Intron, la startup nigériane qui bâtit la voix de l'IA africaine

Un constat de départ : 22 mots par minute

En 2022, une étude menée par Intron auprès de médecins nigérians a mesuré une vitesse de frappe moyenne de seulement 22 mots par minute. Ce chiffre, en apparence anecdotique, révèle une contrainte structurelle du système de santé nigérian, selon Condia.

Chaque consultation impose au praticien d'écouter le patient, de poser des questions, d'envisager des diagnostics et de consigner l'échange, souvent sous la forme d'une note clinique organisée autour des symptômes, de l'évaluation et du plan de traitement. Dans un pays où le ratio médecins-population est faible, cette charge administrative s'accumule.

Un rapport de 2018 indiquait que les médecins des hôpitaux publics nigérians pouvaient recevoir plus de 80 patients par jour. Les recherches d'Intron situent plutôt cette fourchette entre 50 et 70 patients quotidiens. Dans ce contexte, gagner du temps sur les tâches administratives courantes change concrètement la donne.

Du dossier médical à la technologie vocale

C'est ce problème qu'a entrepris d'attaquer Tobi Olatunji, médecin formé au Nigeria et passé par Amazon et Enlitic comme scientifique en apprentissage automatique et traitement du langage naturel. Sa première piste a été le dossier médical électronique, dont la numérisation devait améliorer le stockage et la gestion des informations cliniques.

Au contact des établissements de santé, l'équipe a toutefois constaté que les médecins passaient toujours trop de temps à saisir des données et réclamaient une solution vocale. L'idée : dicter ses observations et les voir converties en texte.

Un obstacle est apparu : les technologies de reconnaissance vocale disponibles à l'époque ne prenaient pas correctement en compte la manière de parler de nombreux Africains. Intron a donc changé de cap, abandonnant le produit de dossier médical pour développer une brique vocale destinée à d'autres logiciels.

Construire une infrastructure pour les langues africaines

La qualité d'un système de reconnaissance vocale dépend fortement des langues, accents et schémas d'élocution présents dans ses données d'entraînement. Un modèle performant sur un anglais standardisé peut échouer face à un accent nigérian, au pidgin nigérian ou à une conversation alternant anglais et yoruba. Il peut aussi buter sur un vocabulaire spécialisé ou sur des prononciations variables.

Quand un système vocal ne comprend pas ses utilisateurs, le gain de productivité espéré disparaît : répétitions, corrections manuelles, voire abandon de l'outil. Intron a donc choisi de développer des modèles propriétaires autour des usages vocaux rencontrés sur ses marchés cibles.

Temitope Ekundayo, qui a évoqué le développement de l'entreprise, décrit le vide constaté lors de la recherche de modèles existants adaptés aux cas d'usage africains. « Cela vous surprendrait de savoir qu'aucun grand modèle vocal d'IA ne disposait de quelque chose qui fonctionne pour l'Afrique », a-t-il déclaré.

Les modèles vocaux Sahara fournissent de la reconnaissance vocale et des capacités associées que développeurs et entreprises peuvent intégrer à leurs propres produits. La même infrastructure sert aujourd'hui plusieurs secteurs : un hôpital peut l'utiliser pour transcrire des consultations, un tribunal pour documenter des audiences, une société de services financiers pour un centre d'appels ou un service client vocal.

Le coût réel d'un modèle vocal

Avant même l'entraînement, construire un modèle vocal fiable commence par les données : des enregistrements de locuteurs et des transcriptions exactes. Selon l'application, ces données peuvent aussi nécessiter des informations sur les locuteurs, les variantes linguistiques, les conditions d'enregistrement et le vocabulaire spécialisé.

Le problème est qu'une grande partie des données vocales disponibles ne représente pas correctement la parole africaine quotidienne. Les enregistrements en studio et les phrases lues donnent une base, mais ne restituent pas la complexité d'une conversation spontanée.

Ekundayo indique que développer un modèle pour une langue peut souvent coûter plus de 100 000 dollars, selon le travail requis : collecte des enregistrements, transcription, annotation, relecture et contrôle qualité avant que les données soient exploitables.

Intron a mis en place une plateforme de collecte de voix appelée Zara Contribute. Selon l'entreprise, son réseau de contributeurs dépasse 70 000 personnes, et son approche a été conçue pour respecter les exigences nigérianes en matière de protection des données.

Après collecte, les enregistrements doivent être transcrits correctement, vérifiés et organisés selon l'usage prévu. Des étiquettes de mauvaise qualité peuvent enseigner de mauvaises associations au modèle, tandis que des enregistrements non représentatifs le rendent peu fiable pour les populations qu'il est censé servir.

Selon Ekundayo, Intron privilégie les langues à forte utilisation et à demande claire : l'afrikaans en Afrique du Sud, le swahili en Afrique de l'Est, ainsi que le haoussa, l'igbo et le yoruba au Nigeria. L'entreprise élargit par ailleurs son catalogue de langues prises en charge.

Cette année, elle a lancé Sahara v2.5, qui introduit 12 modèles bilingues et un modèle trilingue capable de gérer le kinyarwanda, l'anglais et le français dans une même conversation. « La version 2 comprenait comment parlent les Africains, savait entendre et fournissait des chiffres exacts. La version 2.5 comprend que les Africains passeront de l'anglais au yoruba dans la même phrase et le transcrit », a-t-il expliqué.

S'adapter aux réalités des entreprises africaines

Intron a dû composer avec des contraintes d'infrastructure et des modes de communication variés. Selon Ekundayo, certains clients télécoms ne peuvent pas intégrer facilement des services vocaux via des interfaces de programmation classiques. L'entreprise a alors recours au trunking SIP, une technologie qui relie les appels vocaux aux systèmes de communication. D'autres clients s'appuient principalement sur WhatsApp, ce qui impose des solutions conçues pour cet environnement.

La tarification constitue un autre défi. Intron propose une approche par crédits pour les usages simples comme la transcription, tandis que les déploiements d'entreprise plus complexes peuvent exiger des arrangements sur mesure. Ekundayo affirme que l'objectif est de maintenir la technologie abordable et d'ajuster les prix aux besoins du client.

Intron indique que sa technologie est déjà utilisée dans la santé, les services financiers et d'autres secteurs, notamment par Helium Health, Mobi Health et eHealth Africa, ainsi que dans le domaine judiciaire, où la magistrature de l'État d'Ogun figure parmi les clients.

Un modèle économique encore à démontrer

La trajectoire d'Intron illustre une opportunité pour les startups locales d'IA. Les plus grands acteurs technologiques investissent massivement dans des modèles généralistes, mais il reste de la place pour des fournisseurs spécialisés qui maîtrisent les données, les infrastructures et les contraintes de déploiement des marchés émergents.

L'opportunité n'est pour autant pas garantie. Les fournisseurs d'IA vocale doivent rivaliser sur la précision de reconnaissance, la fiabilité, les coûts d'intégration et la protection des données. Ils doivent aussi prouver qu'ils traitent des informations sensibles de manière responsable, en particulier dans la santé, la finance et le domaine juridique. À terme, ils pourraient affronter des concurrents bien plus grands et mieux financés.

Intron affirme ne pas entraîner ses modèles sur les données de ses clients, se limitant à celles fournies par ses contributeurs. Si cette politique est appliquée, elle pourrait compter pour les organisations soucieuses de la confidentialité des dossiers médicaux, des conversations financières et des procédures judiciaires.

Pour Intron, l'opportunité consiste à transformer les voix et les langues africaines en infrastructure utilisable par les entreprises. Son passage du logiciel de dossier médical à l'IA vocale montre comment un problème opérationnel précis peut révéler un marché bien plus vaste. Le point de départ était le temps passé par les médecins à taper. Le problème de fond était que la technologie censée les aider n'était pas conçue autour de leur façon de parler.