Decolonizing Linguistic Policies in Automated Speech Recognition: A Framework for Cross-Culturally Competent Speech AI

Résumé technique : Décoloniser les politiques linguistiques dans la reconnaissance automatique de la parole

Énoncé du problème
L'article soutient que les échecs persistants de la reconnaissance automatique de la parole (RAS) et des interfaces vocales médiées par la RAS pour les langues à faibles ressources, les langues autochtones et les variétés linguistiques non standard ne sont pas de simples bogues techniques ou des problèmes de rareté des données. Au contraire, ces échecs sont les résultats prévisibles de politiques linguistiques implicites ancrées dans la conception, l'évaluation et le déploiement de l'IA vocale. Ces politiques reproduisent les hiérarchies linguistiques coloniales en définissant quelles voix sont « lisibles par la machine » et lesquelles sont inintelligibles. Les régimes d'évaluation actuels, dominés par le taux d'erreur de mots (WER), ne parviennent pas à capturer la nature structurelle de ces échecs, qui vont du refus d'accès aux services publics et de santé à l'indignité d'être rendu inintelligible. L'article postule que les systèmes de RAS opérationnalisent le capital linguistique (valorisant les variétés de prestige au détriment des variétés marginalisées) et les idéologies raciolinguistiques (jugeant la parole à travers l'identité perçue du locuteur) à travers trois couches techniques : la curation des données, la sélection des métriques et les a priori des modèles.

Méthodologie et cadre théorique
L'article emploie une synthèse théorique plutôt qu'une nouvelle architecture expérimentale. Il intègre quatre traditions intellectuelles pour analyser l'architecture politique de la RAS :

1. La théorie du capital linguistique : explique comment le pouvoir institutionnel attribue de la valeur à des variétés linguistiques spécifiques.
2. L'idéologie raciolinguistique : analyse comment les jugements sociaux sur la race et l'identité façonnent les pratiques d'écoute et l'entraînement des systèmes.
3. La recherche sur les politiques linguistiques : examine comment les institutions gèrent l'usage des langues, adaptée ici à la « politique linguistique computationnelle ».
4. L'informatique décoloniale : critique la manière dont l'infrastructure technique étend les relations et les épistémologies coloniales.

En utilisant cette synthèse, les auteurs proposent deux outils analytiques principaux :

• Le modèle de situéité à sept couches : une carte diagnostique (Figure 1) qui part du niveau de surface de la « Langue » (étiquettes supportées) pour descendre vers la « Nation », la « Région », l'« Identité ethno-linguistique » et l'« Idéologie sociolinguistique », puis remonter vers les « Corrélations de justice sociale » et les « Implications socio-techniques ». Ce modèle illustre comment les systèmes de RAS ignorent souvent les pratiques de parole situées (ex. : alternance codique, variations tonales, dialectes régionaux) au profit de normes standardisées.
• La taxonomie des trois préjudices (3M) : une classification des modes de défaillance qui dépasse la simple précision de la transcription :
  • Méconnaissance (Misrecognition) : transcriptions incorrectes, mots omis ou refus total de reconnaître une variété linguistique.
  • Désalignement (Misalignment) : production d'un résultat plausible qui interprète mal le sens culturellement situé (ex. : perte des honorifiques, mauvaise lecture de la pragmatique ou échec de la gestion de l'alternance codique).
  • Méfiance (Mistrust) : le préjudice relationnel où les utilisateurs se désengagent en raison d'une perception d'imprévisibilité, de manque de respect ou de risques de surveillance.

Contributions clés
L'article apporte trois contributions intégrées :

1. Compte rendu théorique : il recadre les échecs de la RAS comme des politiques linguistiques structurelles mises en œuvre à travers les données, les métriques et les a priori des modèles. Il démontre comment les décisions techniques (ex. : directives de transcription, composition des benchmarks, comportements de repli) fonctionnent comme des politiques même en l'absence de documentation formelle.
2. La taxonomie 3M et le protocole d'audit : il introduit le cadre de la Méconnaissance, du Désalignement et de la Méfiance comme un diagnostic opérationnel. Crucialement, il propose un Protocole d'audit 3M minimum qui comprend :
   • La définition du contexte et du risque.
   • La construction de jeux de tests ancrés culturellement (incluant les idiotismes, les honorifiques et l'alternance codique).
   • La spécification des rôles des évaluateurs (nécessitant des évaluateurs communautaires fluents).
   • L'annotation des modes de défaillance à l'aide d'un codebook partagé.
   • L'arbitrage des litiges via des évaluateurs communautaires plutôt que par des votes majoritaires externes.
   • Il préconise également des métriques au-delà du WER, telles que le Taux d'Erreur de Ton (TER) pour les langues tonales et des taux d'erreur spécifiques aux clics pour des langues comme le Xhosa et le Zulu.
3. Cadre participatif pour une RAS culturellement compétente : l'article propose un cadre à quatre piliers (Figure 2) qui réattribue l'autorité de conception et d'évaluation aux communautés concernées :
   • Audit participatif : les communautés dirigent l'identification des défaillances en utilisant la taxonomie 3M.
   • Co-conception communautaire : les communautés définissent le comportement « correct », les directives d'annotation et la gouvernance des données (y compris le droit de retirer ses données).
   • Déploiement équitable : les communautés déterminent les conditions de déploiement, les règles de repli et les mesures de sécurité des risques.
   • Intégration des retours : une boucle où les défaillances identifiées par la communauté déclenchent des obligations de réparation et des mises à jour du système.

Résultats et conclusions
En tant que papier conceptuel et méthodologique, il ne rapporte pas de nouveaux résultats expérimentaux ou de scores de benchmark. À la place, ses « résultats » sont l'identification de mécanismes spécifiques par lesquels le préjudice survient :

• Curation des données : la sélection des données d'entraînement reflète les hiérarchies coloniales, traitant les langues « à faibles ressources » comme intrinsèquement pauvres en ressources plutôt que politiquement marginalisées.
• Métriques : le WER est montré comme insuffisant pour les langues tonales (où le ton porte le sens lexical) et les langues aux orthographies non standard, échouant souvent à traiter des caractéristiques phonologiques distinctes en les regroupant dans un score d'erreur unique.
• A priori des modèles : les modèles de langue pénalisent l'alternance codique et les séquences non standard, forçant de fait les locuteurs à s'adapter aux normes de prestige pour être reconnus.
• Preuves de cas : l'article cite la littérature existante (ex. : Koenecke et al. sur l'anglais afro-américain, Mensah et al. sur l'ASR de l'Akan) pour démontrer que le décalage de domaine mène à la méconnaissance, au désalignement et à la méfiance, validant ainsi le besoin de son cadre proposé.

Signification et revendications
L'article revendique sa signification non pas en offrant une nouvelle architecture de RAS, mais en fournissant un cadre d'évaluation centré sur l'humain pour identifier les préjudices culturellement situés que les régimes centrés sur le WER sous-spécifient.

• Il soutient que la compétence culturelle ne peut être réduite à une précision agrégée ou à la couverture linguistique ; elle nécessite d'aborder l'alignement pragmatique et la confiance.
• Il positionne le refus et la non-reconnaissance comme des résultats de conception légitimes. Les auteurs soutiennent que les communautés devraient avoir l'agence de décider quand leur parole ne devrait pas être lisible par la machine (ex. : pour la confidentialité, le protocole culturel ou la résistance à la surveillance), présentant l'« intelligibilité sélective » comme une forme de gouvernance plutôt que comme une défaillance technique.
• Le travail sert d'appel à passer d'une collecte de données extractive à une gouvernance participative, où les communautés affectées agissent comme co-concepteurs, évaluateurs et partenaires de gouvernance pour réparer la « relation de légitimité défaillante » entre les systèmes de parole et les locuteurs marginalisés.

L'article conclut que pour que l'IA vocale remplisse sa promesse de connexion transculturelle, elle doit faire face aux héritages coloniaux qui déterminent qui peut parler, qui peut être compris et qui construit les systèmes qui écoutent.