Ce que AudioLab ne fait pas

AudioLab mesure le signal d’un enregistrement. Cette page liste ce qu’il ne fait pas, pour que personne ne construise une règle de réussite ou d’échec sur un chiffre qui ne peut pas la porter. Chaque point dit quoi utiliser à la place.

Il ne lit pas les mots

Il n’y a ni transcription, ni détection de la langue, ni vérification que le texte a été dit tel qu’il est écrit. Utilisez un moteur de reconnaissance vocale pour les mots et placez les chiffres AudioLab à côté de son résultat.

Il ne prédit pas les erreurs de transcription

Nous l’avons testé le 10 octobre 2026 : 624 enregistrements de signalements de citoyens néerlandais inventés, lus par trois voix synthétiques dans 13 conditions, et 1 248 transcriptions par deux modèles Whisper. Les mesures du rapport signal sur bruit n’ont pas prédit si la rue, le numéro ou la ville revenaient faux : l’AUC était de 0,52 à 0,55, alors que 0,50 est un pile ou face. L’étiquette d’intelligibilité (sceneIntelligibility) a signalé 58 pour cent de tous les enregistrements comme peu clairs, et parmi les signalés, de 25 à 47 pour cent avaient une vraie erreur de lieu.

Ne refusez donc pas un fichier sur la base de l’un de ces chiffres, et ne dites pas qu’un meilleur rapport signal sur bruit signifie une meilleure transcription. Le test utilisait des voix synthétiques, Whisper seulement, une bande téléphonique simulée et du texte néerlandais ; les locuteurs réels, les autres moteurs de reconnaissance et les autres langues ne sont pas testés. Les chiffres et les limites sont sur Lire l’audio avant de transcrire.

Il ne dit pas si une voix sonne naturelle

Aucune des mesures de /lenses ne note le naturel, le côté humain ou le côté robotique d’une voix. Le débit de parole, le risque de sibilance, l’écrêtage, le niveau de bruit de fond et la bande passante décrivent le signal, et ils trouvent des défauts techniques. Savoir si une voix sonne juste demande des auditeurs.

Il ne distingue pas les voix

Il n’y a ni identification du locuteur, ni comptage des locuteurs, ni diarisation. Quelques mesures laissent entendre que quelque chose à la cadence de voix se trouve dans les pauses (sceneGapHarmonicShare, et sceneBackground qui se lit program). Elles disent que c’est là, pas à qui appartient la voix.

Il ne mesure ni la latence, ni les interruptions, ni les tours de parole

Il analyse un seul enregistrement. Le temps que l’agent a mis à répondre, s’il a été coupé et qui a parlé quand au cours d’un appel demandent des horodatages de votre propre système, pas d’un fichier audio. À l’intérieur d’un enregistrement, longSilences compte les pauses de plus de 1,5 seconde.

Ses indices de fond sont des suppositions

sceneBackground (quiet, stationary, program ou unsteady), les autres champs scene, activeKind et contentTypeGuess sont des proxys lus à partir des pauses et des trames. Le mot de fond n’a été testé que sur des scènes synthétiques, pas sur de vrais enregistrements. Sur la voix synthétique propre de Lire une réponse, sceneBackground dit « unsteady » et activeKind dit « music ». Utilisez-les pour savoir où regarder, pas pour décider.

Il ne fixe pas vos limites

Il n’existe pas de niveau de réussite standard pour l’audio conversationnel. Nos propres préréglages (diffusion, streaming) existent pour la livraison, et un agent vocal n’est pas de la livraison. Les plages de départ de Comparer les fournisseurs d’agents vocaux et de synthèse vocale montrent ce que nous avons mesuré, pas ce qui est bon. Fixez vos limites à partir de vos propres bons enregistrements.

Sur quoi il a été testé

• Parole lue. Le détecteur de parole derrière le taux de parole, les pauses et les champs de scène a été mesuré sur 40 enregistrements d’anglais lu (LibriSpeech) dans 17 conditions de bruit. Un second détecteur (K2), que le site web utilise, a été mesuré une fois de plus sur 40 autres locuteurs, avec les mêmes enregistrements de bruit. La conversation spontanée n’a pas été testée.
• Bruit connu à des niveaux connus. La marge du rapport signal sur bruit vient des mêmes 40 enregistrements auxquels un vrai bruit de fond a été ajouté à des rapports connus : un bruit stationnaire (cuisine, salon, couloir) à un vrai rapport de 10 à 30 dB, et du brouhaha à 20 dB. En dessous de 10 dB, il se lit trop haut. D’autres sortes de bruit, comme la circulation, n’ont pas été testées.
• Non testé. Les autres langues, l’audio en bande téléphonique, la musique ou la télévision derrière la voix, et les pièces réverbérantes, pour les mesures qui s’appuient sur le détecteur de parole.

Chaque mesure dit sur /lenses contre quoi elle a été testée et contre quoi elle ne l’a pas été. Un statut Validé signifie testé contre cela, dans ces conditions.

Quand vous avez besoin de l’un de ces points

Écrivez à support@audiolab.tools en disant ce que vous cherchez à décider. Si une mesure qui vous aiderait ne figure pas dans la liste, il est utile de le savoir, et nous dirons clairement s’il s’agit de quelque chose que nous ne pouvons pas faire.