L'agent vocal que nous étions sur le point de déployer n'arrêtait pas d'interrompre les appelants, poussant le taux de troncature à 18 % et nous obligeant à réécrire la logique de fin de tour de parole seulement dix jours avant le lancement. En ajoutant des vérifications grammaticales et la détection de rétroaction (back-channel) à la règle de délai d'expiration du silence, nous avons réduit les interruptions à 3 % et éliminé les longs silences morts qui rendaient le système peu réactif.
Pourquoi un simple délai d'expiration du silence ne suffisait pas
Notre conception initiale traitait toute pause de 700 ms comme le signal que l'utilisateur avait fini de parler. Dans une démo contrôlée — un seul interlocuteur prononçant des phrases complètes dans une pièce calme — cette règle fonctionne parfaitement. Les véritables appelants, cependant, font des pauses pour réfléchir, décomposent les chiffres en groupes et ponctuent leurs propos de « euh » ou de « mm-hmm » pour montrer qu'ils écoutent. L'agent interprétait chacune de ces pauses comme la fin d'un tour de parole.
L'analyse de 312 appels de production a révélé deux problèmes. Premièrement, l'agent intervenait brutalement alors que l'interlocuteur formulait encore la phrase suivante, altérant 18 % des tours de parole. Deuxièmement, lorsque nous avons augmenté le délai à 1500 ms pour stopper les interruptions, le système est devenu lent et a commencé à stagner sur les lignes bruyantes. Le bruit de fond réinitialisait sans cesse le compteur de silence, de sorte que l'agent ne décidait jamais que l'utilisateur avait terminé.
Trois signaux remplacent un chiffre unique
Nous nous sommes éloignés d'un délai fixe pour construire une petite machine à états qui surveille trois signaux :
- Durée du silence – combien de temps l'utilisateur est resté silencieux.
- Grammaire – la transcription se termine-t-elle par une unité syntaxique complète ou par un mot suspendu tel que « le » ou « et » ?
- Détection de rétroaction (back-channel) – le dernier son était-il un véritable tour de parole (ex : une réponse parlée) ou un court signe d'acquiescement comme « ouais » ?
Grâce à ces signaux, nous avons défini deux budgets de silence :
- Transcription terminée – lorsque le texte analysé semble fini, nous appliquons un court délai d'expiration de 550 ms. L'agent reste réactif et répond rapidement.
- Transcription suspendue – lorsque le dernier jeton suggère que l'utilisateur est au milieu d'une phrase, nous prolongeons le délai à 1300 ms, laissant ainsi de l'espace à l'interlocuteur pour continuer.
Deux garde-fous supplémentaires empêchent les fausses interruptions :
- Durée minimale de parole – un bref « mm-hmm » ne compte pas comme un tour de parole complet ; l'agent attend donc une énonciation plus longue avant de décider.
- Limite stricte (hard cap) – quel que soit le bruit de fond, une limite de silence maximale force l'agent à répondre après une période raisonnable, évitant ainsi les blocages interminables.
Résultats et implications pour l'IA vocale
Après le déploiement du système à trois signaux, le taux de troncature est passé de 18 % à 3 %. Les appelants n'entendaient plus l'agent leur couper la parole, et le problème de « silence mort » précédent a disparu. L'agent semble à la fois réactif et poli, correspondant à la manière dont les humains gèrent les tours de parole.
Pour les développeurs qui construisent des assistants vocaux, la leçon est claire : une simple constante dans un fichier de configuration ne peut pas capturer les nuances de l'interaction parlée. Une machine à états légère qui évalue la durée du silence, la complétude grammaticale et les signaux de rétroaction peut améliorer considérablement la précision de la gestion des tours de parole sans ajouter une charge de calcul importante.
Inconvénients potentiels et questions en suspens
L'ajout de l'analyse grammaticale et de la classification de la rétroaction ajoute des étapes de traitement. Les équipes doivent vérifier que la latence supplémentaire n'efface pas les gains en fluidité conversationnelle. L'approche repose également sur une transcription relativement précise ; dans des environnements bruyants ou avec des accents, les indices grammaticaux peuvent faire défaut, forçant le système à revenir à des délais d'expiration plus longs.
Les travaux futurs pourraient explorer des seuils de délai d'expiration adaptatifs qui apprennent des habitudes de chaque appelant, ou intégrer des caractéristiques prosodiques (hauteur, énergie) pour renforcer le détecteur de rétroaction. Surveiller comment ces affinements affectent les indicateurs clés — satisfaction client, temps de complétion de l'appel et taux d'erreur — sera essentiel avant de déployer cette technique à plus grande échelle dans des centres de contact.
À retenir : Traiter la fin d'un tour de parole comme une décision basée sur plusieurs signaux, et non sur un simple minuteur de silence, réduit les erreurs d'interruption d'un ordre de grandeur et rétablit le flux naturel que les utilisateurs attendent des agents vocaux.