Cadre d’évaluation des agents vocaux : explication des 6 piliers

Les agents vocaux doivent orchestrer une symphonie d’outils quasi simultanés. C’est un exercice délicat : enregistrer les commentaires d’un client avec la reconnaissance vocale (STT) en temps réel, assimiler le contexte et produire une réponse avec un grand modèle de langage (LLM), puis générer un fichier audio avec un logiciel de synthèse vocale (TTS).

Avec autant d’éléments en mouvement, comment évaluer précisément les performances d’un agent vocal ?

Dans cet article, nous proposons un cadre d’évaluation des agents vocaux en six piliers, qui décrit précisément les éléments à mesurer pour évaluer la réussite d’un agent. Nous verrons également pourquoi ces piliers n’ont pas la même importance selon les secteurs et quelles erreurs éviter lors de l’évaluation.

En résumé

• Les six principaux piliers d’évaluation d’un agent vocal sont la qualité vocale TTS, la qualité conversationnelle, l’utilisation des outils et l’exécution des tâches, l’intelligence, la conformité et la sécurité, ainsi que la fiabilité.
• Les principaux objectifs en production sont un MOS de 4,3, un TSR supérieur à 85 % et un délai avant le premier audio inférieur à 500 ms.
• Chaque secteur pondère ces piliers différemment, certains déploiements privilégiant l’un d’eux aux autres.
• Parmi les erreurs de test courantes : n’évaluer que des audios propres et ignorer les pics de latence P99.
• ElevenLabs se distingue sur les indicateurs les plus importants : Scribe v2 atteint le WER le plus bas du secteur, à 2,2 % (Artificial Analysis, juin 2026), Flash v2.5 et Turbo v2.5 comptent parmi les modèles les plus rapides (Artificial Analysis, juin 2026), et ElevenAgents offre une latence d’inférence de modèle d’environ 75 ms.

Qu’est-ce qu’un cadre d’évaluation des agents vocaux ?

Un cadre d’évaluation d’agent vocal IA est un système structuré qui vous permet de tester les performances selon plusieurs dimensions. Un cadre complet inclut des indicateurs pour évaluer aussi bien la fidélité audio que le déroulement des conversations et la conformité réglementaire.

Contrairement à un chatbot textuel, un agent vocal fait transiter chaque interaction par au moins trois technologies empilées : la reconnaissance automatique de la parole (ASR), qui convertit les paroles d’un utilisateur en texte ; un LLM qui élabore une réponse ; et un système TTS qui reconvertit cette réponse en audio. Si l’un de ces systèmes échoue, toute l’expérience se dégrade.

Cette complexité explique précisément pourquoi les entreprises doivent évaluer les agents vocaux avant de choisir un fournisseur et de les déployer. Une latence supplémentaire ou des réponses imprécises peuvent avoir des conséquences concrètes, comme la perte de clients ou, dans le pire des cas, des amendes réglementaires et une atteinte à la réputation.

Un cadre d’évaluation des agents vocaux s’appuie sur des comparatifs et des données mesurables pour déterminer si un agent convient à certains cas d’usage. Pour une entreprise, pouvoir évaluer différents modèles vocaux permet de sélectionner celui qui convient le mieux à ses clients.

Les six piliers à évaluer pour un agent vocal

Bien que créer et déployer un agent IA n’ait jamais été aussi simple, les processus actifs en coulisses restent assez complexes. Plusieurs composants agissent de concert pour écouter un utilisateur, comprendre ce qu’il veut, transmettre cette information à un LLM, puis produire une réponse audio : de nombreuses actions se déroulent presque simultanément.

Pour choisir le meilleur agent vocal possible, les entreprises ont besoin d’un cadre rigoureux servant de référence.

Si vous souhaitez plutôt consulter les résultats de tests, Artificial Analysis propose plusieurs comparaisons d’agents selon différents composants. Ci-dessous figurent les résultats de leur comparaison de vitesse entre modèles : ElevenLabs Turbo v2.5 et Flash v2.5 devancent largement les autres en nombre de caractères traités par seconde.

Pour les développeurs ou entreprises qui souhaitent mener leurs propres expérimentations, voici les six piliers à utiliser dans un cadre d’évaluation d’agent IA :

• Qualité vocale TTS : caractère naturel, clarté et expressivité de la parole synthétisée pour les utilisateurs finaux. Les meilleurs modèles du secteur, tels que Eleven v3, produisent un rendu expressif proche de l’humain dans plus de 70 langues.
• Qualité conversationnelle : un modèle comprend-il la parole humaine, en interprète-t-il le sens et répond-il rapidement en contexte sur plusieurs tours de dialogue ?
• Utilisation des outils : capacité d’un agent IA à accomplir des tâches avec les ressources disponibles, sans intervention humaine.
• Intelligence : capacité d’un modèle à raisonner, à traiter de nouvelles entrées et à éviter les réponses inexactes ou hallucinées.
• Conformité et sécurité : au-delà de leurs capacités, les agents vocaux IA doivent respecter l’ensemble des exigences réglementaires et de conformité, y compris les garde-fous actifs.
• Fiabilité : des éléments tels que le temps de disponibilité total et la constance des performances sous charge permettent de déterminer si un agent d’IA conversationnelle peut évoluer avec la demande.

Bien que chacun de ces piliers soit indépendant, ils s’articulent pour offrir à l’utilisateur une expérience finale de qualité. Par exemple, même si un modèle améliore sa qualité vocale, une latence élevée impose au client des temps d’attente inconfortables avant la diffusion de la parole.

Examinons plus en détail chacun de ces piliers d’évaluation de l’IA vocale.

Qualité vocale TTS

Commençons par la qualité vocale, car c’est probablement le premier élément qu’une personne remarque en interagissant avec un agent conversationnel IA. Si sa voix semble robotique ou dérangeante, l’expérience subjective sera nettement moins bonne.

L’un des premiers indicateurs d’évaluation, défini par le Secteur de la normalisation des télécommunications de l’Union internationale des télécommunications (UIT-T), est le Mean Opinion Score (MOS). Le MOS utilise une échelle de 1 à 5, où 1 correspond à un résultat inutilisable et 5 à un résultat excellent. Cette mesure subjective s’appuie sur des auditeurs humains, dont les retours sont recueillis après un appel.

Un score inférieur à 3,5 sur cette échelle est assez peu convaincant, surtout au regard des standards actuels, et risque d’affecter la satisfaction client.

Si le MOS est un indicateur centré sur l’humain, plusieurs exigences techniques contribuent à ce score :

• Cohérence de la hauteur et gigue : la hauteur et la gigue sont deux éléments linguistiques que les humains perçoivent naturellement à l’écoute. La « hauteur » désigne les variations d’intonation dans la parole, par exemple lorsque vous élevez naturellement la voix pour poser une question. La gigue survient lorsque la compréhension de la hauteur par un modèle vocal varie, ce qui l’empêche de maintenir une prosodie cohérente sur toute une phrase. La référence du secteur pour la gigue est de 30 ms.
• Expressivité émotionnelle : une voix claire et précise paraît malgré tout inadaptée si son ton ne correspond pas au registre émotionnel attendu de la phrase. Sans indices tonals précis, les auditeurs humains établissent moins de lien avec les agents conversationnels IA et les évaluent moins favorablement. ElevenAgents offre une expressivité proche de celle d’un humain afin d’associer chaque réponse à une intention émotionnelle claire.
• Bruit de fond : le bruit de fond des agents vocaux comporte deux dimensions distinctes à évaluer. En sortie, un bruit ambiant subtil est ajouté aux réponses pour rendre les agents plus naturels. En entrée, le filtrage du bruit de fond dans la couche STT est une option qui améliore la précision. Lors de l’évaluation d’un agent, testez les deux : vérifiez si le bruit ambiant semble naturel et évaluez la précision du STT avec et sans filtre de bruit.

Pour le MOS, visez une note de 4,3 à 4,5, signe de scores élevés dans toutes ces catégories perceptives. Pour prédire le MOS à grande échelle sans panel humain, vous pouvez utiliser des outils tels que UTMOS et NISQA.

Qualité conversationnelle

La qualité conversationnelle est un pilier composite, situé entre la qualité vocale et l’exécution des tâches. Elle mesure l’efficacité avec laquelle un agent vocal comprend les besoins d’un utilisateur, l’interrompt en contexte et mène l’échange jusqu’à son terme au fil de plusieurs tours de dialogue.

L’indicateur principal est ici la précision de la classification des intentions : elle se situe généralement entre 85 % et 92 %, tandis que les meilleurs résultats dépassent 96 %. Si 85 % peut paraître élevé, cela signifie tout de même que 15 % du trafic entrant est mal catégorisé et orienté vers les mauvaises ressources.

Les éléments techniques contribuant à une classification précise des intentions sont les suivants :

• Gestion des tours de parole : elle détermine dans quelle mesure un agent vocal gère le déroulement naturel de la conversation. Elle évalue sa capacité à savoir quand écouter, répondre ou attendre davantage d’informations. Elle couvre aussi la gestion des interruptions, lorsqu’un modèle annule une réponse en cours pour en générer une nouvelle à partir de la nouvelle entrée. ElevenLabs utilise un websocket multi-contexte pour gérer ces interruptions avec fluidité.
• Latence : Latence désigne le délai de bout en bout entre le moment où un utilisateur termine sa phrase et celui où l’agent commence sa réponse audio. Les agents vocaux prêts pour la production doivent viser un délai avant le premier audio inférieur à 500 ms ; moins de 300 ms est préférable. Les modèles Flash d’ElevenLabs offrent un temps d’inférence d’environ 75 ms, parmi les meilleurs du secteur, ce qui vous place dans de bonnes conditions pour réussir sur cet indicateur.
• Taux de repli : le taux de repli mesure la fréquence à laquelle un agent IA ne comprend pas un utilisateur et demande une clarification ou une répétition. Il découle largement de la précision du STT : si la couche de reconnaissance vocale entend mal ou restitue mal les propos d’un client, le LLM reçoit une entrée altérée. Le taux de repli se calcule simplement ainsi : Taux de repli (%) = (Nombre de replis / Nombre total d’interactions) * 100.

ElevenLabs Scribe V2 affiche le WER le plus bas, à 2,2 %, dans l’évaluation des modèles de reconnaissance vocale d’Artificial Analysis

Évaluation des modèles de reconnaissance vocale par Artificial Analysis

Une façon de mesurer la qualité conversationnelle consiste à examiner les références sectorielles pour les différents composants. Comme vous pouvez le voir, Scribe v2 d’ElevenLabs affiche le taux d’erreur par mot le plus bas, à 2,2 % en juin 2026, ce qui signifie moins de mauvaises interprétations, moins de replis et une classification des intentions plus précise.

Les entreprises peuvent constater que la qualité conversationnelle dépend aussi du workflow dans lequel opère l’agent vocal. Dans le service client, par exemple, la qualité du transfert lors d’une escalade ou la résolution des FAQ constituent d’autres critères pertinents.

Utilisation des outils et exécution des tâches

La qualité mesure le ressenti d’une conversation ; l’exécution des tâches détermine si elle a abouti. Les entreprises doivent accorder une attention particulière à cette partie du cadre d’évaluation des agents vocaux, car elle est directement liée aux résultats opérationnels.

La précision du remplissage des champs est une mesure de l’utilisation des outils. Elle détermine dans quelle mesure les agents IA accomplissent des tâches assez courantes, comme renseigner un formulaire avec les informations d’un client. Une grande précision montre que l’agent passe sans friction de la conversation à l’action sans perdre d’informations.

Le taux de réussite des tâches (TSR) mesure en pourcentage les tâches de bout en bout qu’un agent a menées à bien. La réussite dépend ici de sa capacité à comprendre une demande et à utiliser les bons outils connectés (API, bases de données, génération augmentée par récupération [RAG] et bases de connaissances internes) pour y répondre.

La formule du TSR est la suivante :

TSR = (Tâches entièrement réalisées / Total des tâches tentées) x 100

Les agents vocaux prêts pour la production doivent viser un TSR supérieur à 85 %, tout en surveillant la précision et la fiabilité des appels d’outils. Pour éviter une baisse du TSR, effectuez des tests de régression à chaque modification d’un prompt ou d’un modèle connecté. Même un petit écart peut avoir des conséquences importantes sur votre TSR.

Intelligence

L’intelligence couvre les capacités de raisonnement et de niveau supérieur d’un agent vocal. C’est ce pilier qui distingue clairement un SVI vocal (serveur vocal interactif) d’un agent vocal IA.

Les principales dimensions à évaluer sont les suivantes :

• Risque d’hallucination : les hallucinations, lorsqu’un agent produit des informations inexactes ou incompatibles avec les documents de l’entreprise, sont particulièrement préjudiciables en IA vocale, car elles peuvent être présentées avec assurance. Des études récentes suggèrent que les hallucinations fréquentes nuisent considérablement à la satisfaction des clients envers les agents vocaux.
• Gestion des demandes hors périmètre : les agents intelligents savent lorsqu’une question sort de leur domaine contextuel et peuvent répondre de manière appropriée. Au lieu d’halluciner une réponse, ils refusent ou réorientent la conversation vers un périmètre contextualisé.
• Conservation du contexte : sur plusieurs tours de dialogue, l’agent peut-il suivre les entités et les engagements évoqués précédemment ? Sans cette capacité, les clients risquent de devoir se répéter ou de recevoir des réponses contradictoires.
• Raisonnement et logique en plusieurs étapes : l’agent peut-il traiter correctement une logique conditionnelle ou enchaîner des inférences sur plusieurs tours de dialogue ? Dans les cas d’usage plus techniques, comme les services financiers, la capacité à raisonner dans un contexte prédéfini est essentielle.

Plusieurs références tierces existent pour ces dimensions et composants. Par exemple, le benchmark Holistic Evaluation of Language Models (HELM) de Stanford évalue les performances des LLM dans différentes catégories. Pour les hallucinations, TruthfulQA fournit une analyse robuste de la fréquence à laquelle de fausses réponses s’immiscent dans les échanges.

Un avantage d’ElevenAgents est que, contrairement à certaines plateformes vocales qui vous imposent un unique modèle sous-jacent, vous pouvez remplacer entièrement la couche LLM. En pratique, vous pouvez intégrer le modèle qui obtient les meilleurs résultats aux benchmarks de raisonnement pour votre cas d’usage précis.

Conformité et sécurité

Les entreprises doivent mettre en place des garde-fous actifs pour prévenir les sorties nuisibles ou non conformes aux politiques. Contrairement aux instructions de prompt au niveau système, qui peuvent être contournées ou outrepassées, les contrôles de garde-fous indépendants s’exécutent dans une couche distincte, hors du modèle lui-même. Ils évaluent les sorties avant qu’elles atteignent l’utilisateur et interrompent la conversation si elle dérive vers un terrain dangereux.

L’auditabilité est une exigence associée : les agents en production doivent conserver des journaux détaillés des décisions et des sorties, dans un format permettant un examen a posteriori. Dans les secteurs fortement réglementés, démontrer la conformité après coup est tout aussi important que l’assurer dès le départ.

Les réglementations exactes auxquelles votre entreprise doit se conformer varient selon le secteur. Parmi les cadres les plus fréquemment applicables :

• HIPAA : pour les données de santé protégées dans le contexte des soins de santé aux États-Unis.
• PCI-DSS : pour tout agent traitant des données de carte de paiement.
• RGPD : obligations de protection des données pour l’UE et les entreprises ayant des clients dans l’UE.

Pour les entreprises qui évaluent leur niveau de conformité, ElevenLabs est conforme aux normes AICPA SOC Type II et RGPD, et a obtenu la certification AIUC-1. La norme AIUC-1 est conçue spécifiquement pour la sécurité des agents IA.

Fiabilité

La fiabilité est le dernier pilier de notre cadre d’évaluation des agents vocaux. Elle détermine si un agent peut fournir des résultats constants en temps réel.

Lors de l’évaluation d’un agent vocal, recherchez les caractéristiques suivantes :

• Disponibilité : tout déploiement destiné aux clients exige une disponibilité de 99,9 % pour éviter les interruptions de service. Pour les cas d’usage permanents, comme l’assistance entrante, une disponibilité fiable est un facteur déterminant.
• Dégradation contrôlée : compte tenu de la complexité sous-jacente des agents vocaux, si un composant commence à échouer, l’agent doit gérer cette dégradation de façon contrôlée. En pratique, cela implique de transférer l’échange à une personne, plutôt que de continuer à fonctionner sous une charge accrue ou en renvoyant des erreurs.
• Performances sous charge : avant la mise en production, les tests de charge doivent simuler au moins deux fois votre pic de requêtes simultanées attendu. Les tests sous forte contrainte permettent d’identifier les hausses de latence ou les baisses de performance qui n’apparaissent qu’à grande échelle.

Même un modèle de grande qualité qui répond à tous les autres critères peut être inutilisable s’il ne s’adapte pas à la demande de vos clients. Plébiscité par 1 000 000 de créateurs et d’entreprises, ElevenAgents démontre la capacité de la plateforme à prendre en charge des déploiements à l’échelle de l’entreprise sans compromis sur les performances.

Comment mesurer le MOS des agents vocaux, étape par étape

Si votre entreprise souhaite mesurer manuellement le MOS, vous aurez besoin d’un vaste panel d’auditeurs humains et d’une sélection d’extraits audio issus de conversations réelles. Il s’agit d’un processus structuré qui consiste à recueillir des retours, calculer des moyennes, puis interpréter les données.

Voici comment mesurer le MOS d’agents vocaux en pratique :

1. Préparez votre jeu de test : sélectionnez un échantillon représentatif des sorties audio de votre agent, couvrant au moins 100 extraits issus de conversations variées.
2. Organisez la session d’évaluation : demandez à vos auditeurs humains d’évaluer chaque extrait sur une échelle de 1 à 5 selon la qualité de l’expérience de communication.
3. Regroupez les évaluations et calculez les scores : calculez la moyenne des notes pour chaque extrait, puis celle de tous les extraits de l’échantillon afin d’obtenir un MOS global. Un MOS de 4,3 ou plus indique que votre agent vocal est prêt pour la production.

Bien que ce processus exige beaucoup de travail manuel, il vous donnera un MOS solide pour l’agent vocal choisi. Pour effectuer le test à grande échelle, vous pouvez remplacer les auditeurs humains par des outils automatisés tels que NISQA, qui prédisent les scores MOS par programmation. Vous pouvez intégrer ces systèmes à vos pipelines actifs pour suivre continuellement le MOS au fil du temps.

Benchmarks de test IA vs humain : FCR, AHT et CSAT

Calculer le MOS de manière répétée au fil du temps permet d’observer l’amélioration ou la régression d’un modèle. Vous pouvez enrichir l’analyse en vous comparant aux performances humaines. Observer ce que les humains accomplissent réellement dans des rôles similaires montre si votre agent vocal se rapproche d’un niveau idéal.

Voici quelques indicateurs à prendre en compte pour les benchmarks de test IA vs humain.

Les agents IA doivent pouvoir égaler les agents humains en FCR et en CSAT, tout en améliorant sensiblement l’AHT. Cette amélioration tient au fait que les agents IA traitent généralement des conversations plus générales que les agents humains. Beaucoup d’entreprises mettent en place un workflow où les agents IA répondent en premier, puis transfèrent les appels aux agents humains uniquement s’ils sont trop complexes à traiter de manière autonome.

Les données de 2025 de Poe, un agrégateur de comparaisons d’IA, révèlent que ElevenLabs conservait la meilleure capacité globale à répondre aux demandes, avec 74,4 % de toutes les demandes entrantes traitées avec succès. Ce succès s’est traduit par une croissance rapide de l’usage : Eleven v3 et v2.5-Turbo représentent au fil du temps plus de 60 % des messages envoyés aux modèles IA.

Messages envoyés aux modèles IA au fil du temps : ElevenLabs en tête du cadre d’évaluation des agents vocaux de Poe

Messages envoyés aux modèles IA au fil du temps, selon le benchmark de Poe

Erreurs courantes lors des tests d’agents vocaux

Lorsqu’on suit un cadre d’évaluation des agents vocaux, la tentation est forte de tester les scénarios les plus favorables. Or, l’expérience quotidienne des clients qui interagissent avec vos systèmes d’IA vocale ne se déroule pas dans des conditions idéales.

Voici trois erreurs courantes lors des tests d’agents vocaux et comment les corriger :

• Tester le parcours le plus simple : surtout lors de la sélection d’extraits audio pour le MOS, veillez à inclure des cas d’usage limites. Les extraits contenant du bruit de fond ou une parole avec accent sont très fréquents dans la réalité ; ne tester que des fichiers audio « propres » conduira à mal calibrer le MOS.
• Privilégier le confinement plutôt que la résolution : optimiser vos modèles pour retenir les utilisateurs dans votre système d’agents gonfle les taux de confinement sans améliorer les résultats. Si votre FCR est faible malgré un taux de confinement élevé, l’agent fait tourner les utilisateurs dans une boucle frustrante. Prévoyez des mécanismes permettant aux utilisateurs de parler à des agents humains s’ils le souhaitent.
• Ignorer les percentiles de latence : les SLA définissent souvent la latence au niveau P95. Cet indicateur est important pour offrir une expérience cohérente à la majorité de vos clients, mais n’oubliez pas que les 5 % restants sont aussi de vrais clients. À grande échelle, 5 % d’un système traitant 10 000 appels quotidiens représentent encore 500 personnes confrontées à une conversation lente. Faites de P99 votre objectif SLA principal, et ne vous appuyez pas uniquement sur la médiane ou P95.

En tenant compte de ces éléments, vous pouvez établir des références justes et représentatives plutôt que de vous fonder sur des moyennes idéalisées.

Pourquoi adapter les évaluations à chaque cas d’usage

Les six piliers présentés dans ce cadre orientent les domaines à explorer, mais la pondération de chacun dépend de votre secteur. Une entreprise de services financiers peut, par exemple, privilégier la conformité et l’utilisation des outils, tandis qu’une marque grand public accordera davantage d’importance à la qualité vocale TTS.

Voici deux exemples d’évaluations propres à un cas d’usage et de la manière dont elles peuvent modifier l’équilibre entre les piliers.

Service client

Dans certains secteurs, tels que les centres d’appels, d’autres indicateurs d’exécution des tâches comme la résolution dès le premier appel (FCR) sont essentiels. La capacité à traiter avec succès un appel entrant sans intervention humaine réduit fortement la charge pesant sur les agents du service client. McKinsey estime que les centres d’appels utilisant des agents vocaux peuvent réduire le volume d’interactions jusqu’à 50 %.

Bien qu’il soit moins important que le taux de réussite des tâches, le taux de confinement est une autre dimension à considérer. Il mesure la durée totale d’un appel. Si votre taux de confinement est très élevé mais votre FCR faible, vos agents maintiennent les personnes en ligne sans apporter de résolution. En pratique, le client risque alors de vivre une expérience frustrante où il tourne en rond.

Parmi les autres indicateurs à suivre figure l’AHT, les agents IA visant à résoudre rapidement les problèmes courants. C’est pourquoi le secteur du service client donne la priorité à la qualité conversationnelle, en particulier à la gestion des tours de parole et au taux de repli, par rapport aux autres domaines.

Santé

Santé est un secteur fortement réglementé, aux exigences de conformité strictes qui rendent le fonctionnement des agents vocaux particulièrement délicat. La conformité y est une préoccupation centrale, ce qui augmente considérablement le poids de ce pilier de sécurité et de l’intelligence par rapport aux autres.

Chatbots pour la santé doivent gérer la prise de rendez-vous, les parcours d’accès à la télésanté, le triage des symptômes et les questions d’assurance. Tout cela requiert un haut niveau d’intelligence et d’utilisation des outils, ce qui montre une fois de plus que les exigences propres à un secteur ou à un rôle déterminent le pilier le plus important.

Quel que soit le secteur de votre entreprise, comprendre les piliers fondamentaux de l’évaluation des agents vocaux et les appliquer de manière équilibrée vous aidera à identifier les agents les mieux adaptés à vos besoins.

Créez avec ElevenAgents pour des performances élevées et une faible latence

La plateforme sur laquelle vous créez vos agents influence directement leurs performances dans des workflows réels. En particulier lors des interactions avec vos clients, vous devez avoir l’assurance que votre agent excelle dans chaque catégorie.

ElevenAgents est conçu pour les déploiements vocaux en production. Il combine un TTS parmi les meilleurs du secteur via Eleven v3, un STT en temps réel avec Scribe v2, et une couche d’orchestration d’agents conçue pour l’échelle de l’entreprise. Chaque composant est conçu pour atteindre les références définies dans ce cadre, afin de vous permettre d’offrir des expériences de grande qualité à vos clients.

Que vous évaluiez vos options ou soyez prêt à créer, ElevenLabs vous propose un parcours adapté. Découvrez la plateforme ElevenAgents pour voir comment elle répond à votre cas d’usage, ou inscrivez-vous et commencez à créer dès aujourd’hui.

FAQ sur l’évaluation des agents vocaux