IA et pédagogieDécryptage

Chatbot ou voicebot pédagogique : lequel choisir ?

Un as­sis­tant conver­sa­tion­nel peut ré­pondre aux ap­pre­nants par écrit, comme un chat­bot, ou à la voix, comme un voi­ce­bot. Le choix ne relève pas d’une pré­fé­rence tech­no­lo­gique : il dépend de ce que fait l’ap­pre­nant au moment où il pose sa ques­tion, de la lon­gueur des ré­ponses at­ten­dues, de l’ac­ces­si­bi­li­té et des don­nées trai­tées. Cet ar­ticle com­pare les deux canaux sur quatre cri­tères (ac­ces­si­bi­li­té, pé­da­go­gie, coût, ex­pé­rience) et pro­pose une grille pour choi­sir l’écrit, la voix ou une com­bi­nai­son des deux.

DidacticBotPublié le 10 min de lecture
Dessin au crayon : à gauche, une apprenante tape sa question au clavier et lit une réponse écrite de plusieurs lignes dans une bulle violette ; à droite, un apprenant regarde une vidéo de formation en pause et pose sa question à voix haute, une onde sonore turquoise lui répond. Au centre, une balance corail met en équilibre une icône de texte et une icône de micro.
Illustration explicative originale : une représentation conceptuelle, pas une capture du produit.

La réponse courte

Le voi­ce­bot convient quand l’ap­pre­nant a les yeux sur un autre sup­port, une vidéo ou un geste à re­pro­duire, et que la ré­ponse at­ten­due est courte. Le chat­bot convient quand la ré­ponse est longue, tech­nique ou doit être relue, et quand l’ap­pre­nant ne peut pas parler à voix haute. Dans beau­coup de par­cours, la bonne ré­ponse est une com­bi­nai­son : la voix pour ques­tion­ner pen­dant le cours, l’écrit comme al­ter­na­tive et comme trace. Le fonc­tion­ne­ment de Di­dac­tic­Bot, qui répond à la voix pen­dant les vidéos de for­ma­tion, est pré­sen­té sur la page Fonctionnalités.

Chatbot, voicebot : ce qui les distingue vraiment

Un chat­bot pé­da­go­gique est un agent conver­sa­tion­nel avec lequel l’ap­pre­nant échange par écrit. Un voi­ce­bot pé­da­go­gique, ou as­sis­tant conver­sa­tion­nel vocal, reçoit la ques­tion à l’oral, la trans­crit grâce à la re­con­nais­sance vocale, puis répond par syn­thèse vocale. Les deux peuvent s’ap­puyer sur le même moteur de ré­ponse et sur les mêmes conte­nus de for­ma­tion : la dif­fé­rence tient d’abord au canal d’entrée et de sortie, et à tout ce qu’il im­plique pour l’ap­pre­nant.

Il existe aussi des formes mixtes : une ques­tion posée à la voix avec une ré­ponse af­fi­chée, une ques­tion écrite avec une ré­ponse lue à voix haute, ou une ré­ponse vocale ac­com­pa­gnée de sa trans­crip­tion. Pour une dé­fi­ni­tion plus large de la conver­sa­tion avec un agent pen­dant un cours, voir notre ar­ticle sur l’e-learning conversationnel.

Comparatif sur quatre critères

Chatbot et voicebot pédagogiques : comparaison qualitative
CritèreChatbot (écrit)Voicebot (vocal)
Ac­ces­si­bi­li­téUti­li­sable avec un lec­teur d’écran si l’in­ter­face est ac­ces­sible, et sans parler ; de­mande de savoir for­mu­ler sa ques­tion par écritUtile à qui a du mal à taper ou à écrire ; exclut sans al­ter­na­tive les per­sonnes sourdes, mal­en­ten­dantes ou ayant des dif­fi­cul­tés d’élo­cu­tion
Pé­da­go­gieAdapté aux ré­ponses longues, aux pro­cé­dures et aux termes tech­niques, que l’on peut relireAdapté aux ex­pli­ca­tions courtes pen­dant une vidéo ou une tâche, sans dé­tour­ner le regard
CoûtRepose sur le trai­te­ment des ques­tions et la pro­duc­tion des ré­ponsesAjoute la re­con­nais­sance et la syn­thèse vo­cales, des tests de re­con­nais­sance avec les ap­pre­nants et une al­ter­na­tive écrite
Ex­pé­rienceDis­cret en open space ou dans les trans­ports ; plus lent à saisirPlus rapide à for­mu­ler ; gêné par le bruit et peu adapté aux lieux par­ta­gés

Ce ta­bleau est une grille d’ana­lyse, pas un clas­se­ment : chaque cri­tère se pon­dère selon le public, le lieu de for­ma­tion et l’ob­jec­tif pé­da­go­gique. Les sec­tions sui­vantes dé­taillent ce que disent les re­cherches et les textes sur chaque point.

Accessibilité : aucun canal unique ne convient à tous

Le W3C a re­cen­sé les be­soins des per­sonnes en si­tua­tion de han­di­cap face aux in­ter­faces en lan­gage na­tu­rel, écrites ou vo­cales, dans une note de groupe de tra­vail pu­bliée en 2022 (Na­tu­ral Lan­guage In­ter­face Ac­ces­si­bi­li­ty User Re­qui­re­ments). Plu­sieurs exi­gences concernent di­rec­te­ment le choix entre chat­bot et voi­ce­bot : prendre en charge plu­sieurs modes de saisie et de res­ti­tu­tion, pro­po­ser une trans­crip­tion tex­tuelle syn­chro­ni­sée des ré­ponses vo­cales, per­mettre une saisie écrite avec une ré­ponse vocale pour les per­sonnes ayant des troubles de la parole, et lais­ser l’uti­li­sa­teur chan­ger de mode de saisie à tout moment. Le do­cu­ment rap­pelle aussi que la saisie vocale est cog­ni­ti­ve­ment exi­geante.

La qua­li­té de la re­con­nais­sance vocale varie par ailleurs selon les lo­cu­teurs. Une étude pu­bliée en 2020 dans PNAS a testé cinq sys­tèmes com­mer­ciaux de re­con­nais­sance vocale en an­glais amé­ri­cain : le taux moyen d’erreur sur les mots at­tei­gnait 0,35 pour des lo­cu­teurs noirs contre 0,19 pour des lo­cu­teurs blancs. Ces chiffres concernent des sys­tèmes testés avant 2020 et une langue pré­cise ; ils montrent sur­tout qu’il faut tester un voi­ce­bot avec la di­ver­si­té réelle des voix, des ac­cents et des façons de parler des ap­pre­nants.

Pédagogie : la voix pour les réponses courtes, l’écrit pour les longues

Poser sa question : la parole va plus vite

Une étude de l’uni­ver­si­té Stan­ford et de l’uni­ver­si­té de Wa­shing­ton, pu­bliée dans les Pro­cee­dings of the ACM on In­ter­ac­tive, Mobile, Wea­rable and Ubi­qui­tous Tech­no­lo­gies (IMWUT) fin 2017, a com­pa­ré la saisie vocale et le cla­vier d’un smart­phone auprès de 48 par­ti­ci­pants, en an­glais et en man­da­rin. Pour re­co­pier de courtes phrases, la dictée était en­vi­ron 2,9 fois plus rapide que le cla­vier. L’ex­pé­rience s’est dé­rou­lée dans une salle calme, avec des phrases im­po­sées : elle ne mesure pas une conver­sa­tion pé­da­go­gique, mais elle sug­gère que for­mu­ler une ques­tion à l’oral de­mande moins de temps que de la taper.

Comprendre la réponse : l’oral long se retient mal

Côté ré­ponse, la re­cherche sur la charge cog­ni­tive ap­porte une nuance im­por­tante. Dans deux ex­pé­riences pu­bliées en 2016 dans Ins­truc­tio­nal Science, por­tant sur l’ap­pren­tis­sage de la lec­ture d’une carte to­po­gra­phique, Wayne Leahy et John Swel­ler ont ob­ser­vé qu’une ex­pli­ca­tion orale longue ac­com­pa­gnant un visuel don­nait de moins bons ré­sul­tats que le même conte­nu écrit. Une ex­pli­ca­tion orale ne l’em­por­tait sur l’écrit que lorsqu’elle était très courte, ce qu’ils n’ont obtenu qu’après l’avoir encore rac­cour­cie dans la se­conde ex­pé­rience. Les au­teurs l’ex­pliquent par l’effet d’in­for­ma­tion tran­si­toire : un énoncé oral dis­pa­raît à mesure qu’il est pro­non­cé et doit être retenu en mé­moire de tra­vail, alors qu’un texte reste dis­po­nible.

Pour un as­sis­tant pé­da­go­gique, on peut en tirer une règle pru­dente : la voix convient aux re­for­mu­la­tions brèves pen­dant que l’ap­pre­nant re­garde une vidéo ou un schéma ; l’écrit convient aux pro­cé­dures en plu­sieurs étapes, aux va­leurs chif­frées, aux dé­fi­ni­tions à mé­mo­ri­ser et à tout ce que l’ap­pre­nant voudra relire. Pour tester une in­ter­ac­tion vocale de bout en bout et pré­voir une al­ter­na­tive si­len­cieuse, voir notre ar­ticle sur l’interaction vocale en formation.

Coût : les postes à examiner, sans chiffre de principe

Il n’existe pas de coût de ré­fé­rence fiable pour com­pa­rer un chat­bot et un voi­ce­bot pé­da­go­giques : les tarifs dé­pendent du four­nis­seur, du volume d’échanges, des langues et du mode de fac­tu­ra­tion. Plutôt qu’un chiffre, com­pa­rez les postes de dé­pense et de­man­dez-les ex­pli­ci­te­ment aux édi­teurs.

  • Commun aux deux : pré­pa­ra­tion et mise à jour des conte­nus sur les­quels l’as­sis­tant s’appuie, trai­te­ment des ques­tions, re­lec­ture des ré­ponses par l’équipe pé­da­go­gique.
  • Spé­ci­fique à la voix : re­con­nais­sance vocale de chaque ques­tion, syn­thèse vocale de chaque ré­ponse, tests de re­con­nais­sance avec des ap­pre­nants réels, conser­va­tion éven­tuelle des en­re­gis­tre­ments.
  • Spé­ci­fique à l’ac­ces­si­bi­li­té : al­ter­na­tive écrite ou trans­crip­tion pour les ap­pre­nants qui ne peuvent pas uti­li­ser la voix.
  • Côté ap­pre­nants : micro et casque fonc­tion­nels, lieu calme ou espace dédié pour se former à voix haute.

Expérience et données : le lieu de formation décide souvent

Le meilleur canal sur le papier peut de­ve­nir in­uti­li­sable sur le ter­rain. Un voi­ce­bot est peu adapté à un open space, à un espace de vente ou aux trans­ports, où l’ap­pre­nant hé­si­te­ra à parler et où le bruit gêne la re­con­nais­sance. Il de­vient au contraire per­ti­nent quand l’ap­pre­nant suit une vidéo, ma­ni­pule un équi­pe­ment ou se forme seul dans un lieu calme. Un chat­bot reste dis­cret par­tout, mais impose de quit­ter des yeux le conte­nu pour lire et écrire.

La voix sou­lève aussi des ques­tions propres de pro­tec­tion des don­nées. Dans ses lignes di­rec­trices 02/2021 sur les as­sis­tants vocaux vir­tuels (ver­sion 2.0 adop­tée le 7 juillet 2021), le Comité eu­ro­péen de la pro­tec­tion des don­nées (CEPD) rap­pelle que les don­nées vo­cales sont des don­nées per­son­nelles, qu’elles re­lèvent de l’ar­ticle 9 du RGPD lorsqu’elles sont trai­tées pour iden­ti­fier une per­sonne de ma­nière unique, et qu’un en­re­gis­tre­ment peut capter la voix d’autres per­sonnes ou des bruits de fond. Il re­com­mande no­tam­ment de li­mi­ter le type et la quan­ti­té de don­nées col­lec­tées et d’in­for­mer les uti­li­sa­teurs au plus tard au moment de l’ob­ten­tion de leurs don­nées (texte consul­té le 19 no­vembre 2026).

Exemple : la voix pendant les vidéos DidacticBot

Di­dac­tic­Bot a fait le choix de la voix au moment où l’ap­pre­nant re­garde une vidéo de for­ma­tion : la vidéo se met au­to­ma­ti­que­ment en pause quand l’ap­pre­nant pose sa ques­tion ; l’IA répond à la voix sur les conte­nus pé­da­go­giques. L’ap­pre­nant de­mande en­suite la re­prise de la vidéo après l’échange. Les éven­tuelles al­ter­na­tives (écrit, trans­crip­tion) pour les ap­pre­nants qui ne peuvent pas uti­li­ser la voix sont à exa­mi­ner avec l’équipe pour chaque projet.

Grille de choix : huit questions à se poser

  1. Que fait l’ap­pre­nant au moment où il pose sa ques­tion : re­garde-t-il une vidéo, ma­ni­pule-t-il un équi­pe­ment, lit-il un do­cu­ment ?
  2. Les ré­ponses at­ten­dues sont-elles courtes, ou s’agit-il de pro­cé­dures, de chiffres et de dé­fi­ni­tions à relire ?
  3. Où l’ap­pre­nant se forme-t-il : lieu calme, open space, ma­ga­sin, trans­ports ?
  4. Quelles si­tua­tions de han­di­cap et quels pro­fils lin­guis­tiques compte votre public ?
  5. L’outil permet-il de chan­ger de canal à tout moment et pro­pose-t-il une trans­crip­tion des ré­ponses vo­cales ?
  6. La re­con­nais­sance vocale a-t-elle été testée avec des ap­pre­nants re­pré­sen­ta­tifs de votre public ?
  7. Quelles don­nées vo­cales sont en­re­gis­trées, com­bien de temps, et la voix sert-elle à iden­ti­fier l’ap­pre­nant ?
  8. Quels postes de coût propres à la voix l’édi­teur fac­ture-t-il, et sur quelle base ?

À retenir

Choi­sir entre chat­bot et voi­ce­bot pé­da­go­gique re­vient à choi­sir un canal adapté à une si­tua­tion d’ap­pren­tis­sage. La voix ac­cé­lère la ques­tion et laisse les yeux libres pour le conte­nu, mais se prête mal aux ré­ponses longues et exclut une partie des ap­pre­nants sans al­ter­na­tive écrite. L’écrit se relit et reste dis­cret, au prix d’un effort de saisie. Partez des si­tua­tions réelles de vos ap­pre­nants, testez avec eux, et pré­voyez dans tous les cas un moyen de passer d’un canal à l’autre.

Sources et portée des références

  1. [w3c-naur-2022] Natural Language Interface Accessibility User RequirementsW3C, Accessible Platform Architectures Working Group, Group Draft Note du 3 septembre 2022 ; consulté le 19 novembre 2026.

    Besoins et exigences d’accessibilité des interfaces en langage naturel (écrites et vocales) : modes de saisie multiples, transcription synchronisée, changement de mode. Note de groupe, non normative.

  2. [koenecke-2020] Racial disparities in automated speech recognitionKoenecke A., Nam A., Lake E. et al., PNAS, vol. 117, n° 14, p. 7684–7689, 2020.

    Cinq systèmes commerciaux de reconnaissance vocale testés en anglais américain ; taux d’erreur moyen sur les mots de 0,35 contre 0,19 selon les groupes de locuteurs.

  3. [ruan-2017] Comparing Speech and Keyboard Text Entry for Short Messages in Two Languages on Touchscreen PhonesRuan S., Wobbrock J. O., Liou K., Ng A., Landay J. A., Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, vol. 1, n° 4, article 159, décembre 2017.

    Expérience en laboratoire auprès de 48 participants (anglais et mandarin), recopie de phrases courtes sur smartphone ; ne mesure pas un usage pédagogique.

  4. [leahy-sweller-2016] Cognitive load theory and the effects of transient information on the modality effectLeahy W., Sweller J., Instructional Science, vol. 44, n° 1, p. 107–123, 2016.

    Deux expériences (lecture de carte topographique) : un texte oral long est moins efficace que le même texte écrit ; un texte oral très court devient plus efficace (effet d’information transitoire).

  5. [edpb-lignes-directrices-02-2021] Lignes directrices 02/2021 sur les assistants vocaux virtuels, version 2.0Comité européen de la protection des données (CEPD), adoptées le 7 juillet 2021 ; texte consulté le 19 novembre 2026.

    Données vocales, article 9 du RGPD en cas d’identification, minimisation, voix de tiers, information des utilisateurs. Ne constitue pas une analyse de conformité d’un outil donné.

Écrit, voix ou les deux : quel canal pour vos apprenants ?

Présentez vos publics, vos lieux de formation et vos supports à l’équipe pour examiner le fonctionnement et les modalités à confirmer pour votre projet.

Demander une démo