Back to deblo
deblo

\"Are You Okay?\" huit fois : une boucle acoustique dans le mode présentation de Déblo Duo

Pendant une présentation Déblo Duo, la même phrase revenait toutes les 4,0 secondes, dérivait, puis se figeait. On aurait dit une hallucination de l'IA. C'était un haut-parleur dans la même salle, et le motif le disait.

Juste Thales Gnimavo & Claude | November 20, 2026 9 min deblo
EN/ FR/ ES
deblodeblo-duoreal-time-translationspeech-translationacoustic-echofeedback-loopecho-guardhalf-duplexpresentation-modedebuggingroot-causevoice-aiprod-proofclaude-codeclaude-opus-5.5

Par Juste Thales Gnimavo (CEO, ZeroSuite) et Claude Opus 5.5 (Claude Code)

Le 2 novembre 2026, Juste a testé le mode « Je présente » de Déblo Duo. Un orateur parle en français ; la salle entend une traduction anglaise en direct, chacun sur son téléphone ou son ordinateur. Il a dit bonjour, demandé à tout le monde comment ça allait, puis s'est tu. La traduction, elle, ne s'est pas tue. "Are you okay?" est revenu. Puis encore. Et encore.

L'explication facile était celle que tout le monde attrape en premier : l'IA a halluciné. Nous ne l'avons pas écrite, parce qu'elle n'explique rien et ne corrige rien. Nous avons lu la session à la place.

Déblo Duo est notre interprète en temps réel. (La raison pour laquelle c'est une application à part est dans Pourquoi Déblo Duo existe.) L'audio de l'orateur part vers le modèle de traduction vocale en temps réel de Google, via un worker côté serveur sur notre couche audio temps réel, et l'audio traduit repart vers chaque auditeur.

Ce que disait la transcription

La session a duré de 15:02:25 à 15:03:29 UTC : 63 secondes, 26 tours de parole, du français vers l'anglais. Nous avons récupéré la transcription enregistrée et les logs du conteneur worker qui l'avait traitée. Voici le côté source, avec les horodatages du worker en secondes :

1753.87  « Bonjour. »                         → "Hello."
1759.93  « Bonjour. »                         → "Hello."          (+6.1 s)
1765.98  « Comment est-ce que vous allez ? »  → "How are you?"
1773.95  « Tu vas bien ? »                    → "Are you okay?"
1777.99, 1781.93, 1785.96, 1790.00, 1793.94, 1797.97, 1801.90, 1805.94:
         « Tu vas bien ? »                    → "Are you okay?"
1809.36  l'orateur quitte

Première chose à remarquer : quel côté se répète. Ce n'est pas la traduction qui boucle sur une entrée fixe. C'est la source. Le modèle recevait « Tu vas bien ? » en français, encore et encore, et le traduisait fidèlement à chaque fois. Après la première occurrence, il a reçu cette phrase huit fois de plus, à peu près toutes les 4,0 secondes.

Deuxième chose : Juste n'a jamais dit « Tu vas bien ? ». Il a dit « Comment est-ce que vous allez ? ». La source a dérivé, une fois, puis a cessé de dériver.

Lire le motif

Trois traits de cette transcription désignaient une seule cause avant même que nous regardions autre chose.

Une période fixe. Huit répétitions espacées de 4,0 secondes, à un dixième de seconde près. Les hallucinations sur du bruit ne sont pas périodiques. Une boucle physique l'est : sa période est la somme des délais qui la composent. Ici, la latence de traduction, plus la lecture audio, plus la fin du tour.

Une dérive, puis un point fixe. « Comment est-ce que vous allez ? » est devenu "How are you?". "How are you?", rejoué dans le micro de l'orateur, est ressorti de la transcription source sous la forme « Tu vas bien ? ». « Tu vas bien ? » est devenu "Are you okay?", qui est revenu en « Tu vas bien ? ». C'est la signature d'un aller-retour avec perte : chaque passage perd un peu, jusqu'à ce que la phrase tombe sur une forme qui survit au trajet sans changer. Ensuite, la boucle est stable.

La même forme ailleurs. Le deuxième « Bonjour. », 6,1 secondes après le premier, était la même chose : un aller-retour de "Hello." qui a survécu.

La cause : un auditeur sur le web se trouvait dans la même salle et jouait la traduction anglaise sur son haut-parleur. Le micro de l'orateur la captait. Le modèle la retraduisait en français, comme si l'orateur l'avait dite, et le haut-parleur de l'auditeur jouait la nouvelle traduction. Juste était devenu un relais dans sa propre boucle de rétroaction.

Nous avons écarté explicitement les deux autres hypothèses. Ce n'était pas une boucle interne à notre pont : chaque répétition était une entrée source distincte, avec ses propres horodatages, arrivée par le micro. Ce n'était pas du bruit ambiant : le bruit ne produit pas une phrase française cohérente sur une horloge de 4,0 secondes.

L'annulation d'écho du navigateur était active. Elle ne sert à rien ici. Elle retire ce que l'appareil joue lui-même, et l'appareil de l'orateur ne jouait rien. Le son venait d'une autre machine, de l'autre côté de la salle. L'écran de présentation conseille déjà aux auditeurs de porter un casque. Un avertissement n'est pas une garantie dans une salle pleine de gens qui viennent de scanner un QR code.

Pourquoi le correctif d'écho précédent ne couvrait pas ce cas

Nous avions croisé un cousin de ce bug cinq jours plus tôt. Le 28 octobre, lors d'appels à deux téléphones en haut-parleur, un téléphone pouvait entendre sa propre traduction par son propre haut-parleur et la renvoyer au modèle.

Celui-là, nous l'avons corrigé sur le serveur, pas dans l'application. Pendant que la piste qu'écoute un téléphone est en lecture, le worker remplace le micro de ce téléphone par du silence vers le modèle, et le signale au téléphone pour qu'il affiche « Écoutez la traduction » au lieu d'un micro actif. Nous avons préféré le serveur à une coupure du micro dans l'application, parce que la détection de parole de l'application réagit trop tard, et qu'elle fonctionne par participant, pas par piste audio. Le serveur sait exactement quelle piste chaque téléphone entend, et quand elle joue.

Ce correctif est précis parce qu'il associe un micro à un haut-parleur connu : celui du même téléphone. Dans une présentation, le haut-parleur appartient à un auditeur que le worker traite comme public, et le micro appartient à l'orateur. Rien ne les associe. Le worker ne peut pas savoir qu'un auditeur à l'autre bout de la salle est physiquement proche du téléphone de l'orateur.

Où la garde devait se placer

Le brief du correctif proposait l'endroit évident : comparer chaque nouvelle traduction aux dernières traductions et écarter les répétitions.

Nous ne l'avons pas fait, et nous l'avons dit avant d'écrire du code. Dans notre pont, l'audio traduit part vers la piste des auditeurs dès qu'il arrive du modèle, en même temps que son texte. Le temps qu'une phrase traduite soit assez complète pour être comparée, son audio est déjà parti. Une garde sur la traduction aurait retiré le sous-titre et laissé l'auditeur entendre la rafale. Le modèle ne nous donne pas non plus de signal fiable de fin de tour pour une traduction : il n'y a rien à attendre.

La garde se place donc sur le segment source, que nous voyons plus tôt. En mode présentation uniquement, quand un nouveau segment source correspond à l'un des plus récents (après normalisation de la casse, de la ponctuation et des espaces) et commence peu après lui, le worker le traite comme un écho. L'audio traduit pour ce sens est écarté, et ni la source ni la traduction ne sont publiées dans les sous-titres ou dans la transcription de fin d'appel. La garde se relâche après un court silence, ou dès que l'orateur dit quelque chose qui ne répète pas un écho récent.

Les modes à un téléphone et à distance n'ont aucun chemin de code qui passe par elle.

Ce que nous avons vérifié, et ce que ça coûte

Nous avons rejoué à travers la garde les douze segments source mesurés dans cette session. Elle a gardé le premier « Bonjour. », « Comment est-ce que vous allez ? » et le premier « Tu vas bien ? ». Elle a supprimé les huit répétitions suivantes, ainsi que le deuxième « Bonjour. ».

Le premier « Tu vas bien ? » est lui-même un écho, celui qui a dérivé. La garde ne peut pas l'attraper, et nous ne prétendons pas qu'elle le peut : il ne répète encore rien, et à partir du texte seul il ne se distingue pas d'un orateur qui pose une nouvelle question. L'auditeur peut donc encore entendre une phrase deux fois, au maximum, au lieu d'une rafale.

Nous avons ensuite lancé une simulation dans le conteneur worker de production, avec le vrai SDK audio : de la parole, un écho quatre secondes plus tard, puis encore de la parole. La première et la dernière ont été jouées en entier. L'écho a joué zéro octet, et le worker a consigné la suppression avec la quantité d'audio partie avant la détection : aucune. Seuls les deux énoncés réels sont arrivés dans la transcription finale.

La garde a des coûts connus, écrits avec elle. Un orateur qui répète très vite exactement la même phrase perd la deuxième. Les premiers paquets audio d'un écho peuvent partir avant que la transcription source soit assez complète pour correspondre ; le worker mesure cette fuite à chaque suppression, pour que nous la voyions en production. Sur l'écran de l'orateur, une ligne partielle d'un écho peut rester visible.

La même session a aussi donné un bouton muet au présentateur. « Je présente » était le seul mode qui n'en avait pas.

Ce que ça a changé, et ce qui reste ouvert

Le correctif est déployé. Il n'est pas prouvé. L'observation que nous devons est précise : un vrai orateur et un vrai auditeur sur haut-parleur dans la même salle, les événements de suppression dans le log du worker de production, et une transcription sans rafale. Il faut pour cela deux appareils dans une même salle et une personne qui parle. Tant que ce n'est pas fait, l'élément reste ouvert.

Ce qui a changé, c'est notre façon de lire un modèle qui se comporte mal. « L'IA a halluciné » décrit un symptôme, et clôt l'enquête avant qu'elle commence. La transcription avait une période fixe, une dérive et un point fixe. Chacun a un sens physique, et ensemble ils ont nommé la cause avant que nous touchions au code : deux appareils, une salle, un micro ouvert.

Chaque démo investisseur de Duo se déroule dans une seule salle. C'est exactement la condition de ce bug, et c'est pourquoi nous avons placé ce correctif en tête de file le jour où nous l'avons trouvé.

Share this article:

Responses

Write a response
0/2000
Loading responses...

Related Articles