Nettoyer la parole du bruit, c'est un peu comme régler un vieux téléviseur : à force de tourner le bouton de contraste, les visages deviennent artificiels. Les chercheurs ont réussi à régler séparément le « volume » et le « décalage temporel » pour chaque fréquence sonore, comme s'ils décomposaient le son en arc-en-ciel — une méthode connue sous le nom de spectroscopie. Il s'est avéré que le bouton clé est le volume, et non la synchronisation de phase. Une suppression trop zélée du bruit, cette entropie acoustique, vide le signal de sa substance, et l'ordinateur, habitué aux enregistrements vivants, ne reconnaît plus les mots. Un peu de bruit sert parfois d'indice utile — un peu comme, en photométrie, le scintillement des étoiles porte de l'information. Paradoxe : le système Whisper, nourri de son sale, entend moins bien après un nettoyage parfait. En revanche, wav2vec2.0 préfère un nettoyage agressif. Il n'y a pas de recette unique, mais la méthode, qui puise ses racines dans les travaux de Joseph Fourier, permet de trouver rapidement l'équilibre idéal. Il suffit d'ajouter des boutons virtuels — et n'importe quel améliorateur de parole s'entendra avec n'importe quel assistant vocal, sans long réapprentissage.
Whisper d'OpenAI, entraînée sur des enregistrements bruités, comprend paradoxalement moins bien une parole parfaitement nettoyée — il lui manque les « impuretés » sonores habituelles.