Pourquoi l’IA comprend encore mal le français au travail

Une apprenante lit une phrase à voix haute : « Il est crucial de respecter les délais impartis pour livrer ce projet client à temps et sans retard. » Son français est presque parfait. Trois moteurs commerciaux de transcription entendent autre chose. Le premier épelle des lettres. Le deuxième entend « Impact Forever ». Le troisième écrit « LE CRUCIAL DE RESPECTFULLY DE L’IMPACTE FOREVER S’IL-VOUS-PLAÎT ».

Elle avait presque tout bon. Ce sont les machines qui ont échoué.

Cet enregistrement vient de notre propre révision d’enregistrements d’apprenants, et ce n’est pas un cas isolé. La recherche publiée de 2024 à 2026 va dans le même sens : l’IA générative apprend surtout en anglais, le français coûte plus cher à traiter, et la reconnaissance vocale est la plus faible sur le français avec un accent, des hésitations et du vocabulaire spécialisé. C’est exactement le français que parlent au travail les employés qui l’apprennent.

Ce que montre la recherche :

• Le français est une mince part des données d’entraînement. Pour les modèles récents, on l’estime de 1 % à 3 % du texte d’entraînement, et les grands laboratoires ne publient plus ce chiffre.
• Le français coûte plus cher à traiter. La même requête demande de 31 % à 58 % plus de jetons en français qu’en anglais, selon le modèle, et l’IA se paie au jeton.
• Les grands modèles ont presque rattrapé leur retard en français standard. Pas les petits modèles, ni le français du Québec. Dans une étude de l’Université Laval publiée en 2026, les deux tiers de 111 modèles comprenaient moins bien les expressions québécoises que celles de France.
• L’accent double encore les erreurs de transcription. Sur le même genre d’audio de balados, GPT-4o-transcribe d’OpenAI faisait environ 8 % d’erreurs en français de France, 14 % en français canadien et 17 % en français d’Afrique de l’Ouest.
• Les moteurs vocaux « corrigent » les apprenants. Une transcription conçue pour être propre efface les fautes et les hésitations qu’un tuteur doit entendre, et bon nombre des mots qu’elle rate sont du vocabulaire de métier.

L’IA apprend surtout en anglais

Les grands modèles de langue apprennent à partir de textes, et la plupart de ces textes sont en anglais. Savoir quelle part est en français est devenu difficile. La fiche système de GPT-6 Astra d’OpenAI (septembre 2026) parle seulement de « jeux de données diversifiés ». La fiche de Gemini 4 de Google (octobre 2026) énumère les types de données, mais pas les langues. Le résumé public des données d’entraînement de Mistral Large 4, exigé par la loi européenne sur l’IA, dit seulement que les données sont multilingues.

Les chercheurs peuvent quand même l’estimer. Le tokeniseur, la composante qui découpe le texte en morceaux, est entraîné sur un échantillon des données du modèle, et son vocabulaire trahit le mélange (Hayase et autres, NeurIPS 2024). Si l’on place ces estimations à côté des modèles ouverts qui publient leurs données, le portrait est cohérent :

Modèle ou corpus	Part du français
Google Gemini, estimé à partir du tokeniseur qu’il partage avec Gemma	3,0 %
OpenAI GPT-4o et modèles suivants, estimé à partir de leur tokeniseur	2,9 %
SmolLM3, Hugging Face, 2025	1,6 %
FineWeb, le plus grand corpus Web ouvert, 2025	1,3 %
Nemotron-4, NVIDIA, 2024	0,6 %
En contraste : Salamandra, Espagne, 2025	6,6 %
En contraste : Lucie-7B, France, 2025	32 %

Pour OpenAI et Google, ces estimations sont un indice, pas une divulgation. La tendance reste claire. L’anglais représente environ 70 % des données de SmolLM3 et 78 % de FineWeb. Le Web brut contient 4,7 % de français (Common Crawl, septembre 2026), et 396 millions de personnes parlent français (OIF, 2026).

Ça s’améliore. Llama 2, sorti en 2023, ne contenait que 0,16 % de français, dix fois moins que SmolLM3. Mais la quantité ne règle pas tout : Lucie-7B, entraîné à 32 % en français, obtient 10 % sur les expressions québécoises, à peine mieux que le hasard (9,9 %). On y revient plus bas.

Le français coûte plus cher : la taxe linguistique

Les modèles d’IA lisent et facturent le texte en jetons. Un tokeniseur bâti surtout à partir de l’anglais découpe les mots français en plus de morceaux, et la même requête coûte donc plus cher. Une prépublication de septembre 2026 a mesuré ce ratio pour les principaux tokeniseurs (Serval, « The Invisible Language Tax ») :

Tokeniseur	Jetons en français pour chaque jeton en anglais
Mistral (Tekken)	1,31
OpenAI (o200k)	1,36
Google (Gemma 3)	1,41
Anthropic (Claude)	1,45
DeepSeek	1,55
Qwen3	1,56
Meta (Llama 3)	1,58

Concrètement, 100 $ de traitement par IA en anglais coûtent de 131 $ à 158 $ en français. Plus de jetons, c’est aussi plus de latence, une fenêtre de contexte qui se remplit plus vite et des seuils de prix « long contexte » atteints plus tôt.

Là aussi, ça s’améliore. Le tokeniseur de GPT-4 demandait 1,60 fois plus de jetons en français qu’en anglais (Petrov et autres, 2023). Le tokeniseur o200k, utilisé par GPT-4o et les modèles suivants, en demande 1,36 fois plus. Un tokeniseur conçu pour le français fait encore mieux : le prototype de l’étude utilise 11,5 % moins de jetons que celui de Mistral. L’étude est une prépublication d’un seul auteur, et elle ne couvre pas le français du Québec.

Les grands modèles ont presque rattrapé l’anglais. Pas les petits, ni le français d’ici

En français standard, les meilleurs modèles s’approchent maintenant de leurs résultats en anglais. Selon Artificial Analysis, Gemini 3 Pro obtient 93,7 en anglais et 93,4 en français. L’écart s’ouvre à deux endroits.

Les petits modèles perdent plus. La dernière comparaison français-anglais publiée par OpenAI, pour la famille GPT-4.1 en avril 2025, montre que la perte grandit à mesure que le modèle rapetisse (simple-evals) :

Modèle	Résultat en français, en % du résultat en anglais
GPT-4.1	96,5 %
GPT-4.1 mini	95,4 %
GPT-4.1 nano	92,3 %

C’est important pour la voix. Un assistant qui doit répondre à voix haute en quelques secondes tourne généralement sur un modèle plus rapide, donc plus petit. Les fabricants ont aussi cessé de publier des résultats français-anglais pour leurs modèles les plus récents : c’est donc la comparaison claire la plus récente.

Le français du Québec perd plus. Des chercheurs de l’Université Laval ont mesuré à quel point les modèles comprennent les expressions québécoises, par rapport à celles de France (ACL 2026 Findings). Sur 111 modèles, 66 % comprenaient moins bien les expressions québécoises, et 9 % les comprenaient mieux. Les meilleurs y arrivent : Claude Opus 4.1 obtient 95,4 % sur les expressions québécoises. Les petits modèles reculent davantage :

Famille de modèles	Grand modèle, expressions québécoises	Petit modèle, expressions québécoises
OpenAI : GPT-5 et GPT-5-mini	88 %	77 %
Anthropic : Claude Opus 4.1 et Haiku 4.5	95 %	87 %
Google : Gemini 2.5 Pro et Flash	91 %	88 %

Des expressions de France à celles du Québec, GPT-5 perd 9,7 points. GPT-5-mini en perd 17,2.

La version de tous les jours, c’est le correcteur qui change « je suis tanné » en « talentueux », un exemple cité par l’OBVIA en janvier 2026.

Un modèle français est-il meilleur en français québécois? Pas automatiquement. Mistral a le tokeniseur le moins cher en français, mais dans l’étude de l’Université Laval, il obtient 97 % sur les expressions de France et 84 % sur celles du Québec, soit 12,5 points de moins, contre 3,6 pour Claude Opus 4.1. Sur la grammaire québécoise, il est parmi les meilleurs (90,2 %) : l’écart est dans les expressions. Les modèles entraînés surtout en français, comme Lucie, Croissant et Chocolatine, obtiennent de 10 % à 11 % sur les expressions québécoises, à peine mieux que le hasard. Être français ne rend pas un modèle québécois. La version de Mistral testée date probablement de la fin de 2024, et aucun résultat n’est encore publié pour Mistral Large 4.

La reconnaissance vocale : sept heures d’anglais pour chaque heure de français

La voix ajoute une deuxième couche. Les modèles vocaux ouverts publient leurs heures d’entraînement, et le déséquilibre diminue :

Modèle vocal	Heures d’anglais pour chaque heure de français
OpenAI Whisper (2022)	45
OWSM v3.1 (2024)	29
OWSM v4 (2025)	8,7
NVIDIA Canary (2025)	6,9

Sur le banc d’essai standard FLEURS, le français faisait environ deux fois plus d’erreurs que l’anglais en 2022. Aujourd’hui, Whisper large-v3 fait 4,0 % d’erreurs en anglais et 5,6 % en français, et Voxtral Mini Transcribe 2 de Mistral, 3,3 % et 4,3 %.

Trois mises en garde. Canary ne couvre que 25 langues européennes, ce qui gonfle la part du français. Les modèles fermés, comme GPT-4o, Gemini et Voxtral, ne publient pas leurs heures par langue. Et aucun de ces corpus ne compte les heures de français québécois : le Centre de recherche informatique de Montréal (CRIM) estime qu’elles représentent moins de 5 % des heures en français de Common Voice, de Mozilla.

Plus de données ne suffit d’ailleurs plus. En 2025, la quantité de données d’entraînement n’expliquait qu’environ la moitié des écarts d’erreurs entre les langues (OWLS). Le vrai problème n’est plus le français standard. C’est l’accent.

L’accent double encore les erreurs

Une étude présentée à Interspeech 2026 a tout gardé constant, sauf le dialecte de la personne qui parle : le même genre d’audio de balados et les mêmes règles de transcription (Nieto et autres). GPT-4o-transcribe faisait environ 8 % d’erreurs en français de France, 14 % en français canadien et 17 % en français du Sénégal et de la Côte d’Ivoire. Whisper large-v3 passait de 4,3 % en français de France à 6,4 % en français canadien, et les mots qu’il effaçait le plus souvent en français canadien étaient des marqueurs de tous les jours : « puis », « ben » et « sais ».

On retrouve la même tendance ailleurs :

• Les bancs d’essai standards ne prédisent pas les résultats au Québec. Sur du français québécois spontané, gpt-4o, le meilleur modèle sur FLEURS, n’arrive que 5e sur 9 (CRIM, 2025, prépublication).
• Les locuteurs de langue seconde s’en sortent moins bien. Même les meilleurs systèmes de 2026 font de 1,5 à 2 fois plus d’erreurs en anglais langue seconde (Hume AI, juillet 2026, prépublication).
• Les apprenants s’en sortent le moins bien. Avec des enfants qui apprennent le français, Whisper faisait 33 % d’erreurs, contre environ 5 % sur les bancs d’essai habituels (Verhelst et Belpaeme, HRI 2025).
• Des modèles plus gros ne referment pas l’écart à eux seuls. Une étude de 16 systèmes de reconnaissance de l’anglais sortis de 2021 à 2025 conclut que l’écart entre l’anglais américain standard et les accents minoritaires est « tenace, et ne diminue pas de façon fiable » (Metzger et autres, octobre 2026, prépublication).

Pour être juste envers les moteurs, les systèmes actuels s’en sortent bien sur des phrases courtes lues à voix haute, avec de 2 % à 4 % d’erreurs (WildASR, 2026, prépublication). L’écart s’ouvre en parole spontanée, et c’est ainsi que parlent les apprenants. Nous n’avons d’ailleurs trouvé aucune étude publiée qui teste les modèles de transcription actuels sur des adultes qui apprennent le français. C’est un trou dans la recherche.

Ce que ça donne avec de vrais apprenants

En juin 2026, nous avons comparé trois moteurs commerciaux de transcription sur plus de 20 000 énoncés réels d’apprenants, enregistrés avec leur consentement. Les moteurs étaient en fort désaccord sur 48 % d’entre eux. Quand trois moteurs donnent trois phrases différentes, au moins deux se trompent.

Ce que l’apprenant a dit	Ce qu’un moteur a entendu
« J’aimerais réserver la salle de réunion numéro 3 pour notre session de formation de deux heures jeudi matin. »	« January reserved La Salle, the union number to a four note, session deformation, diddou, or Jody Martin. »
« Nous discutons du plan de développement du nouveau médicament. »	« New plan. »
échantillons	« chantiers », « châteaux »
médicament	« américain »
fournisseurs	« furniture »
serveur	« sauveur »
fiable	« firewall »
essai clinique	« la sait clinique »
« Le problème avec l’emballage est réglé maintenant. »	« The problem of AI. »

Regardez quels mots tombent. Un moteur généraliste comble les trous avec les mots qu’il a vus le plus souvent. « Échantillons » est rare dans ses données, « chantiers » ne l’est pas. Le vocabulaire dont l’entreprise a le plus besoin est justement celui où l’IA généraliste est la plus faible.

Au Québec et ailleurs au Canada, les milieux de travail sont bilingues, et les apprenants changent de langue en pleine phrase. « J’ai déjà préparé le report » est devenu « l’offre » pour deux moteurs et « l’ordinateur » pour le troisième. Un des moteurs répondait en anglais pour 3,9 % de phrases clairement françaises. Alterner entre les langues est normal au travail, et un tuteur doit le voir, pas l’effacer.

Pourquoi une transcription « parfaite » nuit aux apprenants

La reconnaissance vocale grand public est conçue pour retrouver ce que vous vouliez dire. Un tuteur, lui, doit savoir ce que vous avez dit.

• Whisper changeait le « have » de jeunes apprenants de l’anglais en « has » 23,1 % du temps, contre 1,5 % pour un modèle entraîné sur la parole d’apprenants (Michot et autres, ACL 2024).
• Par défaut, Whisper ne garde que 2,5 % des mots de remplissage comme « euh » (McGuire, avril 2026), et de 2 % à 7 % des hésitations dans des conversations en anglais langue seconde (Husain et autres, 2026, prépublication).
• Des modèles récents terminent même des phrases que la personne n’a jamais finies : « no I can » devient « no I can’t » (WildASR, 2026).

On voit la même chose en français. Un apprenant a dit « Le suivi configuré fonction bien », et deux moteurs ont écrit « fonctionne ». Un autre a dit « Quand les results… », et un moteur a écrit « résultats ». Pour un sous-titreur, ce lissage est une qualité. Pour un tuteur, c’est un bogue : si la machine corrige la faute, l’apprenant ne la voit jamais, et la rétroaction ne peut pas en tenir compte.

GPT-4o-transcribe ou Gemini corrigent-ils la grammaire des apprenants de la même façon? Aucune étude publiée ne l’a encore mesuré. L’article de Michot (2024) reste la seule mesure directe.

Ce qu’il faut pour corriger le problème

Des données de gens qui apprennent. Les grands corpus de parole québécoise publiés récemment, CommissionsQC (CRIM, plus de 1 000 heures) et CEREALES (UQAM, plus de 600 heures), sont de la parole native. Ils aident pour l’accent, mais les données d’entraînement sont dominées par des locuteurs natifs, alors qu’un produit d’apprentissage est utilisé par des apprenants.

La parole synthétique aide, mais ne remplace pas la vraie. Le CRIM a testé du français québécois synthétique pour entraîner un système de reconnaissance vocale (Perrin et Boulianne, 2025, prépublication). Plus bas, c’est mieux :

Données d’entraînement	Taux d’erreur sur les mots
72,7 heures de parole réelle	13,6 %
90 heures de parole synthétique seulement	26,9 %
10 heures de parole réelle seulement	80,8 %
10 heures de parole réelle et 710 heures de parole synthétique	22,8 %

Le synthétique comble un manque quand les vraies données sont rares, mais il n’égale pas la vraie parole. Entraîner sans discernement sur du contenu généré cause des « défauts irréversibles » et fait disparaître les queues de la distribution (Shumailov et autres, Nature, 2024), et les accents rares se trouvent justement dans ces queues. Garder les vraies données à côté du synthétique évite cet effondrement (Gerstgrasser et autres, 2024). Accumuler, pas remplacer.

La parole synthétique a ses propres pièges. Dans nos tests, une voix de synthèse à qui l’on demandait de lire le mot « tu » seul disait souvent l’anglais « two » : elle ne le réussissait que 5 fois sur 12 seul, mais 12 fois sur 12 dans la phrase « Le mot : tu. »

Le contexte. Un enseignant qui sait que son élève est hispanophone et travaille en pharmaceutique l’entend mieux. Les moteurs commerciaux reçoivent l’audio seul. Un tuteur peut donner au transcripteur la question qu’il vient de poser, la langue maternelle et la langue cible de l’apprenant ainsi que le vocabulaire de son métier, et lui demander de garder les fautes, les hésitations et les changements de langue, mot pour mot.

Ne pas pénaliser le français du Québec. Nous avons dû corriger ce problème dans notre propre produit. Notre IA classait des locuteurs québécois natifs au niveau A2 ou B1 au lieu de C1 ou C2, jusqu’à ce que nous lui précisions, en novembre 2025, que « j’suis », « y’a », « t’sais », « chu » et « pis » sont des formes normales du français parlé, pas des erreurs. Un problème plus large demeure : les moteurs commerciaux d’évaluation de la prononciation prennent rarement en charge le français canadien. Un apprenant peut donc entendre une voix québécoise, puis être évalué selon la prononciation de France.

Tester sur de vrais apprenants. Les bancs d’essai comme FLEURS utilisent de la parole claire et lue. Un outil destiné à des employés qui apprennent le français devrait être testé sur des employés qui apprennent le français.

Les enregistrements de la voix sous la Loi 25

Une voix enregistrée est un renseignement personnel, et un tuteur qui apprend à partir d’enregistrements touche plusieurs articles de la Loi sur la protection des renseignements personnels dans le secteur privé, modifiée par la Loi 25. Voici notre lecture, qui n’est pas un avis juridique :

Article	Ce qu’il exige	Ce que ça veut dire pour un tuteur vocal
12	Le consentement pour utiliser un renseignement personnel à une autre fin que celle pour laquelle il a été recueilli, sauf exceptions limitées, et un consentement exprès pour un renseignement sensible, dont un renseignement biométrique	Un consentement avant d’utiliser les enregistrements pour entraîner des modèles, à moins qu’une exception s’applique
17	Une évaluation des facteurs relatifs à la vie privée (ÉFVP) avant de communiquer un renseignement personnel à l’extérieur du Québec	Une ÉFVP pour chaque fournisseur d’IA qui traite des données hors du Québec
8.1	Informer les personnes quand une technologie permet de les profiler, ce qui inclut l’analyse de leur rendement au travail	Les rapports de progrès remis à l’employeur
12.1	Informer la personne d’une décision fondée exclusivement sur un traitement automatisé	Un niveau attribué par l’IA, s’il sert à décider quelque chose
23	Anonymiser, c’est le faire de façon irréversible	Des enregistrements pseudonymisés restent des renseignements personnels

Transcrire la parole, ce n’est pas identifier quelqu’un. Mais si la voix sert à identifier ou à vérifier une personne, elle devient un renseignement biométrique, avec des règles de consentement plus strictes et une déclaration à la Commission d’accès à l’information, qui interprète la biométrie de façon large (Torys, au sujet de la décision Metro, 2025). Les sanctions administratives pécuniaires vont jusqu’à 10 M$ ou 2 % du chiffre d’affaires mondial, et les amendes pénales, jusqu’à 25 M$ ou 4 %.

L’endroit où dort la donnée n’est pas celui où tourne le modèle. Héberger au Canada répond à une question. L’endroit où l’IA traite les données, ce qu’on appelle l’inférence, en est une autre : certains modèles d’IA ne sont pas encore offerts dans les régions infonuagiques canadiennes, et une requête peut donc sortir du pays même si la base de données, elle, n’en sort pas. Qui exploite le nuage compte aussi. En juin 2025, une commission d’enquête du Sénat français a demandé à Microsoft France, sous serment, si elle pouvait garantir que les données des citoyens français confiées par l’entremise de la centrale d’achat de l’État ne seraient jamais transmises aux autorités américaines, à la suite d’une injonction, sans l’accord explicite de la France. La réponse : « Non, je ne peux pas le garantir », en ajoutant que ce n’était encore jamais arrivé (compte rendu du Sénat). En août 2025, l’appel d’intérêt d’Ottawa pour un nuage public souverain excluait les fournisseurs soumis à des lois étrangères qui permettent d’accéder aux données sans le consentement du Canada.

Le Québec construit une partie des morceaux manquants. Cohere et Mila travaillent ensemble sur le français québécois (mai 2026), le gouvernement du Québec a signé une entente exploratoire avec Mistral (juin 2026), et BAnQ prépare une banque de données culturelles pour l’IA.

Ce que ça veut dire pour les employeurs

Les barrières linguistiques ont un coût. Dans une étude randomisée menée dans 27 multinationales, les gestionnaires perdaient le tiers de leur temps de réunion à cause de la langue, et un cours de 48 heures a rendu leurs équipes 15 % plus rapides lors d’un exercice (notre résumé de l’étude). Un outil d’IA qui entend mal les apprenants ajoute à ce coût au lieu de le réduire. Avant d’en acheter un, demandez :

1. L’avez-vous testé sur des gens comme les nôtres? Utilisez les accents de vos employés, votre jargon et leurs vraies fautes. Les résultats sur FLEURS ou sur d’autres bancs d’essai publics ne prédisent ni le français du Québec ni la parole des apprenants.
2. Transcrit-il ce qui a été dit, ou ce qu’on voulait dire? Un outil qui corrige les fautes en silence ne peut pas donner de rétroaction sur elles.
3. Comment gère-t-il le vocabulaire de notre secteur? Les moteurs généralistes échouent d’abord sur les mots de métier.
4. Selon quel français évalue-t-il la prononciation? La référence devrait correspondre au milieu de travail. Pour une équipe à Montréal ou à Saguenay, évaluer selon Paris, c’est le mauvais étalon.
5. Où sont stockées les données, et où tourne le modèle? Ce sont deux réponses différentes, et la Loi 25 s’intéresse aux deux.
6. Qui peut écouter les enregistrements, et servent-ils à l’entraînement? Le consentement devrait être explicite, et les employés devraient savoir ce que voit leur employeur.

Où Conversaflex s’insère

Conversaflex est une plateforme de pratique orale par IA, en français, en anglais et en espagnol, conçue pour le travail. Les employés parlent à voix haute avec Madame AI, un tuteur de langue par IA qui s’adapte à leur niveau, à leur langue maternelle et à leur domaine, dans des scénarios tirés des réunions, des appels et des présentations qu’ils vivent réellement. Nous l’avons conçu autour des problèmes décrits dans cet article : il est pensé pour transcrire ce que l’apprenant a dit, fautes et hésitations comprises, afin de pouvoir en tenir compte dans la rétroaction; il traite les formes du français parlé au Québec comme du français normal; et il fait pratiquer le vocabulaire du métier de chaque apprenant.

Ce n’est pas un professeur, et la plateforme ne prétend pas en remplacer un. Notre page sur la formation en français des affaires explique comment les équipes l’utilisent, et vous pouvez essayer une version limitée vous-même.

Questions fréquentes

L’IA comprend-elle le français québécois?

Mieux qu’avant, mais moins bien que le français de France. Dans une étude de l’Université Laval publiée en 2026, 66 % de 111 modèles de langue comprenaient moins bien les expressions québécoises que celles de France. Les plus grands modèles s’en approchent (Claude Opus 4.1 obtient 95,4 % sur les expressions québécoises), mais les petits reculent davantage, et les modèles entraînés surtout en français de France font à peine mieux que le hasard. La reconnaissance vocale suit la même tendance : GPT-4o-transcribe faisait environ 14 % d’erreurs en français canadien, contre environ 8 % en français de France.

Quelle part des données d’entraînement de l’IA est en français?

De 1 % à 3 % environ pour les modèles récents, selon les données d’entraînement publiées et les estimations tirées des tokeniseurs. L’anglais représente encore de 70 % à 80 % environ des corpus d’entraînement ouverts. OpenAI, Google, Anthropic et Mistral ne publient plus la part de chaque langue.

Pourquoi l’IA coûte-t-elle plus cher en français?

L’IA se paie au jeton, et les tokeniseurs bâtis surtout à partir de l’anglais découpent le français en plus de morceaux. Selon une prépublication de 2026, le français demande de 1,31 à 1,58 fois plus de jetons que l’anglais, selon le tokeniseur : 100 $ de traitement en anglais coûtent donc de 131 $ à 158 $ en français. Plus de jetons, c’est aussi plus de latence et une fenêtre de contexte qui se remplit plus vite.

La reconnaissance vocale est-elle fiable pour les gens qui apprennent le français?

Pas encore de façon fiable. Les erreurs doublent à peu près avec l’accent et la parole spontanée, et les apprenants sont les plus touchés : avec des enfants qui apprennent le français, Whisper faisait 33 % d’erreurs, contre environ 5 % sur les bancs d’essai standards. Les moteurs grand public ont aussi tendance à corriger les fautes des apprenants et à effacer leurs hésitations, ce qui cache justement ce sur quoi l’apprenant doit travailler. Aucune étude publiée ne teste encore les modèles actuels sur des adultes qui apprennent le français.

Un enregistrement de la voix est-il un renseignement personnel selon la Loi 25?

Oui. L’enregistrement de la voix d’une personne identifiable est un renseignement personnel selon la loi québécoise sur la protection des renseignements personnels dans le secteur privé. L’utiliser à une nouvelle fin, comme entraîner un modèle d’IA, exige généralement un consentement, et le communiquer à l’extérieur du Québec exige d’abord une évaluation des facteurs relatifs à la vie privée. Si la voix sert à identifier ou à vérifier une personne, elle devient un renseignement biométrique, soumis à des règles plus strictes. Il s’agit d’une lecture générale, pas d’un avis juridique.

Les chiffres ont été vérifiés en octobre 2026, et les prépublications, qui n’ont pas encore été revues par des pairs, sont indiquées comme telles. Les exemples d’apprenants viennent de la révision interne, par Conversaflex, d’enregistrements faits avec le consentement des apprenants; les moteurs ne sont pas nommés, car c’est la tendance qui compte, pas le fournisseur.