Le vrai push-to-talk

Un bouton qu'on tient devrait garder la parole ouverte tant qu'on le tient. Le nôtre ne le faisait pas vraiment : le problème ne venait pas de notre code, mais d'une limite qu'on ne pouvait pas voir avant de la heurter.

Un bouton qui promettait plus qu'il ne tenait

Le principe du push-to-talk est simple : tu appuies, tu parles, tu relâches, c'est transmis. Sauf que la reconnaissance vocale embarquée dans Android a son propre chronomètre, invisible depuis notre code : après environ une seconde et demie de silence, elle considère que tu as fini de parler et coupe l'écoute, que ton doigt soit encore sur le bouton ou non. Une hésitation, une respiration un peu longue en cherchant ses mots, et la phrase était tronquée sans prévenir. Pire : pour continuer à écouter malgré cette coupure, il fallait relancer le moteur en catimini, ce qui produisait des bips audibles et des trous dans la transcription. Le bouton disait « je t'écoute tant que tu me tiens », mais dans les faits, il te coupait la parole au bout d'une pause un peu trop naturelle.

Un mur qu'on ne peut pas déplacer

Nous avons d'abord cherché à contourner ce chronomètre : le désactiver, l'allonger, le masquer derrière une relance plus discrète. Rien n'y a fait. C'est une limite fixée par le système, documentée comme telle, et reproduite à l'identique sur plusieurs téléphones Android récents. Un push-to-talk digne de ce nom doit pouvoir durer aussi longtemps que l'utilisateur le décide, pauses comprises : un rappel dicté, une liste de courses réfléchie à voix haute, une pensée qui hésite avant de se formuler. Aucun réglage ne permettait d'obtenir ça depuis ce moteur-là. Il fallait en sortir.

Capturer, envoyer, transcrire ailleurs

Nous avons donc changé d'approche à la racine. Plutôt que de faire reconnaître la voix directement sur le téléphone, XNeuronal enregistre maintenant l'audio brut, dans un format compact, pendant tout le temps où le bouton est tenu, sans aucune limite de durée imposée par le système. Au relâchement, ce fichier part vers le serveur, accompagné de ton identifiant, pour y être transcrit par notre reconnaissance vocale dans le cloud. Pendant l'enregistrement, une bulle « 🎙 j'écoute… » reste affichée directement dans le fil de la conversation ; au relâchement, elle devient « transcription… » le temps de l'aller-retour réseau, puis se transforme en ton message final : un seul et même repère visuel du début à la fin, là où avant l'indication flottait sous l'orbe, séparée du fil.

Cette bascule a aussi été l'occasion de rendre le geste plus strict : tant que le bouton est tenu, aucune alerte d'erreur ne vient perturber l'écoute, et le relâchement déclenche l'envoi sans ambiguïté, même si tu as retiré ton doigt un instant trop tôt ou trop tard. C'est ce geste, tenu et fiable, qui reste au cœur de la voix et de la conversation avec XNeuronal. Envoyer un fichier plutôt qu'écouter en direct déplace aussi le risque : la panne n'est plus dans le micro, elle peut venir du réseau. Sans réseau, la dictée ne peut tout simplement pas être transcrite. En coulisses, le module vocal encaisse les décrochages passagers de la connexion : si la session se rompt en cours de route, il la relance avec un temps d'attente croissant, jusqu'à huit tentatives, pour qu'une micro-coupure isolée ne se transforme pas en dictée perdue.

Ce qu'on gagne, ce qu'on paie

Le gain est net : la transcription ne dépend plus d'un moteur limité par un chronomètre qu'on ne contrôle pas, et sa fidélité s'en trouve meilleure, y compris sur les phrases longues, hésitantes, ou truffées de noms propres qu'un moteur générique embarqué reconnaissait mal. Le prix, nous l'assumons : puisque l'audio part vers un serveur, il n'y a plus de retour instantané pendant que tu parles, pas de mot affiché en direct, juste la promesse d'une transcription fidèle une fois le bouton relâché, et une dépendance de fait au réseau pour que cette transcription arrive. Nous préférons cette honnêteté à un bouton qui semblait réactif en façade mais te coupait la parole sans le dire.