Nettoyer la parole du bruit, c'est un peu comme essayer de régler un vieux téléviseur : si l'on pousse trop sur le 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 la clé, c'est le volume, et non la synchronisation de phase. Une suppression trop zélée du bruit, cette entropie acoustique, dénature le signal, et l'ordinateur, habitué aux enregistrements vivants, ne reconnaît plus les mots. Un peu de bruit peut même servir d'indice utile — un peu comme en photométrie, où le scintillement des étoiles apporte des informations. Paradoxe : le système Whisper, nourri de sons sales, 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 trouve 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.