Comment fonctionne un assistant vocal domestique : la vérité dérrière

La question qui revient le plus souvent quand j'explique ce que je fais à des amis, c'est celle-ci : « mais comment il sait que je parle, alors qu'il est éteint ? ». Bonne question. Et la réponse n'est pas rassurante : votre enceinte n'est jamais vraiment éteinte. Elle écoute en permanence. Ce qui la réveille, ce n'est pas un bouton, c'est un mot.

Comprendre comment fonctionne un assistant vocal domestique, ce n'est pas réciter un schéma en cinq étapes. C'est comprendre où passe votre voix, qui la traite, et ce qui reste après. J'ai démonté le fonctionnement pour de vrai sur mes propres appareils, micro ouvert et compteur réseau à l'appui, parce que je voulais savoir si tout partait chez Amazon ou si une partie du travail se faisait sur place.

Spoiler : la réponse est plus nuancée qu'on ne le dit, et c'est précisément là que les articles génériques passent à côté.

Le trajet réel de votre voix, étape par étape

Quand vous dites « Dis Google, quelle heure est-il ? », il se passe en réalité quatre choses distinctes, dans un ordre très précis. Et la première ne se déroule pas du tout là où vous l'imaginez.

Étape 1 : la détection du mot d'activation

Votre enceinte contient un petit processeur dédié, souvent une puce à faible consommation, qui tourne en boucle sur un seul travail : comparer le flux audio ambiant à un modèle acoustique du mot d'activation (« Ok Google », « Alexa », « Bixby », selon la marque).

Ce modèle est minuscule. Il ne transcrit rien, ne comprend rien, ne stocke rien. Il se contente de calculer une probabilité. Dès qu'elle dépasse un seuil, la puce réveille le reste du système.

Le problème ? Ce seuil se règle sur une balance délicate. Trop bas, l'appareil se déclenche quand vous dites « un truc là » à la télévision. Trop haut, il ignore votre voix quand vous êtes à l'autre bout de la pièce. J'ai passé une soirée entière, une fois, à regarder mon enceinte s'allumer toute seule pendant un documentaire — la personne à l'écran prononçait un mot proche du mot d'activation, et le modèle a mordu.

C'est cette architecture qui explique la phrase qu'on entend partout : « il écoute en permanence ». Techniquement vrai. Mais « écouter » ici veut dire « faire tourner un filtre de quelques kilo-octets », pas « transmettre votre conversation à un serveur ».

Étape 2 : l'envoi au cloud (et le buffer d'une seconde)

Une fois le mot d'activation détecté, l'appareil ouvre un micro-tampon. Il conserve en mémoire les une à deux secondes qui précèdent le déclenchement, et c'est ce petit bout d'audio qui part avec votre requête. Sans ce système, vous perdriez le début de votre phrase.

Et là, franchement, je comprends que ça inquiète. Parce que si l'appareil s'est déclenché par erreur, ce buffer contient quand même un fragment de votre conversation. C'est exactement ce qui alimente ces histoires d'enregistrements involontaires qu'on lit régulièrement : personne n'espionne, mais le mécanisme capture par nature ce qui précède.

Ce paquet audio part ensuite, chiffré, vers l'infrastructure du fournisseur. Amazon, Google, Apple et Samsung exploitent chacune la leur. C'est à ce moment-là, et seulement à ce moment-là, que votre voix quitte votre maison.

Étape 3 : ASR, NLU, moteur, TTS

Le serveur enchaîne quatre briques. Vous n'avez pas besoin de retenir les sigles, mais savoir qui fait quoi aide à comprendre pourquoi une requête échoue parfois.

• ASR (reconnaissance automatique de la parole) : transforme l'audio en texte. C'est là que votre accent, le bruit ambiant et le débit font la différence.
• NLU (compréhension du langage) : extrait l'intention et les paramètres. « Mets un rappel pour demain 8 h » devient une intention créer_rappel avec deux variables.
• Le moteur de réponse : interroge le service concerné (météo, agenda, moteur de recherche, objet connecté).
• TTS (synthèse vocale) : régénère la réponse en voix, puis la renvoie à l'appareil.

Tout cela se joue en général en moins d'une seconde, ce qui est la vraie prouesse du système. Pas la reconnaissance vocale en elle-même — ça existe depuis longtemps — mais l'enchaînement à cette vitesse, sur des serveurs mutualisés qui traitent des millions de requêtes simultanées.

Étape 4 : le retour, et ce qui reste

La réponse audio redescend, l'enceinte la joue. Si votre requête pilotait un objet connecté (lumière, thermostat, prise), l'ordre est passé au passage. Rien de magique là-dedans : c'est une API qui reçoit un appel, comme n'importe quel autre service web.

Ce qui reste ensuite, en revanche, mérite qu'on s'y arrête. La plupart des fournisseurs conservent l'enregistrement et sa transcription, au minimum pour diagnostiquer les erreurs, souvent plus longtemps pour améliorer leurs modèles. Vous pouvez demander la suppression depuis l'application associée. Mais une suppression n'annule pas l'entraînement déjà effectué sur cet extrait.

Qui fait quoi : les acteurs et leurs différences

Vous avez peut-être remarqué que le même « assistant vocal » donne des résultats très inégaux selon l'appareil. Ce n'est pas une impression. Les quatre grands acteurs n'ont pas la même stratégie, et cela se sent à l'usage.

Assistant	Écosystème principal	Traitement du mot d'activation	Points forts, points faibles
Google Assistant	Android, enceintes Google, téléviseurs	Sur l'appareil, modèle dédié	Le plus solide en compréhension des requêtes complexes. En retrait sur le pilotage domotique hors écosystème Google.
Alexa	Enceintes Echo, appareils tiers	Sur l'appareil	Le plus ouvert aux objets connectés d'autres marques. Compréhension parfois approximative sur les formulations longues.
Siri	iPhone, iPad, HomePod, Mac	Sur l'appareil, avec historique local	Meilleure intégration système et meilleur traitement local. Le plus limité sur les services tiers.
Bixby	Samsung, TV et électroménager	Sur l'appareil	Très bon sur le pilotage des appareils Samsung. Peu utile en dehors.

Un mot sur les box opérateur, qu'on oublie souvent. Bouygues, Orange et consorts intègrent parfois un assistant dans leur box, mais il s'agit presque toujours d'une surcouche : la box embarque un micro et un haut-parleur, et relaie la requête vers un moteur existant. Vous n'avez donc pas affaire à un cinquième assistant, mais à un point d'entrée supplémentaire vers l'un des quatre.

Mon avis, et je sais qu'il ne fera pas l'unanimité : pour piloter de la domotique, Alexa reste devant, parce qu'elle accepte des appareils de marques qui ne se parlent pas entre elles. Pour poser des questions et obtenir une réponse correcte, Google garde l'avantage. Et si votre priorité est que le moins de choses possibles sortent de chez vous, c'est du côté d'Apple qu'il faut regarder, même si vous y perdrez en compatibilité.

Les questions qu'on me pose le plus souvent

Assistant vocal : comment ça marche concrètement quand je parle ?

Votre voix est captée par un ou plusieurs micros, filtrée pour réduire le bruit de fond, puis comparée en continu à un modèle du mot d'activation directement sur l'appareil. Dès que ce mot est reconnu, les une à deux secondes précédentes sont extraites de la mémoire tampon, chiffrées, et envoyées à un serveur. Le serveur transcrit l'audio en texte, en déduit votre intention, va chercher la réponse dans le service concerné, puis renvoie une réponse vocale. L'ensemble prend généralement moins d'une seconde.

En quoi l'assistant vocal Google se distingue-t-il ?

Sa différence tient à l'infrastructure qui tourne derrière. Le moteur de compréhension de Google est entraîné sur un volume de requêtes et de contenus considérable, ce qui lui permet de traiter des formulations tordues là où d'autres abandonnent. C'est aussi l'assistant le plus intégré à Android : sur un téléphone, il a accès aux applications, aux contacts et à l'agenda, ce qui élargit nettement ce qu'il peut exécuter sans configuration.

Quel est le meilleur assistant vocal aujourd'hui ?

Il n'y en a pas un seul, et méfiez-vous des classements qui prétendent le contraire. Le meilleur assistant est celui qui parle la langue de vos appareils. Si votre logement est équipé de prises et d'ampoules de marques variées, ce sera Alexa. Si vous vivez dans l'écosystème Google, l'assistant du même nom sera plus fluide. Si vous avez un iPhone et un HomePod, Siri fera le travail avec moins de données qui sortent. Le critère décisif n'est pas la qualité intrinsèque du logiciel, c'est la compatibilité.

L'assistant vocal Android est-il le même que celui des enceintes ?

C'est le même moteur, mais pas le même appareil, et la différence compte. Sur un téléphone Android, l'assistant a accès à vos applications, votre position et vos notifications. Sur une enceinte, il n'a accès qu'aux services que vous avez explicitement liés. La puissance de traitement est également répartie autrement : un téléphone récent peut effectuer une partie de la reconnaissance vocale en local, ce qui n'est pas le cas d'une petite enceinte.

Ce qui a bougé récemment, et ce que ça change pour vous

La vraie évolution de ces dernières années n'est pas dans la reconnaissance vocale. Elle est dans le déplacement du traitement.

Les premiers assistants envoyaient tout, systématiquement, au cloud. Aujourd'hui, une part croissante de la chaîne se fait sur l'appareil lui-même : la détection du mot d'activation bien sûr, mais aussi, sur les modèles les plus récents, une partie de la transcription et de la compréhension. Concrètement, cela veut dire que certaines requêtes simples ne quittent jamais votre maison.

Pourquoi ce basculement ? Pour trois raisons qui se cumulent. La latence d'abord : traiter en local supprime l'aller-retour réseau. Le coût ensuite : faire tourner des serveurs pour répondre à « quel temps fait-il » n'a économiquement aucun sens à grande échelle. Et la réglementation, enfin, pousse dans la même direction en Europe, où la minimisation des données transférées est devenue un principe attendu plutôt qu'un argument commercial.

Ce que ça change pour vous, très concrètement : les requêtes du quotidien — minuteur, météo, lumière — sont de plus en plus traitées sur place. Les requêtes qui nécessitent une vraie recherche ou une connaissance du monde continuent, elles, de partir sur un serveur. La frontière existe, mais elle n'est pas indiquée dans l'interface, et c'est bien le seul reproche que je ferais aux quatre constructeurs : rien ne vous dit, au moment où vous parlez, ce qui va sortir de chez vous.

Un bouton pour le savoir serait pourtant simple à ajouter. Personne ne l'a fait.