Par Juste Thales Gnimavo (CEO, ZeroSuite) et Claude Opus 5.5 (Claude Code)
Avant d'écrire la moindre ligne de l'application Déblo Duo, nous nous devions une réponse : le moteur est-il assez bon pour être mis entre les mains d'un vrai utilisateur ? Pas assez bon dans une démo de fournisseur. Assez bon sur les voix que nous aurions réellement dans la pièce. Le 21 octobre 2026, cette réponse a été un GO pour une bêta. Ce billet explique pourquoi ce GO était assorti de conditions.
Déblo Duo est un interprète en temps réel. Chacun parle sa langue et entend l'autre dans la sienne, en direct. On peut partager un seul téléphone, utiliser deux téléphones reliés par un QR code, appeler quelqu'un à distance par un lien, ou présenter devant une salle. Les raisons pour lesquelles c'est une application à part sont expliquées dans Pourquoi Déblo Duo existe. Le moteur sous-jacent est le modèle de traduction vocale en temps réel de Google, porté par notre couche audio temps réel.
Le jeu de test que nous pouvions réellement constituer
Le plan prévoyait un petit ensemble d'extraits : une réunion d'équipe, un passage dense en montants, une conversation qui alterne entre français et anglais, une pièce bruyante. Le plan supposait aussi que nous trouverions un anglophone natif pour la partie anglaise.
Nous n'en avons pas trouvé. Juste a donc enregistré les extraits lui-même. Le français est le sien. Les répliques anglaises de l'extrait bilingue sont aussi les siennes, prononcées avec l'accent de quelqu'un qui a appris l'anglais après le français. Il a donné une consigne de plus : « Ne fais pas trop attention aux détails. » Le module sortirait en bêta, signalé comme tel dans l'application, et nous n'allions pas peaufiner un benchmark pendant une semaine.
Cette consigne avait un coût, que nous avons noté. Notre outil d'alignement, qui découpe un enregistrement en énoncés selon l'énergie du signal, coupait les phrases à chaque pause de lecture : 27 segments pour 14 énoncés sur le premier extrait. Les mesures par énoncé, comme la latence de fin ou les ratés, devenaient peu fiables, parce que chaque chiffre était attribué à la mauvaise phrase. Nous n'avons pas corrigé les frontières à la main. Nous avons plutôt lu les transcriptions complètes, ligne par ligne, en les comparant à ce que Juste avait dit. L'extrait en pièce bruyante a été écarté pour cette phase, car il s'appuyait sur l'extrait bilingue aligné comme référence.
Trois extraits sont passés dans le moteur le 21 octobre, entre 12 h 48 et 12 h 55 UTC : 142 secondes, 114 secondes et 70 secondes. Zéro erreur de connexion.
Extrait 1 : une réunion d'équipe en français ivoirien
Le premier extrait était une réunion d'équipe de 142 secondes en français ivoirien. La traduction anglaise était complète et fidèle du début à la fin. Tous les chiffres sont passés : 1 200, 1 500 francs CFA, 300 élèves, 600 000, 2 millions, 40 minutes, 80 000 vues, 2 minutes.
La latence était celle que nous voulions voir. En médiane, l'audio traduit démarrait environ 1,7 seconde avant que l'orateur ait fini sa phrase. C'est cette propriété qui donne à Duo l'allure d'un interprète et non d'une application de traduction : personne n'attend le point final.
Aucun raté.
Extrait 5 : les chiffres
L'extrait de 70 secondes avait été conçu pour faire mal. Il contenait 17 éléments : des montants, des pourcentages, des dates ou un mot que nous avions déjà vu échouer. Nous avons noté chacun deux fois : une fois dans la transcription source (ce que le moteur a entendu en français) et une fois dans la traduction parlée (ce que l'auditeur a entendu en anglais).
Transcription source : 16 sur 17 corrects. Soit 94 %.
Traduction parlée : 14 sur 17 corrects. Soit 82 %.
Les trois erreurs de la traduction disent tout :
- 3 712 500 francs CFA a été bien entendu et prononcé « 3 million 712,000 ». Cinq cents francs ont disparu.
- 1 850 USD a été entendu « 1850 dollars » et prononcé « 1,800 dollars ». Cinquante dollars ont disparu.
- 419 812 francs CFA a été entendu « 419 800 12 » et prononcé de la même façon. Celui-là a échoué dès l'entrée, et la traduction a fidèlement répété le découpage erroné.
Deux des trois ne sont pas des erreurs d'écoute. Le moteur a compris le nombre et l'a arrondi en sortie. Dans une discussion informelle, c'est du bruit. Dans une négociation entre un acheteur et un fournisseur, c'est un autre prix.
Quelques autres observations sur le même extrait. 640 euros est sorti en « 6 40 euros » : lisible, mais ambigu. « Livraison », que nos essais précédents en voix de synthèse avaient raté les trois fois, est passé sur la vraie voix de Juste. « Bouaké » a été entendu « bois ». Le nom de la ville a été perdu.
La règle produit qui en est sortie
L'écart entre 94 % et 82 % est devenu une règle que nous n'avons pas assouplie depuis : les chiffres affichés à l'écran viennent de la transcription source, jamais de la traduction.
La traduction parlée reste telle quelle. Nous ne pouvons pas empêcher la voix d'arrondir, et nous ne prétendons pas que la voix fait référence. Ce que nous maîtrisons, c'est ce que l'utilisateur lit. Quand un montant, un pourcentage ou une date apparaît dans la conversation, Duo le met en évidence à partir de ce que l'orateur a réellement dit, dans sa langue. Si l'auditeur entend « 1,800 dollars » et que l'écran affiche 1 850, c'est l'écran qu'il faut croire.
La règle a été implémentée le jour même, pour le français, l'anglais et le chinois. C'est aussi pour cela que la description publique de Duo promet « un compte rendu avec les chiffres recopiés à l'identique ». La promesse est volontairement étroite. Recopiés depuis la source, pas traduits.
La session suivante, qui a branché le moteur sur notre pont d'appel et y a rejoué les enregistrements, a confirmé que la règle n'avait rien d'optionnel. Les transcriptions source des montants y restaient fragiles, avec des découpages comme « 1 million 10 10000 ». Notre conclusion dans le journal était sans détour : mettre en évidence depuis la source, et ne jamais présenter la traduction comme une vérité chiffrée.
La règle a un effet de bord connu. Les numéros de téléphone sont mis en évidence comme s'il s'agissait de montants. C'est noté, et c'est un échec préférable à un prix faux.
Extrait 3 : un micro, deux langues, un accent
L'extrait bilingue durait 114 secondes : Juste seul, passant du français à l'anglais. Le sens est passé dans les deux sens : un budget de 25 000 dollars, 15 millions, 10 000 euros, 33 %, mars, janvier à Accra.
Mais il y a eu sept ratés. Quand le moteur entendait de l'anglais prononcé avec un accent français sur un seul micro, la session censée produire de l'anglais répétait parfois l'anglais au lieu de rester silencieuse. « Yes, that works for me » et « 15 million, right? » sont revenus comme leur propre écho. Certaines répliques anglaises ont aussi été perdues côté français.
C'est un risque structurel du mode un téléphone, où les deux personnes partagent un seul micro et où le système doit décider, pour chaque phrase, quelle langue il entend. Le mode à distance n'a pas ce problème. Chacun a son propre micro et la langue source de chaque flux est connue d'avance. Il n'y a rien à deviner.
Les essais sur le pont lors de cette session suivante l'ont rendu plus net encore. Sur des échanges rapides en mode un téléphone, chaque session de traduction transcrivait les deux langues dans le même segment, ce qui dupliquait des lignes source. L'audio était préservé ; la transcription n'était pas présentable.
Nous avons donc tranché sur la démo avant de trancher sur le produit : la démo investisseurs se fait en mode à distance. Le mode un téléphone reste dans l'application. C'est celui qu'on utilise dans un taxi ou à la réception d'un hôtel, et il a depuis été repensé autour du push-to-talk. Mais nous n'allions pas montrer à des investisseurs le mode qui rate sur l'accent de son fondateur.
Le verdict
Le GO tenait en quatre lignes.
- Latence : tenue. La traduction démarre avant la fin de la phrase.
- Fidélité : bonne sur la parole continue. Montants justes à 82 % dans la traduction parlée, à 94 % dans la transcription source. D'où la règle d'affichage.
- Routage : fiable en mode à distance, fragile en mode un téléphone avec un accent. La démo se fait en mode à distance.
- Boucle acoustique : non prouvée. Ce qui se passe quand le haut-parleur d'un téléphone joue la traduction dans son propre micro ne pouvait pas être testé sur des extraits. C'est devenu le premier critère d'acceptation de la phase suivante.
Deux points sont restés explicitement ouverts ce jour-là : le test d'écho en haut-parleur sur de vrais appareils Android et iPhone, qui exigeait le pont d'appel que nous n'avions pas encore construit, et le coût réel à la minute, qui exigeait une lecture de la console de facturation.
L'après-midi même, le pont, le backend et les pages web hôte et invité ont été construits. À 16 h 52 UTC, le premier vrai appel a eu lieu : Juste sur un ordinateur portable en français, un invité sur un téléphone en anglais, dans la même pièce. Son verdict : « ça marche cinq sur cinq. » La traduction a suivi même quand il ralentissait. Ce même appel nous a aussi montré le problème suivant. Le micro du téléphone de l'invité captait directement la voix française de Juste, et la première ligne attribuée à l'invité était en français. L'annulation d'écho d'un navigateur ne retire que ce que son propre appareil joue. Elle ne fait rien contre une voix dans la pièce ou le haut-parleur d'un autre appareil. Le problème reviendrait.
Ce que ça a changé, et ce qui reste ouvert
Un test sur la voix du fondateur n'est pas un benchmark. Il a un seul locuteur, un seul accent, aucun anglais natif, et trois extraits. Nous le savions en signant le GO, et nous l'avons signé quand même, parce qu'il répondait à la question que nous nous posions vraiment : est-ce que ça tiendra sur les voix que nous aurons à la première démo ? Ça a tenu, avec deux exceptions que nous savions nommer précisément.
Les exceptions ont davantage façonné le produit que les réussites. Les chiffres à l'écran viennent de la source. La démo se fait dans le mode où chacun a son propre micro. Aucune de ces décisions ne serait venue des échantillons audio d'un fournisseur, enregistrés par des locuteurs natifs dans des pièces calmes, et qui ne disent jamais 3 712 500.
Reste ouvert : un vrai test avec un locuteur chinois avant de filmer la paire français-chinois, puisqu'une voix de synthèse avait déjà fait échouer un montant ; l'extrait en pièce bruyante ; et un test avec un anglophone natif, que nous nous devons toujours.