Une étude de l'UW montre que les grands modèles d'IA notent le plus bas les accents chinois et nigérian en entretien et en test
Les chercheurs ont testé des modèles multimodaux de Google, OpenAI et Alibaba sur des textes identiques lus avec cinq accents et constaté des notes plus basses sur l'élocution, parfois sur le fond, même avec une transcription exacte.
Pourquoi c’est important
Les modèles audio servent de plus en plus à trier des entretiens enregistrés et à noter des oraux et des tests d'anglais : une pénalité systématique liée à l'accent a donc des effets directs sur l'embauche et l'éducation. L'équipe a comparé les accents américain, britannique, chinois, indien et nigérian sur les mêmes textes, isolant l'accent du contenu. Les modèles disaient souvent que les locuteurs chinois et nigérians marmonnaient, tout en les transcrivant correctement. Les travaux ont été présentés le 25 octobre à EMNLP à Budapest ; reste à voir la réaction des éditeurs.
Faits clés
- Cinq accents : américain, britannique, chinois, indien, nigérian
- Modèles de Google, OpenAI et Alibaba testés
- Entretiens, conférences et tests d'anglais
- Accents chinois et nigérian classés les plus bas
- Présenté le 25 octobre à EMNLP à Budapest