SafeVoice — un moteur propriétaire d'analyse de la parole qui signale une probable imprégnation alcoolique à partir de quelques secondes de parole ordinaire. Non invasif, sans matériel spécialisé : une simple phrase prononcée suffit.
Le personnel dont les facultés sont altérées reste l'une des principales causes — et l'une des moins instrumentées — d'incidents industriels évitables. L'alcool dégrade la vitesse de réaction, l'appréciation des distances et la motricité fine bien avant que les symptômes ne deviennent visibles. Les contrôles traditionnels — éthylotests périodiques et vérifications visuelles par l'encadrement — sont intermittents, intrusifs, créent des files d'attente à l'entrée du poste et restent faciles à contourner. Résultat : un angle mort opérationnel, où les états les plus à risque sont précisément les plus difficiles à intercepter en continu.
La voix est le signal idéal pour combler cette lacune. Les opérateurs utilisent naturellement la radio Push-to-Talk, les interphones et des interfaces vocales tout au long de leur poste. L'alcool modifie systématiquement la biomécanique acoustique — vitesse d'articulation, temporisation de la phonation, prosodie et qualité spectrale de la voix — autant de biomarqueurs qu'un modèle spécialisé extrait de quelques secondes d'audio.
SafeVoice se déploie selon deux architectures complémentaires.
SafeVoice-Ref compare la voix en temps réel à la référence à jeun enregistrée pour chaque opérateur — idéal pour le contrôle d'accès en début de poste.
SafeVoice-Solo fonctionne en zero-shot, sans référence préenregistrée : il évalue une prise de parole isolée au fil des communications radio de routine, tout au long du poste.
Jeu de test réservé de l'Alcohol Language Corpus allemand, le benchmark public de référence, évalué au rappel moyen non pondéré (UAR). Les comparaisons avec l'état de l'art utilisent la métrique par fenêtre — une seule décision par énoncé, sans vote — car l'état de l'art ne recourt pas au vote.
Plutôt que de classer un extrait audio isolément, SafeVoice-Ref le compare au profil de référence de la personne. Éliminer la variance acoustique entre locuteurs apporte un gain immédiat d'environ 5 points de rappel moyen non pondéré (UAR) — l'avancée architecturale la plus déterminante de notre travail.
Ref et Solo s'appuient sur les mêmes représentations acoustiques de bas niveau. SafeVoice-Ref maximise la précision grâce à un enrôlement unique et rapide, tandis que SafeVoice-Solo privilégie l'absence totale de friction opérationnelle : il analyse n'importe quel locuteur immédiatement, sans historique.
L'usage veut que l'on gèle les réseaux dorsaux préentraînés lorsque le corpus est réduit. Nos campagnes expérimentales ont montré l'inverse : la précision du dépistage croît avec la profondeur du réglage fin, avec un bond d'environ 7 points en adaptation complète de bout en bout par rapport à un gel partiel des couches.
Les biomarqueurs acoustiques se manifestent à différentes résolutions temporelles. Les couches basses du réseau conservent la dynamique fine de l'articulation et du conduit vocal, tandis que les couches hautes modélisent le flux prosodique et le rythme du phrasé. Une fusion multi-niveaux suivie d'un pooling attentionnel pondère dynamiquement les trames les plus informatives.
Nous avons écarté le bruit blanc de synthèse au profit de vastes corpus audio industriels — machines lourdes, grondement des engins, brouhaha ambiant et réverbération des structures. Cela a comblé l'écart de performance en conditions de terrain difficiles, sans dégrader la précision sur audio propre.
Pour éviter qu'un pic transitoire ou un raclement de gorge ne déclenche une fausse alerte, la chaîne d'inférence évalue plusieurs fenêtres d'analyse qui se recouvrent pour un même énoncé. Le vote par consensus ajoute 1 à 2 points d'UAR et rend la détection remarquablement robuste aux accidents acoustiques du terrain.
UAR par consensus (MV@5), avec référence / sans référence. Publié y compris pour les conditions où la précision baisse.
SafeVoice ne mesure pas l'alcoolémie et ne peut fonder un retrait de poste. C'est un outil de dépistage de première ligne, qui indique qui mérite attention en vue d'une vérification par les moyens réglementaires. La comparaison pertinente n'est pas avec l'éthylotest, mais avec l'alternative en usage aujourd'hui : l'observation par l'encadrement, dont les performances se situent à peu près au niveau d'une écoute non entraînée.
Tous les résultats proviennent d'un seul corpus : l'Alcohol Language Corpus allemand, enregistré auprès de 162 locuteurs avec, pour chacun, une vérité terrain d'alcoolémie sanguine et d'air expiré. C'est le benchmark de référence pour cette tâche, mais il reste un corpus unique, et toutes les comparaisons ci-dessus portent sur son jeu de test réservé.
Nous publions les conditions dans lesquelles la précision se dégrade en même temps que les chiffres phares, et nous publions ce que nous avons écarté : les têtes auxiliaires de reconnaissance d'émotion et de régression de l'alcoolémie (effet négatif), le gel partiel du réseau dorsal (environ sept points de moins), l'ajustement du seuil de décision (un correctif de symptôme valant 0,2 point) et le conditionnement par embedding de locuteur pour le modèle sans référence — un gain réel de 0,6 point, abandonné parce qu'il aurait imposé un enrôlement par utilisateur et détruit l'avantage propre à Solo : l'absence totale de friction.
Contrôle d'aptitude au poste en début de service : un bref pointage vocal comparé à une référence enregistrée
Surveillance passive continue sur le trafic radio de routine, sans aucun enrôlement
Une alerte calibrée transmise au superviseur concerné, pour une décision humaine
Une exécution sur CPU, avec moins d'une seconde de latence par fenêtre d'analyse
Une dégradation progressive lorsque le contexte démographique n'est pas disponible
Une restitution dans la plateforme XENOM, aux côtés des autres signaux opérationnels du site