Voix

Le bloc Déclencheur vocal permet aux utilisateurs de démarrer un workflow par la parole. Il enregistre l'audio depuis le navigateur et le transcrit à l'aide du fournisseur de reconnaissance vocale (STT) configuré avant que le workflow ne continue.

Configuration

Paramètres du studio d'enregistrement

Ouvrez Config dans l'en-tête du studio pour choisir le modèle et la langue de transcription et consulter Santé de la session. Config reste accessible pendant l'enregistrement et la relecture de la transcription. Les paramètres de modèle et de langue passent en lecture seule dès que l'enregistrement commence. Le sélecteur de microphone reste à côté de Enregistrer sur l'écran initial.

Sorties

Une fois la transcription et la récupération KB (optionnelle) terminées, les variables suivantes sont disponibles dans les blocs en aval :

Remplacez voice1 par le nom que vous avez attribué au bloc.

Déploiement

Le Déclencheur vocal génère un Lien de déclenchement partageable (format : /v/{id}) une fois le workflow déployé. Partagez ce lien avec les utilisateurs — l'ouvrir dans un navigateur affiche l'interface d'enregistrement vocal et démarre une exécution du workflow lorsque l'audio est soumis.

L'enregistreur est un véritable studio conçu pour de vraies réunions : un même espace porte la préparation, la capture en direct et la relecture, avec les commandes sur une barre de console. L'enregistrement peut être mis en pause et repris, l'écran reste actif pendant la capture, et la fermeture de l'onglet en cours d'enregistrement demande une confirmation. La transcription en direct occupe l'espace principal. Ouvrez Notes, Intervenants ou Conversation depuis la barre inférieure selon vos besoins. Les détails de santé de la session sont disponibles dans Config ; un indicateur signale les avertissements. Les notes arrivent dans le workflow via <voice1.notes> et sont enregistrées dans la base de connaissances de l'instance. La vue Calme présente le compteur et les dernières paroles. La vue Travail affiche la transcription complète et le compteur dans les commandes inférieures. Après l'arrêt, vous pouvez corriger la transcription avant de l'envoyer — le texte modifié est ce que le workflow reçoit. Les enregistrements jusqu'à quatre heures sont pris en charge.

Comment la transcription en direct est produite

Deux chemins, choisis selon le modèle que vous avez lié au bloc. Celui qui est actif est indiqué dans Config → Santé de la session pendant l'enregistrement.

Un modèle qui diffuse en continu maintient une session en direct ouverte avec le fournisseur pendant toute la durée de l'enregistrement. C'est le fournisseur qui décide où chaque phrase se termine, et il renvoie le texte en continu.

Un modèle qui ne diffuse pas — Whisper et la plupart des modèles de transcription par lot — est appelé une fois par phrase. Le navigateur détecte où chaque phrase se termine et envoie ce segment d'audio. Une prise de parole longue est également bornée par une durée maximale de requête. Chaque phrase transcrite porte l'intervalle de temps qu'elle occupe dans l'enregistrement. C'est cet intervalle qui permet de disposer la transcription par locuteur. Les étiquettes de diarisation par lot ne valent que pour la requête concernée. Le suivi des locuteurs dans le navigateur est désactivé tant qu’un administrateur de l’organisation ne l’active pas dans les paramètres vocaux ; une fois activé, il fonctionne avec tout fournisseur STT. Il conserve un registre de voix unique pour l'enregistrement, y compris à travers les pauses et les reconnexions de transcription. Chaque nouvel enregistrement démarre un registre vierge. Toute personne entendue par le microphone peut recevoir une étiquette de locuteur anonyme, y compris des invités extérieurs à l'organisation ; aucun compte ni enrôlement vocal n'est nécessaire. Les étiquettes propres à une requête ne comptent pas comme de nouvelles personnes.

Les deux chemins se comportent de la même manière sur tout ce qui vous importe :

• Mettre en pause ferme la session du fournisseur et conserve tout ce qui a déjà été transcrit. Reprendre la rouvre et poursuit sous ce qui est à l'écran. Si votre fournisseur facture à l'heure de session, une pause n'est pas facturée.
• La détection de la parole limite les requêtes par lot inactives. L'enregistrement conserve sa chronologie et son silence d'origine ; les fenêtres de transcription peuvent inclure le contexte environnant. Le comportement en diffusion native dépend du fournisseur sélectionné.
• Un segment qui n'a pas pu être transcrit est signalé, jamais masqué. Si le fournisseur limite le débit, échoue ou prend trop de retard — ou si la plateforme n'a pas pu enregistrer la transcription à des fins de gouvernance — la transcription affiche un trait pointillé avec la raison et l'heure au lieu de paraître silencieuse. Le trait apparaît dans la vue Calme comme dans la vue Travail, y compris avant que quoi que ce soit n'ait été transcrit. L'enregistrement lui-même n'est pas affecté — l'audio est toujours capturé et sauvegardé.
• Perdre de la parole vous interrompt. Tant que des phrases continuent d'échouer, une bannière La transcription en direct échoue indique quelle quantité de parole n'a pas été transcrite et depuis quand. Elle disparaît dès qu'une phrase est de nouveau transcrite. Un texte retenu par une politique de confidentialité est signalé dans la transcription mais ne déclenche pas la bannière — c'est la politique qui fonctionne, pas la transcription qui échoue.
• Une défaillance passagère ne met pas fin à la transcription en direct. Une limitation de débit ou une brève panne du fournisseur est réessayée, et la phrase suivante est transcrite normalement. Si le déploiement de votre modèle a une faible limite de requêtes par minute (les déploiements Azure Whisper sont limités par défaut à 3 requêtes par minute), la transcription en direct d'une parole continue l'atteindra sans cesse ; choisissez un modèle avec davantage de capacité ou augmentez le quota du déploiement.

Transcription finale et alignement des locuteurs

Le traitement final traite l'audio indépendamment des changements de locuteur. Un enregistrement de deux minutes au plus reste dans une seule requête. Les enregistrements plus longs utilisent des sections bornées avec le contexte audio environnant. Les horodatages des mots, lorsque le modèle sélectionné les fournit, attribuent les mots qui se chevauchent à une seule section avant de les joindre à la chronologie des locuteurs de l'enregistrement. Un changement de voix ne coupe pas à lui seul l'audio.

Les modèles qui ne renvoient que des horodatages de segments utilisent un alignement des locuteurs plus grossier. Les modèles sans horodatages exploitables sont transcrits sur des sections sans chevauchement. Une parole ambiguë reste non attribuée, et une transcription finale peut tout de même être produite lorsque le suivi des locuteurs n'est pas disponible. Les fournisseurs de transcription restent remplaçables.

Le texte provisoire en direct peut changer, tandis que le texte stabilisé reste stable. Le traitement final ne remplace pas la transcription que vous avez suivie : son attribution des locuteurs est appliquée, et chaque passage entendu différemment devient une correction suggérée. L'achèvement ne garantit pas l'exactitude.

Corrections suggérées

Une fois le traitement final terminé, l'écran de relecture affiche les corrections suggérées au-dessus de la transcription. Chacune montre les mots actuels, les mots proposés et leur origine :

Pour chaque suggestion, vous pouvez Accepter, Refuser ou Annuler un choix, et lire l'audio à partir de l'endroit concerné (tant que l'onglet de relecture conserve l'enregistrement). Tout accepter accepte toutes les suggestions ouvertes. Deux suggestions portant sur les mêmes mots ne peuvent pas être acceptées ensemble ; annulez-en une pour accepter l'autre. Si vous modifiez un tour vous-même, votre texte est conservé : les suggestions acceptées en font partie et les autres restent disponibles si leurs mots n'ont pas changé.

Seul ce que vous avez accepté ou saisi est envoyé. Le vocabulaire de la base de connaissances provient uniquement des pages que votre habilitation vous permet de lire, à l'exclusion des pages de transcription. Lorsque le process flow partage une seule base de connaissances entre ses instances (knowledge.scope: "template"), seuls le dossier de cette instance et les documents de référence situés hors de instances/ sont utilisés — jamais les documents d'une autre instance. Aucune suggestion n'est appliquée automatiquement.

Lorsque le fournisseur limite le débit d'une section, le traitement final attend — aussi longtemps que le fournisseur le demande, et sinon assez longtemps pour lever une limite par minute — puis réessaie cette section, plutôt que d'abandonner tout l'enregistrement. Une section qui échoue encore après quelques minutes de nouvelles tentatives met fin au traitement avec Transcription de référence indisponible ; la transcription en direct reste disponible pour relecture et acceptation.

Télécharger avant approbation

Après l'arrêt, choisissez Télécharger l'enregistrement à côté de la lecture pour enregistrer l'audio original. Le téléchargement reste disponible pendant que la transcription se prépare ou si elle a échoué ; il n'approuve pas la transcription et ne poursuit pas le process flow. Gardez l'onglet de relecture ouvert jusqu'à la fin du téléchargement. Ce bouton utilise l'audio conservé par cet onglet du navigateur et n'est pas disponible pour un enregistrement récupéré après un rechargement de la page. Les fichiers téléversés conservent leur nom de fichier d'origine ; les enregistrements du microphone sont téléchargés sous recording.webm, sans conversion.

Estimer le coût de transcription

Pour un enregistrement de Process Flow, prévoyez deux utilisations distinctes du STT : les sous-titres en direct et le traitement final après l'arrêt. Le fournisseur sélectionné facture l'audio qu'il traite selon ses propres tarifs et règles d'arrondi. La détection de la parole peut réduire l'audio envoyé par lot en direct, mais le traitement final inclut le silence d'origine et le contexte environnant.

Une estimation utile est : heures d'audio en direct × tarif en direct + heures d'audio du traitement final × tarif final + nouvelles tentatives facturées. Les sections actuelles de deux minutes du traitement final ajoutent environ 3,3 % de contexte pour un long enregistrement. Un enregistrement de deux heures envoie donc environ 2,066 heures au traitement final, en plus de l'audio transcrit en direct. En l'absence d'horodatages exploitables, des requêtes supplémentaires sans chevauchement peuvent augmenter ce total. Répéter le traitement final engendre aussi une nouvelle consommation chez le fournisseur.

Le suivi des locuteurs dans le navigateur n'entraîne pas de frais de requête de diarisation dans le cloud, mais utilise la puissance de calcul de l'appareil d'enregistrement. Le stockage, l'hébergement, le trafic réseau et les appels LLM pour les questions ou les synthèses de réunion approuvées sont des coûts distincts. Consultez l' exemple de tarification Foundry si vous utilisez MAI Transcribe 2 ; les autres modèles STT ont des tarifs différents.

Enregistrements de Process Flow et questions semi-en direct

Lorsqu'un Déclencheur vocal est lié à une action d'enregistrement de Process Flow, l'instance du processus détermine la base de connaissances de destination ; l'enregistreur ne peut pas la choisir ni la remplacer. Pendant l'enregistrement, la plateforme enregistre des instantanés cumulatifs de la transcription dans une page de brouillon unique à une cadence limitée (pas plus d'une fois toutes les cinq secondes). La Conversation d'action partagée reste disponible à côté de l'enregistreur, afin que les participants autorisés puissent poser des questions semi-en direct sur le même brouillon persisté et les connaissances gouvernées de l'instance.

Seul le contenu de transcription persisté côté serveur est visible par Cortex. Un tampon de navigateur non persisté n'est jamais injecté directement dans la conversation partagée. Si l'écriture du brouillon échoue, l'enregistrement continue localement, l'interface affiche un avertissement et la plateforme réessaie.

La vue Calme conserve la transcription complète dans un historique défilant. Elle suit le texte entrant tant que vous êtes en bas et vous permet de remonter vers les contributions précédentes.

Les points de contrôle du brouillon en direct n'incluent que les segments de transcription stabilisés. Le texte intermédiaire reste visible dans l'enregistreur, mais ne réserve pas de séquence de segments durable tant que le fournisseur le révise encore.

L'arrêt de l'enregistrement vide le texte de transcription stabilisé, persiste l'audio et démarre une transcription durable de l'enregistrement complet pendant que l'action reste ouverte. Ce traitement travaille à partir de références vers l'audio stocké, par fenêtres bornées, de sorte que les enregistrements longs ou récupérés n'ont pas besoin de tenir dans une seule requête du navigateur ou de transcription. Les fenêtres sont converties en FLAC pour la transcription, y compris avec MAI ; l'enregistrement original est conservé. Le traitement final conserve les segments de transcription horodatés et les rattache à la chronologie des locuteurs de l'enregistrement, y compris les identités enregistrées issues d'un flux de diarisation continu. Le fournisseur de la transcription finale n'a pas besoin d'être la source des locuteurs. Sans chronologie des locuteurs de session, le texte reste disponible avec des locuteurs non attribués. Une fois le traitement terminé, vous pouvez corriger la transcription et l'attribution des locuteurs avant de les confirmer.

Si le traitement de l'enregistrement complet ne peut pas lire son propre audio, il s'arrête à la première fenêtre au lieu de réessayer et signale AUDIO_UNREADABLE. Les services qui enregistrent et qui transcrivent ne partagent pas le stockage de fichiers. Sur un déploiement dont le volume de téléversement est propre à chaque pod, cela arrive lorsque l'organisation utilise le stockage de fichiers local. Un administrateur corrige cela dans Configuration du stockage. La transcription en direct reste disponible comme résultat dégradé.

La confirmation enregistre exactement la révision que vous avez relue, puis dérive de ce texte approuvé les actions, décisions, exigences, risques et notes de la réunion. L'action ne se termine qu'après la réussite de ces écritures. Si la publication ou l'extraction échoue, l'action reste ouverte pour une nouvelle tentative ; les nouvelles tentatives mettent à jour les mêmes transcription, audio et éléments dérivés au lieu de créer des doublons.

Cliquez sur une étiquette de locuteur pour attribuer une personne ou un rôle. Si une même personne occupe plusieurs rôles, Attribuer ce locuteur regroupe ces rôles sous son nom ; sélectionnez le rôle au titre duquel elle s'exprime. Une recherche par nom trouve également tous les rôles de cette personne.