Accents et biais dans la biométrie vocale : comment les aborder

Figure 1 : cartographier la diversité mondiale de la voix

Le « fossé des accents »

Historiquement, la reconnaissance vocale fonctionnait très bien pour les accents « General American » ou « Received Pronunciation » (britannique).
Elle échouait lamentablement pour les locuteurs non natifs, les dialectes régionaux ou l’AAVE.

Pourquoi ? L’apprentissage supervisé reposait sur des jeux de données étiquetés (le plus souvent lus par des acteurs rémunérés en studio).

Voici l’apprentissage auto-supervisé (SSL)

Les modèles modernes (comme Wav2Vec 2.0 et HuBERT) n’ont pas besoin d’étiquettes.
Ils s’entraînent sur plus de 100,000 heures d’audio aléatoire d’internet (YouTube, podcasts, radio) dans plus de 100 langues.

Apprendre la physique, pas la prononciation

Les anciens modèles apprenaient « comment vous prononcez ‘Hello’ ».
Les nouveaux modèles apprennent « comment votre conduit vocal résonne ».

• La prononciation s’apprend (elle varie selon la culture et l’accent).
• La physique du conduit vocal est biologique (elle vous est propre).

En nous concentrant sur la physique (timbre, hauteur, résonance), nous rendons l’authentification indépendante de la langue.

Évaluer l’équité

Nous testons les modèles IdentityCall ’26 sur le jeu de données « FairVoice ».

Groupe d’accent	Taux de faux rejet (ancien)	Taux de faux rejet (nouveau)
Natif des États-Unis	1.2%	0.8%
Accent espagnol	4.5%	0.9%
Accent asiatique	5.1%	1.0%

Le fossé s’est comblé. La sécurité ne devrait pas discriminer.

Inclusif par conception

Nous ne nous contentons pas de « rustiner » le biais. Nous construisons des architectures qui ignorent la couche culturelle de la parole et vérifient la couche humaine.