Ingénieur - Reconnaissance automatique de la parole pour les entretiens médicaux d'urgence

Niveau de diplôme exigé : Bac + 5 ou équivalent

Fonction : Ingénieur scientifique contractuel

Ce poste d'ingénieur s'inscrit dans le cadre d'une collaboration interdisciplinaire entre le SAMU54 du CHRU de Nancy et les équipes Multispeech et Sémagramme du Centre Inria de l'Université de Lorraine.

La/le ingénieur.e sera co-encadré.e par Vincent P. Martin et Emmanuel Vincent, chercheurs Inria, et par le Pr. Tahar Chouihed, Chef de Service SAMU-SMUR-Urgences et professeur de médecine d’urgence à l’Université de Lorraine. Il/elle alternera des périodes en laboratoire de recherche en informatique et dans les locaux du SAMU54, présentement situés à l'Hôpital Central de Nancy.

Parmi les 300 000 appels au SAMU54 chaque année, plus de 1 500 concernent des suspicions d’infarctus [1] ou d'arrêt cardiaque hors hôpital qui nécessitent une prise en charge médicale rapide.

L'objectif du poste d'ingénieur de 2 ans est d'améliorer la performance de reconnaissance automatique de la parole (ASR) pour les données vocales SAMU. Les appels d'urgence présentent une diversité de problèmes pour l'ASR: accents régionaux et étrangers, stress, vocabulaire/grammaire inhabituels et bruit important. Le modèle open source Whisper [1] est un bon point de départ car il présente une performance état de l'art sur ce corpus. Afin de garantir une meilleur qualité de reconnaissance vocale, nous pouvons adapter Whisper aux appels réels, par exemple en 1) en générant automatiquement des données accentuées [2] ou avec du stress [3,4], 2) en adaptant le modèle de langage sous-jacent sur des données réelles françaises du SAMU [5] ou traduites de l'anglais [6] et 3) en générant automatiquement des données bruitées à partir des données réelles du SAMU. L'adaptation fonctionne par fine-tuning [7] avec LoRA [8], de sorte à compresser le nombre de paramètres à apprendre. D'autres méthodes d'adaptation et d'usage des données seront recherchées.

[1] A. Radford, J.W. Kim, T. Xu, G. Brockman, C. Mcleavey, I. Sutskever, Robust speech recognition via large-scale weak supervision, in 40th Int. Conf. on Machine Learning, vol. 202, pp. 28492–28518 (2023).
[2] Y. Liu, X. Yang, and D. Qu, Exploration of Whisper fine-tuning strategies for low-resource ASR. Journal of Audio, Speech and Music Processing 2024, 29 (2024).
[3] K. Zhou, B. Sisman, R. Rana, B. W. Schuller and H. Li, Speech synthesis with mixed emotions. IEEE Transactions on Affective Computing, vol. 14, no. 4, pp. 3120-3134 (2023).
[4] S. Dahmani, V. Colotte, V. Girard, and S. Ouni, Learning emotions latent representation with CVAE for text-driven expressive audiovisual speech synthesis. Neural Networks, vol. 141, pp. 315-329 (2021).
[5] Y. Labrak, A. Bazoge, R. Dufour, M. Rouvier, E. Morin, B. Daille, and P.-A. Gourraud, DrBERT: A robust pre-trained model in French for biomedical and clinical domains. In 61st Annual Meeting of the ACL, pp. 16207-16221 (2023).
[6] X. de Zuazo, E. Navas, I. Saratxaga, and I. Hernáez Rioja, Whisper-LM: Improving ASR models with language models for low-resource languages. arXiv preprint arXiv:2503.23542 (2025).
[7] V. Timmel, C. Paonessa, M. Vogel, D. Perruchoud, and R. Kakooe, Fine-tuning Whisper on low-resource languages for real-world
applications. arXiv preprint arXiv:2412.15726 (2025).
[8] E.J. Hu, Y. Shen, P. Wallis, Z. Allen-Zhu, Y. Li, S. Wang, L. Wang, and W. Chen, LoRA: Low-rank adaptation of large language models, arXiv preprint arXiv:2106.09685 (2021).

Ce travail réalisé, la/le ingénieur.e pourra travailler sur d'autres tâches en partenariat avec le doctorant recruté sur le projet: découverte de biomarqueurs des infarctus et arrêts cardiaques pour améliorer la rapidité des assistants de régulation médicale (ARMs), anonymisation préservant l'information médicale utile pour détecter ces deux pathologies...

L'objectif final est d'avoir un système utilisé par les ARMs afin de réduire le temps d'accès aux soins et la mortalité de ces pathologies.

La/le candidat.e devra être titulaire d'un Master en traitement de la parole, TAL, machine learning, linguistique informatique ou dans un domaine voisin, avec de solides compétences en Python/Pytorch.

Une expérience préalable en traitement de la parole ou en TAL sera un gros atout.

Le projet portant exclusivement sur des enregistrements en français et incluant une immersion terrain dans un centre d'appel francophone, la compréhension du français avec un bon niveau (B2) est requise.

• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
• Accès à la formation professionnelle
• Sécurité sociale

A partir de 2765 € brut/mois selon experience

Attention: Les candidatures doivent être déposées en ligne sur le site Inria. Le traitement des candidatures adressées par d'autres canaux n'est pas garanti.