La première fois que l'on utilise un outil d'IA pour prendre des notes lors d'une réunion en cantonais, la réaction est presque toujours la même : le résultat a l'air correct, mais quelque chose cloche. Aucune faute manifeste dans le texte et pourtant, comparé au souvenir que l'on garde de la conversation, il manque quelque chose.
Un mot de contexte : le cantonais est parlé par environ 85 millions de personnes et, si les exemples de cet article viennent de Hong Kong, le problème de fond — mêler deux langues au sein d'une même phrase — se retrouve dans quantité d'autres couples de langues.
Cet écart ne vient généralement pas de là où chacun l'imagine, à savoir le taux de reconnaissance. En cantonais pur, avec un seul locuteur et un environnement calme, les outils actuels sont déjà tout à fait exploitables. Le problème se situe ailleurs, sur deux points qui correspondent précisément aux deux formes les plus courantes de la conversation quotidienne à Hong Kong.
Premièrement : dès qu'une phrase mêle chinois et anglais, la qualité de la reconnaissance chute nettement. Deuxièmement : même lorsque le système entend correctement, le texte restitué a souvent été réécrit en chinois écrit standard et ne correspond plus à la phrase que vous avez prononcée.
Ces deux phénomènes ont des causes distinctes et des conséquences distinctes. Il vaut la peine de les traiter séparément.
L'essentiel en 30 secondes
- Mélanger chinois et anglais a un coût, et ce coût se mesure → La littérature de recherche publique fait état de taux d'erreur de caractères compris entre 20 % et 26 % sur des contenus en alternance codique cantonais-anglais, contre 6 %–8 % pour ces mêmes systèmes sur des contenus monolingues. Un écart de trois à quatre fois.
- « Bien entendre » et « bien écrire » sont deux choses différentes → Vous dites 「幾時搞掂」 (« c'est bouclé pour quand ? », en cantonais familier) et le compte rendu consigne l'équivalent formel en chinois écrit : le sens est préservé, la phrase d'origine a disparu.
- Dans la plupart des cas cela n'a aucune importance ; dans quelques-uns c'est critique → Le résumé d'une discussion informelle n'en souffre pas ; une consultation médicale, un dossier social, un procès-verbal de médiation ou un entretien de recherche, si.
- En 2025, les données en cantonais ont changé d'ordre de grandeur → De corpus publics de quelques dizaines d'heures aux 21 800 heures de WenetSpeech-Yue, l'alternance codique restant toutefois le volet non résolu.
- Avant de choisir un outil, déterminez si vous voulez « le sens » ou « les mots exacts » → Les deux exigent des réglages différents ; une liste de contrôle figure en fin d'article.
Distinguons d'abord deux choses : reconnaissance et restitution
Lorsqu'on parle de la qualité des transcriptions en cantonais, il est facile de confondre deux étapes indépendantes.
La reconnaissance (ASR) convertit le son en texte. Sa défaillance typique est la mauvaise écoute : ne pas saisir ce que vous avez dit, ou confondre un mot avec un autre de sonorité proche.
La restitution détermine la forme finale que prend ce texte. Sa défaillance typique est la réécriture : comprendre parfaitement, mais lisser le registre oral jusqu'à le transformer en langue écrite.
Ce que la plupart des utilisateurs dénoncent comme « l'imprécision des transcriptions en cantonais » relève en réalité de ces deux couches, qui appellent des traitements totalement différents. La première tient aux capacités du modèle et aux données d'entraînement ; la seconde relève le plus souvent d'un choix de conception — et souvent d'un choix délibéré.
Rupture n° 1 : le mélange cantonais-anglais
Pourquoi c'est particulièrement difficile
「我想去 Causeway Bay 開個 meeting，順便 check 一下 schedule。」
Dans cette phrase, Causeway Bay, meeting, check et schedule sont de l'anglais ; tout le reste est du cantonais. Sens : « Je veux aller à Causeway Bay pour une réunion et en profiter pour vérifier le planning. » À Hong Kong, cela n'a rien de remarquable, mais pour un système de reconnaissance cela exige des capacités tout autres que pour une phrase en cantonais pur. Le système doit basculer en temps réel, au sein d'une même phrase et parfois sans même une reprise de souffle, entre deux systèmes phonologiques et deux lexiques totalement distincts, sans le moindre signal annonçant le point de bascule.
Plus délicat encore : lorsqu'un Hongkongais prononce un mot anglais, la prononciation est déjà « cantonisée » — structure syllabique et contour tonal ont été localisés. Ces réalisations ne correspondent pas tout à fait à ce qu'attend le modèle anglais et ne figurent pas davantage dans le lexique du modèle cantonais. Ni l'un ni l'autre ne les reconnaît comme siennes.
L'écart en chiffres
La littérature de recherche publique dresse un tableau assez cohérent : le taux d'erreur de caractères sur des contenus en alternance codique cantonais-anglais se situe approximativement entre 20 % et 26 %, contre 6 % à 8 % pour ces mêmes systèmes sur des contenus monolingues. Sur les jeux d'évaluation dédiés à la parole mixte cantonais-anglais, les systèmes fondés sur Whisper affichent un taux d'erreur mixte d'environ 22 %.
Traduit en ressenti : sur du cantonais pur, environ un caractère sur une dizaine est erroné ; sur du contenu mixte, un sur quatre ou cinq. À ce second niveau, une transcription doit déjà être vérifiée phrase par phrase avant d'être utilisable.
Ce type d'erreur a une forme très particulière
Il faut noter que les erreurs d'alternance codique ne « se voient » pas comme les erreurs de reconnaissance ordinaires. Le système laisse rarement un blanc ou produit des caractères incohérents : il a tendance à deviner un mot chinois de sonorité proche et grammaticalement plausible, puis à l'insérer.
Résultat : une phrase parfaitement fluide en surface, dont le sens a pourtant dévié. C'est bien plus dangereux qu'une coquille manifeste — devant une coquille manifeste, on s'arrête pour vérifier ; devant une phrase fluide mais fausse, on poursuit sa lecture.
Rupture n° 2 : cantonais parlé contre chinois écrit
Deux versions d'une même phrase
| Ce qui a été dit (cantonais familier) | Sortie habituelle (chinois écrit standard) | Sens en français |
|---|---|---|
| 佢哋幾時先搞得掂？ | 他們什麼時候才能完成？ | Quand est-ce qu'ils vont enfin finir ? |
| 呢單嘢我唔係好清楚 | 這件事我不太清楚 | Cette affaire, je ne la connais pas bien |
| 咁我哋而家點算？ | 那我們現在怎麼辦？ | Et maintenant, on fait quoi ? |
| 頭先個 client 講嘅嗰樣 | 剛才那位客戶說的那件事 | Ce que le client a dit tout à l'heure |
Aucune phrase de la colonne centrale n'est « fausse ». Le sens est exact, la lecture même plus fluide. Le problème, c'est que personne ne parle ainsi.
Pourquoi les systèmes procèdent ainsi
Ce n'est généralement pas un bug. Les données d'entraînement du chinois écrit sont massivement du chinois écrit standard ; le cantonais écrit en registre oral (嘅, 咗, 喺, 哋) ne représente qu'une part infime du corpus global. Faute d'instruction explicite, le modèle tend naturellement à produire la variété de chinois qu'il connaît le mieux.
Et dans la majorité des cas, ce comportement par défaut est le bon. Pour résumer une réunion, rédiger des tâches à faire ou transmettre un document à un collègue non cantonophone, la version en langue écrite est nettement plus adaptée.
Mais certaines situations exigent l'inverse
Le problème, c'est qu'il existe toute une catégorie de situations où ce sont précisément les mots d'origine qui comptent.
- Consultations médicales : les termes par lesquels un patient décrit ses symptômes constituent en eux-mêmes une information clinique. Lorsque 「頂住頂住」 (une pression sourde et continue), 「唧住痛」 (une douleur comme si quelque chose comprimait) ou 「作嘔作悶」 (nausée accompagnée de malaise) sont réécrits en vocabulaire standard, cette texture concrète disparaît.
- Dossiers de travail social : les mots exacts de l'usager pèsent sur l'évaluation du dossier ; les réécrire revient à ajouter une couche d'interprétation dès la phase de consignation.
- Médiation et règlement des différends : qui a dit quoi, et sur quel ton, constitue justement l'objet du litige.
- Entretiens de recherche et histoire orale : la valeur d'une transcription verbatim tient à ce qu'elle soit verbatim.
- Enseignement des langues et travail sur corpus : la forme orale est elle-même l'objet d'étude.
Ces cas ont un point commun : le compte rendu ne sert pas seulement à se rappeler ce qui a été dit, il peut être cité, réexaminé ou invoqué comme fondement par la suite. Un compte rendu discrètement lissé devient risqué dans cet usage, précisément parce qu'il paraît parfaitement normal : rien n'indique ce qui a été modifié.
Un préalable souvent négligé : la situation des données en cantonais
Pour comprendre pourquoi les performances des outils en cantonais sont si inégales, il est utile de regarder le volume de données disponibles.
| Corpus | Taille | Année |
|---|---|---|
| WenetSpeech-Yue | 21 800 heures, 10 domaines, ouvert | 2025 |
| Common Voice cantonais (yue) | 210,91 heures (validées), 1 174 locuteurs | Mise à jour continue |
| MDCC | 73,6 heures | 2022 |
| CantoMap | 12,8 heures, 40 locuteurs | 2020 |
| HKCanCor | Environ 230 000 mots (enregistrés en 1997–98) | 2015 |
| Words.hk | 56 373 entrées lexicales | Mise à jour continue |
L'arrivée de WenetSpeech-Yue en 2025 a marqué un changement d'ordre de grandeur : jusque-là, les données publiques de parole en cantonais stagnaient depuis longtemps entre quelques dizaines et quelques centaines d'heures, quand les langues majoritaires se comptent en dizaines de milliers. Cela explique le retard généralisé des outils en cantonais jusqu'à présent.
Mais attention : cette hausse du volume améliore surtout la reconnaissance du cantonais monolingue. L'alternance codique suppose des corpus mixtes, plus difficiles à annoter et encore peu fournis. La rupture n° 1 progressera donc nettement plus lentement que la reconnaissance du cantonais pur.
Une autre dimension du contexte hongkongais
Mentionnons au passage une série de chiffres connexes. D'après le recensement de 2021, Hong Kong compte environ 619 568 résidents non chinois, soit 8,4 % de la population. Quant à la capacité à parler cantonais : 17,6 % pour la communauté philippine, 25,0 % pour la communauté indienne et 34,7 % pour l'ensemble des populations d'Asie du Sud ; en revanche, la maîtrise de l'anglais dépasse généralement 84 %.
Autrement dit, la réalité linguistique quotidienne de Hong Kong n'est pas un décor « cantonais » unique, mais un espace où cantonais, anglais et plusieurs autres langues coexistent simultanément. Un outil qui se contente de bien reconnaître le cantonais sans traduire en temps réel ne résout que la moitié du problème.
Comment Traverba traite ces deux ruptures
- Priorité au mélange cantonais-anglais — Une reconnaissance ajustée aux phrases mixtes à la hongkongaise, plutôt qu'un traitement du cantonais et de l'anglais comme deux modes entre lesquels il faudrait choisir.
- Préservation du registre oral — La transcription restitue la forme réellement prononcée ; résumés et traductions sont générés à part. Les mots d'origine et la version mise au propre coexistent, au lieu que la seconde écrase les premiers.
- Transcription et traduction en temps réel intégrées — Une même conversation, un locuteur, plus de 100 langues : le public scanne un QR code et lit les sous-titres dans sa propre langue, sans télécharger d'application.
- Traitement local par défaut — La reconnaissance vocale s'exécute par défaut sur l'appareil, l'IA dans le cloud restant optionnelle ; pour un contenu sensible, rien n'a besoin de sortir de l'appareil.
- Transcription verbatim complète exportable — À l'issue de la session, vous pouvez exporter la transcription verbatim et la version traduite, et les conserver séparément.
Soyons clairs : si votre usage se limite aux résumés de réunions d'affaires courantes, aux points d'avancement internes ou aux listes de tâches, la plupart des outils de prise de notes par IA du marché font déjà très bien l'affaire, et une sortie en langue écrite est même plus pratique — inutile de changer d'outil pour cela. Les différences évoquées ci-dessus ne comptent vraiment que dans les situations où les mots d'origine constituent eux-mêmes la donnée.
Comment trancher ? Une courte liste de contrôle
Posez-vous trois questions :
1. Ce compte rendu sera-t-il cité ou réexaminé par la suite ? Si oui (dossiers sociaux, dossiers cliniques, médiation, entretiens), il vous faut une transcription verbatim et la certitude que l'outil ne réécrit pas en coulisses. Si non, un résumé en langue écrite sera plus utile.
2. Quelle est la densité du mélange chinois-anglais dans la conversation ? Un ou deux mots anglais isolés, la plupart des outils s'en sortent. S'il s'agit de cette conversation hongkongaise typique qui change de langue deux ou trois fois dans une même phrase, testez d'abord sur un enregistrement réel ; ne vous fiez pas à la liste officielle des langues prises en charge.
3. Le contenu est-il sensible ? Pour des enregistrements touchant à des dossiers médicaux, sociaux ou juridiques, vérifiez d'abord le parcours des données : traitement local ou dans le cloud, durée de conservation, utilisation ou non à des fins d'entraînement.
Un dernier conseil : quel que soit l'outil retenu, testez-le sur une de vos vraies conversations, et non sur un texte lu à voix haute. Le cantonais lu ne comporte ni alternance codique, ni particules de l'oral, ni chevauchements de parole : il ne révèle aucun des problèmes évoqués ci-dessus.
En savoir plus
En matière de transcription du cantonais, aucun outil ne convient à toutes les situations. L'essentiel est de déterminer d'abord si vous voulez « le sens » ou « les mots exacts » : cette décision conditionne directement votre choix et vos réglages.
Pour découvrir comment Traverba traite le mélange cantonais-anglais et la préservation du registre oral, rendez-vous sur traverba.com, ou téléchargez l'application sur Google Play et l'App Store.
Les taux d'erreur cités dans cet article proviennent de la littérature de recherche publique sur la reconnaissance de la parole en cantonais ; les tailles de corpus, des informations officielles publiées par chaque corpus ; les données de population et de compétence linguistique, du recensement 2021 du gouvernement de Hong Kong. Toutes ces données sont arrêtées à la mi-2026 ; les capacités des modèles et des outils évoluent en permanence, et les performances réelles dépendent de la qualité de l'enregistrement, de l'accent, du bruit ambiant et de la version précise utilisée. Toutes les marques et marques déposées appartiennent à leurs propriétaires respectifs.