NVIDIA présente une nouvelle approche pour accélérer l'évaluation des systèmes de reconnaissance automatique de la parole appliqués au domaine clinique. La compréhension de la terminologie médicale, incluant les noms de médicaments, d'interventions et d'anatomie, reste un défi majeur pour les modèles grand public. Ces derniers peuvent paraître fluides tout en commettant des erreurs critiques pour les workflows cliniques. Par ailleurs, la collecte d'enregistrements réels est entravée par les contraintes de confidentialité sanitaire, les coûts d'annotation et les délais de validation. Pour résoudre ces problèmes, NVIDIA développe un flux de travail intégrant la génération de données synthétiques et des compétences d'agents intelligents. Cette méthode permet de créer rapidement des jeux de données d'évaluation phonétiquement précis, sans violer les régulations sur les données de santé. Le processus s'appuie sur NeMo Data Designer pour transformer une liste de termes cliniques en phrases ciblées, puis sur le moteur Magpie TTS Multilingual pour synthétiser l'audio. Une étape centrale consiste à injecter des balises de marquage phonétique directement dans les phrases, garantissant une prononciation exacte des termes médicaux sensibles. Afin de fiabiliser ce pipeline, NVIDIA intègre un processus de validation hybride. Lorsque les dictionnaires standards ne couvrent pas un terme, un agent assisté par intelligence artificielle propose des candidats phonétiques. Ces propositions sont systématiquement soumises à une revue humaine avant validation. Un agent logiciel orchestre cette étape en présentant des extraits audio courts, empêchant la poursuite du flux tant que la prononciation n'est pas validée ou corrigée. Cette approche transforme les lacunes lexicales en files d'attente de révision contrôlées, évitant ainsi l'introduction d'erreurs de prononciation dans les données d'entraînement. Le point de convergence du système est un fichier manifeste compatible NeMo, reliant chaque fichier audio à sa transcription et à ses métadonnées. Ce fichier sert d'interface entre la génération de données, l'évaluation du modèle et son affinage. Le véritable atout de cette architecture réside dans une boucle d'amélioration itérative pilotée par les agents. Après le passage en revue des performances, l'outil analyse les erreurs à l'aide de métriques ciblées, notamment le taux d'erreur sur les entités cliniques. Si les échecs proviennent d'un manque de couverture phonétique, le système recommande de regénérer le jeu de données. Si les erreurs persistent sur des termes validés, il oriente vers un affinage du modèle. Cette logique évite d'entraîner un ASR sur des fausses prononciations synthétiques et rationalise les décisions de développement. Bien que la synthèse audio ne remplace pas la validation en environnement réel, elle offre un cadre reproductible et conforme pour tester la robustesse des solutions face au vocabulaire spécialisé. NVIDIA met ainsi à disposition des compétences d'agents prêtes à l'emploi, permettant aux équipes de santé numérique de définir des profils cliniques, de générer des benchmarks phonétiques et d'évaluer les performances à l'échelle des entités médicales. Cette approche réduit significativement le temps de cycle de développement et améliore la fiabilité des systèmes de transcription médicale.