU | ✗ | Partiel | ✓ |
| État de conversation | ✗ | ✗ | ✓ |
| Tour de parole / barge-in | ✗ | ✗ | ✓ |
| Intégration CRM / agenda | ✗ | ✗ | ✓ |
| Gère l'appel entier en autonomie | ✗ | ✗ | ✓ |
| Latence de réponse sous la seconde | Partiel | Partiel | ✓ |
Si votre objectif est de transcrire de l'audio, Google Cloud Speech Recognition est un choix raisonnable. Si votre objectif est de remplacer ou d'épauler les agents d'un centre de contact — traiter les appels entrants, qualifier des leads, prendre des rendez-vous, répondre aux questions fréquentes sans intervention humaine —, il vous faut une couche qui se situe entièrement au-dessus du STT.
Mettre en place Google Cloud Speech Recognition : démarrage rapide
Pour les développeurs qui évaluent l'API, voici la configuration minimale viable :
1. Activer l'API et créer les identifiants
Questions fréquentes
Quelle est la limite de session en streaming ?
Google Cloud Speech-to-Text plafonne la durée d'une session de reconnaissance en streaming : les appels longs doivent donc être découpés et recollés entre plusieurs sessions plutôt que maintenus ouverts.
Comment gère-t-il l'audio téléphonique ?
Il existe des modèles calibrés pour la bande téléphonique, et cela compte — un modèle entraîné sur de la parole large bande se dégrade nettement sur un appel à 8kHz.
Est-ce adapté aux agents vocaux temps réel ?
Pour la transcription, oui. La contrainte tient généralement à la gestion des sessions et à l'aller-retour vers la région, pas à la qualité de reconnaissance.
