Nous introduisons ImportantAug, une technique d’augmentation des données d’entraînement pour les modèles de classification et de reconnaissance vocale, consistant à ajouter du bruit uniquement dans les régions non pertinentes du signal vocal, tout en préservant les régions importantes. L’importance de chaque énoncé est prédite par un agent d’augmentation des données, entraîné à maximiser la quantité de bruit ajoutée tout en minimisant son impact sur les performances de reconnaissance. L’efficacité de notre méthode est démontrée sur la version 2 du jeu de données Google Speech Commands (GSC). Sur l’ensemble de test standard du GSC, elle réduit le taux d’erreur de 23,3 % par rapport à l’augmentation classique par bruit, qui ajoute du bruit sans tenir compte de l’efficacité potentielle selon les régions. Elle offre également une réduction de 25,4 % du taux d’erreur par rapport à une base sans augmentation de données. En outre, ImportantAug surpasser les méthodes classiques d’augmentation par bruit et la base sur deux ensembles de test comportant un bruit additionnel.