Comment notre agent vocal note enfin une adresse e-mail sans se tromper

« Pouvez-vous me donner votre adresse e-mail ? »

Pour un agent vocal, c'est la question la plus dangereuse de l'appel. Le rendez-vous est presque calé, le prospect est d'accord, il ne reste qu'à noter son adresse pour envoyer l'invitation. Et c'est là que tout se joue : une seule lettre fausse, et l'invitation part dans le vide. Le prospect ne la reçoit jamais, ne vient pas au rendez-vous, et personne ne comprend pourquoi.

Nous avons passé beaucoup de temps sur ce problème. Voici ce que nous avons appris, et la façon dont nous l'avons résolu.

Pourquoi une adresse e-mail est un cauchemar pour une IA

Un agent vocal fonctionne en trois étapes : il écoute (un transcripteur convertit la voix en texte), il réfléchit (un modèle de langage lit ce texte et décide quoi répondre), puis il parle (une voix de synthèse lit sa réponse).

Le transcripteur est fait pour la conversation. Il est très bon pour comprendre « je suis disponible jeudi après-midi ». Il est mauvais pour tout ce qui ne ressemble pas à une phrase. Et une adresse e-mail ne ressemble à rien :

• Des noms propres sans orthographe évidente. « Aric » et « Arik » se prononcent exactement pareil. « Dupont » et « Dupond » aussi. Le transcripteur choisit au hasard, ou invente un mot qu'il connaît.
• Des lettres épelées. Au téléphone, le son est compressé. B, D, P et T se confondent. M et N aussi. F et S aussi.
• Des symboles dits à voix haute. « Point », « arobase », « tiret », « tiret bas » : le transcripteur les écrit parfois en toutes lettres, parfois pas du tout.

Un exemple réel : quelqu'un dicte « lasry point aric arobase gmail point com ». Le transcripteur en direct a écrit « kessery ari ».

Le problème de fond, c'est que le modèle de langage ne voit que le texte. Il n'a jamais entendu l'appelant. Si le transcripteur a perdu l'information, aucune instruction, aussi bien écrite soit-elle, ne peut la faire revenir.

La réponse habituelle : du prompt engineering

Sur la plupart des plateformes d'agents vocaux, c'est à vous de gérer ce moment dans le prompt de votre agent. Vapi, par exemple, consacre une page entière de sa documentation à la lecture des adresses e-mail, avec des blocs d'instructions à copier dans votre prompt : demander l'adresse, attendre la réponse complète, la relire, demander « Est-ce correct ? », faire épeler lettre par lettre si l'appelant dit non, dire « at » pour @ et « dot » pour le point, ne jamais corriger l'adresse, utiliser l'alphabet radio si l'appelant a du mal. Il est aussi conseillé d'ajouter au transcripteur des mots-clés personnalisés pour les domaines qu'il entend mal.

C'est une approche sérieuse, mais elle a deux limites :

1. Elle repose entièrement sur vous. Chaque agent que vous créez doit porter ce bloc d'instructions, et c'est à vous de l'ajuster quand il se trompe. Faut-il toujours faire épeler ? Alors vos clients qui s'appellent marie.martin@gmail.com épèlent pour rien, et trouvent l'agent pénible. Ne jamais faire épeler ? Alors Arik devient Aric. Entre les deux, vous ajustez à la main, appel après appel.
2. Elle travaille toujours sur le texte du transcripteur. Le modèle de langage peut relire, demander confirmation, faire épeler. Mais il relit ce que le transcripteur a cru entendre. L'appelant épèle « L, A, S, R, Y », le transcripteur entend « L, A, F, R, Y », et c'est cette version qui est relue.

Notre approche : un outil qui réécoute l'appelant

Chez Revox, l'agent n'essaie pas de deviner l'adresse. Il dispose d'un outil dédié, capture_email.

Un outil, pour un agent vocal, c'est une action qu'il peut déclencher au milieu de la conversation, comme une application qu'il ouvre : vérifier un agenda, envoyer un SMS, transférer l'appel. Le modèle de langage décide quand l'utiliser, l'outil fait le travail, puis lui renvoie un résultat qu'il utilise pour la suite.

Voici ce qui se passe, étape par étape, quand l'appelant vient de dicter son adresse.

1. L'agent appelle l'outil, et l'outil parle de lui-même

Dès que l'appelant a donné son adresse, l'agent déclenche capture_email. L'outil dit immédiatement une courte phrase : « Je note votre adresse, un instant. » Au téléphone, quelques secondes de silence donnent l'impression que la ligne a coupé. Cette phrase n'est pas demandée au modèle de langage : c'est l'outil qui la prononce, dans la langue de l'appel, à chaque fois.

2. L'outil prend la vraie voix de l'appelant, pas le texte

Pendant tout l'appel, Revox garde en mémoire la dernière minute et demie de la voix de l'appelant, sur sa propre piste audio (sans la voix de l'agent). L'outil prend ce son brut.

Pourquoi 90 secondes et pas seulement sa dernière réponse ? Parce que les gens épèlent lentement, par morceaux. « L, A, S... » « D'accord. » « ...R, Y, point... » Chaque petit « d'accord » de l'agent coupe la dictée en plusieurs tours de parole, et la « dernière réponse » n'est souvent que la fin de l'adresse.

3. Un modèle audio spécialisé réécoute, en sachant ce qu'il cherche

Ce son est envoyé à un modèle audio spécialisé. Contrairement au transcripteur, il ne transcrit pas une conversation : il réécoute le passage avec une seule mission, retrouver une adresse e-mail. Il sait que « arobase » veut dire @, que « M comme Marcel » veut dire M, que la dernière version gagne quand l'appelant se corrige, et que des lettres épelées l'emportent sur un mot simplement prononcé. Ce que le transcripteur a cru entendre lui est donné, mais seulement comme indice : en cas de désaccord, c'est l'audio qui gagne.

4. Le modèle décide si l'adresse est sûre, caractère par caractère

C'est le coeur du système. Le modèle ne se contente pas d'écrire l'adresse : il juge si chaque caractère est certain.

Une partie est sûre quand elle a été épelée clairement, ou quand elle n'a qu'une seule orthographe possible : un mot du dictionnaire, un prénom sans variante, un fournisseur connu (gmail.com, outlook.fr, orange.fr...), des chiffres bien prononcés, un « point » bien entendu.

Une partie est douteuse quand elle a seulement été dite et qu'elle peut s'écrire de plusieurs façons : la plupart des noms de famille, les prénoms à variantes (Aric ou Arik, Mohamed ou Mohammed), un nom de domaine d'entreprise, des initiales, des lettres doubles, un séparateur mal entendu (point, tiret, tiret bas, ou rien du tout ?). Et au téléphone, des lettres épelées qui se ressemblent (M ou N) restent douteuses si l'appelant n'a pas donné de mot pour les distinguer.

5. L'outil renvoie l'une de deux réponses

L'adresse est sûre. L'outil renvoie l'adresse exacte, et la façon de la dire :

Adresse : lasry.aric@gmail.com À dire : L, A, S, R, Y point A, R, I, C arobase gmail point com

L'adresse n'est pas sûre. L'outil ne renvoie pas sa supposition. Il renvoie seulement ce que l'agent doit demander, en ne visant que la partie douteuse :

Demandez-lui d'épeler son nom de famille, lettre par lettre.

ou encore :

Demandez-lui si c'est M comme Marie ou N comme Nicolas, dans la partie avant l'arobase.

L'agent pose la question, l'appelant épelle, l'agent rappelle l'outil, qui réécoute tout, épellation comprise. La boucle s'arrête dès que l'adresse est sûre.

6. L'agent relit l'adresse comme il faut

Une voix de synthèse qui lit « lasry.aric@gmail.com » telle quelle produit souvent une bouillie : « lasriaric gmail com ». C'est pour cela que l'outil renvoie aussi la prononciation, écrite pour la voix de synthèse, dans la langue de l'appelant : les symboles en mots (« arobase », « point »), les mots courants et les fournisseurs connus prononcés normalement, et les parties que l'appelant a dû épeler relues lettre par lettre. L'appelant entend exactement ce qu'il peut vérifier.

Si l'appelant corrige, l'agent lui fait épeler la correction et relance l'outil. Ensuite, partout où l'adresse sert (invitation, CRM, e-mail de suivi), c'est l'adresse renvoyée par l'outil qui est utilisée, jamais ce que l'agent a cru entendre.

Ce que ça change

Vous n'écrivez rien. Pas de bloc « collecte d'e-mail » dans votre prompt, pas de règle sur l'épellation, pas d'alphabet radio, pas de mots-clés à ajouter au transcripteur. La décision de faire épeler ou non vit dans l'outil, pas dans votre prompt. Votre agent dit simplement « Quelle est votre adresse e-mail ? » et l'outil s'occupe du reste.

L'appelant n'épelle que quand c'est nécessaire. Marie Martin chez Gmail n'épelle rien. Aric Lasry épelle son nom. Et si une seule lettre pose problème, on ne lui fait pas tout recommencer : on lui demande cette lettre.

Une adresse douteuse ne sort jamais de l'outil. Comme l'outil ne renvoie pas sa supposition quand il n'est pas sûr, l'agent ne peut pas l'utiliser par erreur. Une adresse fausse dans votre CRM, c'est pire qu'une question de plus.

Les leçons que nous en tirons

• Ne demandez pas au modèle de langage ce qu'il ne peut pas voir. Il lit du texte. Pour une adresse, c'est le son qui compte. Le bon réflexe est de rendre le son à un modèle qui sait l'écouter.
• Un spécialiste pour le passage difficile. L'agent reste un généraliste de la conversation. Le moment le plus fragile de l'appel est confié à un modèle qui ne fait que ça.
• Le savoir-faire va dans l'outil, pas dans le prompt. Une règle écrite dans un prompt doit être réécrite pour chaque agent, et peut être ignorée. Une règle portée par l'outil fonctionne pour tous les agents, tout le temps.
• Cacher l'attente. Un outil qui prend quelques secondes doit occuper la ligne lui-même. Le silence est ce qui fait raccrocher les gens.
• Viser précisément. Demander « pouvez-vous épeler votre nom de famille ? » plutôt que « pouvez-vous répéter votre adresse ? », c'est la différence entre un agent qui écoute et un agent qui fatigue.

Nous avons aussi enregistré une vidéo qui montre la boucle complète sur un vrai appel : l'adresse dictée, la question ciblée, la relecture.

Cette capture d'adresse est disponible sur tous les agents Revox. Si vous voulez l'entendre de vos propres oreilles, le plus simple est d'appeler notre agent de démo et de lui dicter la vôtre.