Aucune des 68 études sur la voix, la parole et la santé mentale passées en revue en 2026 n’a mesuré directement le burn-out ou l’épuisement émotionnel (Uy et al., Frontiers in Digital Health 2026). Cette lacune encadre tout ce qui suit. Ce que la recherche montre est plus étroit : la fréquence fondamentale (F0, la hauteur de base de la voix) augmente sous stress aigu avec une différence moyenne standardisée (SMD) regroupée de 0,55, qui retombe à un 0,17 non significatif après correction du biais de publication (Veiga et al., Stress and Health 2025). Le meilleur résultat de terrain en centre d’appels que nous ayons trouvé est une AUC de 0,783 pour prédire les symptômes dépressifs chez 62 salariés japonais (Tani et al., Journal of Occupational Health 2025), et dans l’Union européenne, déduire les émotions des salariés par IA est interdit depuis le 2 février 2025. Pour le versant humain du problème (attrition, violences verbales, intentions de départ), consultez nos statistiques sur le burn-out et le turnover des téléconseillers. Nous avons rassemblé des données issues de JMIR Mental Health, JAMIA, Scientific Reports, du Journal of Voice, du Journal of Occupational Health, de la Commission européenne, de l’autorité hongroise de protection des données (NAIH) et de l’Institut national de la justice des États-Unis, en séparant partout les preuves de laboratoire du déploiement sur le terrain.
TL;DR
- 0 des 68 études sur la voix, la parole et la santé mentale n’a mesuré directement le burn-out, et seules 2 sur 68 (3%) ont validé leurs résultats sur un jeu de données indépendant (Uy et al., Frontiers in Digital Health 2026).
- 0 des 13 études de suivi de la santé mentale par IA en conditions réelles de travail n’a utilisé des données vocales ou de parole (Jack et al., PLOS Digital Health 2026).
- Le stress aigu augmente la F0 avec une SMD regroupée de 0,55 (IC à 95% de 0,30 à 0,80), qui retombe à 0,17 et devient non significative après trim-and-fill (Veiga et al., Stress and Health 2025).
- La F0 a augmenté de façon significative dans 15 des 19 études sur le stress, le marqueur acoustique le plus constant (Schewski et al., PLOS One 2025).
- Détection de la dépression par la parole : précision maximale regroupée de 0,81 contre précision minimale de 0,66 sur 105 études (Maran et al., JMIR Mental Health 2025).
- Un modèle basé sur l’audio des appels a prédit les symptômes dépressifs chez 62 téléopérateurs avec une AUC de 0,783 (Tani et al., Journal of Occupational Health 2025).
- Les téléopérateurs de centres d’appels rapportent une prévalence sur la carrière des troubles de la voix de 33% à 68% (Nair et al., revue systématique du Journal of Voice).
- 70,5% de 173 téléopérateurs turcs adressés pour évaluation avaient une maladie professionnelle confirmée, le plus souvent des troubles des cordes vocales (Altundas Hatman et Torun, La Medicina del Lavoro 2022).
- Les amendes du règlement sur l’IA pour les pratiques interdites peuvent atteindre EUR 35 000 000 ou 7% du chiffre d’affaires annuel mondial, le montant le plus élevé étant retenu (Règlement (UE) 2024/1689, article 99).
- Le logiciel d’analyse d’appels d’une banque n’a pas pu reconnaître l’émotion dans 91,96% des cas, et la banque a été condamnée à une amende de 250 000 000 HUF (décision NAIH NAIH-85-3/2022).
1. Ce que le stress fait à la voix : F0, jitter, shimmer et débit de parole
L’analyse paralinguistique s’intéresse à la façon dont une chose est dite plutôt qu’à ce qui est dit. Les quatre caractéristiques classiques sont la F0 (la hauteur), le jitter (minuscule fluctuation de la hauteur d’un cycle à l’autre), le shimmer (fluctuation de l’intensité d’un cycle à l’autre) et le débit de parole. Les preuves de laboratoire en soutiennent clairement une : la hauteur monte sous stress aigu. La F0 a augmenté de façon significative dans 15 études sur 19 dans une revue systématique de 2025 portant sur 38 articles (Schewski et al., PLOS One 2025), alors que le jitter et le shimmer n’ont le plus souvent montré aucune association.
L’effet est réel, mais plus faible et moins stable que ne le suggère le chiffre phare. Une méta-analyse de 2025 portant sur 10 études et 583 participants a regroupé une hausse de la F0 de SMD 0,55, mais après correction statistique des études négatives manquantes, l’estimation est tombée à 0,17 avec un intervalle de confiance qui traverse zéro (Veiga et al., Stress and Health 2025). Le signal est aussi le plus fort dans la parole spontanée, précisément le type de parole que capte un casque, et le plus faible dans la parole lue ou standardisée. Une expérience intra-individuelle a montré que la voix réagit au stress physiologique, et pas seulement à la mauvaise humeur : les caractéristiques ont varié pendant un test de stress mais pas pendant une tâche d’exclusion sociale (Kappen et al., Scientific Reports 2024).
| Métrique | Valeur | Source |
|---|---|---|
| Hausse regroupée de la F0 sous stress aigu (10 études, 583 participants) | SMD 0,55 (IC à 95% de 0,30 à 0,80), I² = 69,2% | Veiga et al., Stress and Health 2025 |
| Même effet regroupé sur la F0 après correction trim-and-fill du biais de publication | SMD 0,17 (IC à 95% de -0,15 à 0,49), p = 0,29 | Veiga et al., Stress and Health 2025 |
| Effet sur la F0 dans la parole spontanée et dans la parole standardisée (lue) | SMD 0,79 contre SMD 0,14 | Veiga et al., Stress and Health 2025 |
| Études sur le stress rapportant une hausse significative de la F0 | 15 sur 19 | Schewski et al., PLOS One 2025 |
| Caractéristiques prosodiques et caractéristiques de qualité vocale montrant un lien avec le stress | 52 sur 69 contre 18 sur 37 examens | Schewski et al., PLOS One 2025 |
| Variation du débit de parole pendant une tâche de stress, 66 participants | Hausse, d = 1,03 (IC à 95% de 0,65 à 1,42) | Kappen et al., Scientific Reports 2024 |
| Variation du jitter pendant la même tâche de stress | Baisse, d = -0,62 (IC à 95% de -1,00 à -0,24) | Kappen et al., Scientific Reports 2024 |
| Variation du shimmer pendant la même tâche de stress | Aucune variation significative, p = 0,201 | Kappen et al., Scientific Reports 2024 |
Note de contexte : dans la méta-analyse de Veiga, 5 des 10 études ont été jugées à risque de biais global sérieux, et les auteurs indiquent que les preuves sont insuffisantes pour établir des paramètres de F0 pour le stress. Schewski et al. n’ont par ailleurs trouvé aucun schéma acoustique constant pour la peur ou l’anxiété.
2. Précision de détection : modèles de dépression et de fatigue en benchmark
Le burn-out recoupe la dépression et l’épuisement, de sorte que la littérature sur la dépression est le substitut le plus proche de ce qu’un modèle de burn-out pourrait atteindre. Les chiffres phares semblent solides, mais ils dépendent du résultat que chaque article choisit de rapporter. Sur 105 études, la précision regroupée la meilleure rapportée était de 0,81, tandis que la précision regroupée la pire rapportée du même corpus était de 0,66 (Maran et al., JMIR Mental Health 2025). Cet écart de 15 points est la distance entre la meilleure configuration d’un article et la plus faible, avant qu’un modèle ne rencontre une nouvelle population.
Les approches plus anciennes tiennent toujours : une méta-analyse du JAMIA a constaté que des caractéristiques acoustiques conçues à la main surpassaient l’apprentissage profond de bout en bout (Liu et al., JAMIA 2024). La fatigue présente le même schéma de petit échantillon : une étude sur la privation de sommeil a atteint jusqu’à 94% sur des enregistrements de voyelles, mais seuls 15 hommes y ont participé (Frontiers in Cell and Developmental Biology 2022). Pour savoir comment les classificateurs d’émotions se comportent hors du laboratoire en contexte clinique, consultez nos statistiques sur la précision de la reconnaissance des émotions dans la parole.
| Métrique | Valeur | Source |
|---|---|---|
| Précision maximale regroupée rapportée, détection de la dépression par la parole (105 études) | 0,81 (IC à 95% de 0,79 à 0,83) | Maran et al., JMIR Mental Health 2025 |
| Précision minimale regroupée rapportée dans la même revue | 0,66 (IC à 95% de 0,63 à 0,69) | Maran et al., JMIR Mental Health 2025 |
| Sensibilité maximale regroupée rapportée et spécificité maximale regroupée rapportée | 0,84 contre 0,83 | Maran et al., JMIR Mental Health 2025 |
| Études incluses à risque élevé de biais dans au moins un domaine | 47,6% (50 sur 105) | Maran et al., JMIR Mental Health 2025 |
| Précision regroupée de l’apprentissage profond sur la parole pour la dépression (8 études) | 0,87 (IC à 95% de 0,81 à 0,93) | Liu et al., JAMIA 2024 |
| Précision regroupée des modèles utilisant des caractéristiques acoustiques conçues à la main | 0,89 (IC à 95% de 0,81 à 0,97) | Liu et al., JAMIA 2024 |
| Différence regroupée de F0, locuteurs dépressifs et non dépressifs (6 études) | -1,82 Hz, p = 0,56 (non significatif) | Cantor-Cutiva et al., Depression and Anxiety 2026 |
| Classification de la fatigue après 36 heures d’éveil, multi-voyelles et parole segmentée (15 participants) | Jusqu’à 94% contre 76% | Frontiers in Cell and Developmental Biology 2022 |
Note de contexte : 52,4% des 105 études sur la dépression étaient des communications de conférence, le jeu de données public le plus utilisé était DAIC-WOZ (33,3% des études), et les jeux de données propres à chaque étude (conçus à la main) étaient les plus courants dans l’ensemble (53,3%). La revue de Cantor-Cutiva et al. n’a jugé que 1 étude sur 17 de qualité forte. Données disponibles les plus récentes pour la fatigue : Frontiers in Cell and Developmental Biology, 2022.
3. Le burn-out est l’étiquette manquante : l’écart entre laboratoire et terrain
C’est la section qui compte le plus pour quiconque achète une fonctionnalité de « prédiction du burn-out ». Une revue de cadrage de 2026 portant sur 68 études de biomarqueurs vocaux n’en a trouvé aucune qui ait mesuré le burn-out ou l’épuisement émotionnel, et seules 2 sur 68 (3%) ont testé leurs modèles sur un jeu de données indépendant (Uy et al., Frontiers in Digital Health 2026). Les auteurs concluent que les preuves ne permettent pas encore de soutenir l’évaluation passive ou ambiante de la santé mentale en pratique courante.
La littérature sur le lieu de travail raconte la même histoire dans l’autre sens. Une revue limitée au suivi de la santé mentale par IA en conditions réelles de travail a retenu 13 études, et aucune n’utilisait la voix (Jack et al., PLOS Digital Health 2026). L’une des rares grandes études vocales de type terrain, avec 4 155 personnes s’enregistrant sur leur propre téléphone, a constaté qu’aucune caractéristique liée au stress n’était partagée entre le genre, la langue et la tâche (Topalian et al., Digital Biomarkers 2026). Autrement dit, rien ne garantit qu’un modèle entraîné sur un groupe se transpose à l’équipe suivante. Le même problème de validation traverse les biomarqueurs vocaux dans d’autres pathologies, comme le montrent nos statistiques sur les biomarqueurs vocaux des troubles cognitifs.
| Métrique | Valeur | Source |
|---|---|---|
| Études sur la voix, la parole et la santé mentale mesurant le burn-out ou l’épuisement émotionnel | 0 sur 68 | Uy et al., Frontiers in Digital Health 2026 |
| Études validées sur un échantillon indépendant ou inter-jeux de données | 2 sur 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Études utilisant une élicitation contrôlée (tâches de laboratoire) plutôt que la parole naturelle | 54 sur 68 (79%) | Uy et al., Frontiers in Digital Health 2026 |
| Caractéristiques vocales liées au stress partagées entre femmes et hommes, 679 adultes diabétiques enregistrant à domicile | Aucune (25 caractéristiques trouvées dans chaque sexe) | Bour et al., PLOS Digital Health 2026 |
| Études de suivi de la santé mentale par IA en conditions réelles de travail ayant utilisé la voix ou la parole | 0 sur 13 | Jack et al., PLOS Digital Health 2026 |
| Études de suivi par IA en conditions réelles de travail ciblant le burn-out et ciblant le stress | 1 sur 13 contre 10 sur 13 | Jack et al., PLOS Digital Health 2026 |
| Études sur le stress expérimentales (laboratoire) et études de terrain | 30 contre 7 articles | Schewski et al., PLOS One 2025 |
| Étude vocale du stress instantané sur appareils personnels : caractéristiques partagées entre genre, langue et tâche | Aucune (4 155 participants) | Topalian et al., Digital Biomarkers 2026 |
Note de contexte : la collecte de données de terrain est possible. L’étude ICASSP 2021 de Gaballah et al. a suivi 144 travailleurs hospitaliers pendant 10 semaines avec un enregistrement audio portable et un stress auto-déclaré quotidien, mais elle ciblait le stress, pas le burn-out (données disponibles les plus récentes : IEEE ICASSP, 2021). La cohorte de patients diabétiques du tableau ci-dessus (Bour et al., PLOS Digital Health 2026) n’a pas non plus trouvé de caractéristique commune au stress et à la détresse liée au diabète, rappel que le « stress » d’une étude n’est pas le même construit que celui de la suivante.
4. Déploiements en centres d’appels : ce que rapportent les études de terrain
Ce qui ressemble le plus à un véritable déploiement proche du burn-out vient du Japon, où un groupe de recherche a testé un système commercial d’analyse vocale sur les vrais appels clients de téléopérateurs. Le modèle a prédit les symptômes dépressifs sur 12 semaines avec une AUC de 0,783 (IC à 95% de 0,691 à 0,875), mais seuls 62 des 240 téléopérateurs recrutés ont fini dans l’analyse, le système est une boîte noire propriétaire, et l’étude a été financée par son fournisseur (Tani et al., Journal of Occupational Health 2025). Un essai randomisé associé a utilisé le même outil en séances de groupe et a constaté des réductions modestes des scores de dépression (Tani et al., Journal of Occupational Health 2024).
Deux jeux de données coréens plus récents montrent les alternatives. Une étude par journal portant sur 400 salariés a constaté que les mots employés par les téléconseillers suivaient mieux les symptômes dépressifs que leurs propres évaluations d’humeur, ce qui relève de l’analyse du langage et non de la paralinguistique (Kim et al., Psychiatry Investigation 2026). Une simulation en laboratoire avec 31 téléconseillers et des acteurs jouant des clients en colère n’a rapporté de résultats que pour l’audio combiné à des capteurs cardiaques, cutanés et cérébraux, si bien que la contribution propre de la voix est inconnue (Lee et al., Scientific Data 2026).
| Métrique | Valeur | Source |
|---|---|---|
| AUC pour prédire les symptômes dépressifs (CES-D de 16 ou plus) à partir de l’audio des appels, 62 téléopérateurs | 0,783 (IC à 95% de 0,691 à 0,875) | Tani et al., Journal of Occupational Health 2025 |
| AUC pour distinguer les appels normaux des appels à forte charge de travail (client agressif) dans un centre d’appels simulé, audio combiné à des capteurs physiologiques, 31 téléconseillers | 0,946 | Lee et al., Scientific Data 2026 |
| Téléopérateurs présentant des symptômes dépressifs au départ dans cette cohorte | 30,6% (19 sur 62) | Tani et al., Journal of Occupational Health 2025 |
| Variation du score de dépression à 12 semaines par rapport au groupe témoin : séances de groupe d’analyse vocale (5 ou plus) et entretiens individuels avec le superviseur | -2,36 contre -1,47 points CES-D | Tani et al., Journal of Occupational Health 2024 |
| Travailleurs coréens du travail émotionnel avec symptômes dépressifs (PHQ-9 de 5 ou plus), 400 analysés | 50,8% (203 sur 400) | Kim et al., Psychiatry Investigation 2026 |
| AUC du modèle de sentiment fondé sur le langage au 10e jour des journaux vocaux | 75,1% | Kim et al., Psychiatry Investigation 2026 |
| AUC pour le stress perçu dans un centre d’appels simulé, audio combiné à des capteurs physiologiques, 31 téléconseillers | 0,783 | Lee et al., Scientific Data 2026 |
| Part des réponses mensongères détectées par Layered Voice Analysis lors d’une validation en prison américaine, 319 personnes arrêtées | 21,4% (spécificité 95,2%) | Institut national de la justice des États-Unis (NIJ), Damphousse et al. 2007 |
Note de contexte : le système japonais utilisé dans les deux études de Tani repose sur Layered Voice Analysis (LVA). Un test indépendant plus ancien, financé par l’Institut national de la justice des États-Unis, a conclu que la LVA et un analyseur de stress vocal concurrent n’étaient « pas capables de détecter la tromperie à un taux meilleur que le hasard » (rapport NIJ, 2007). Ce test mesurait le mensonge, pas l’humeur, il ne tranche donc pas la question de la dépression, mais c’est une raison d’exiger une validation indépendante (données disponibles les plus récentes : NIJ, 2007).
5. Charge vocale : troubles de la voix dans le travail en centre d’appels et lien avec le burn-out
Avant d’être un capteur, la voix est un outil de travail, et cet outil s’use. Une revue systématique du Journal of Voice portant sur 15 études situe la prévalence sur la carrière des troubles de la voix chez les téléopérateurs de centres d’appels entre 33% et 68%, avec une prévalence ponctuelle de 27% (Nair et al., Journal of Voice). L’enrouement était le symptôme le plus fréquent, suivi de la fatigue vocale. Cela compte pour tout modèle acoustique : le jitter et le shimmer d’un téléconseiller enroué changent pour des raisons physiques, qu’un classificateur de stress ou de burn-out pourrait mal interpréter.
L’extrémité clinique du spectre est saisissante. Parmi 173 téléopérateurs turcs adressés à un hôpital de maladies professionnelles, 70,5% avaient une maladie professionnelle confirmée, et parmi ceux interrogés par la suite, 43,8% avaient été licenciés (Altundas Hatman et Torun, La Medicina del Lavoro 2022). Les recherches sur les enseignants, autre profession très sollicitée vocalement, relient directement burn-out et troubles de la voix : les deux problèmes vont de pair. Nos statistiques sur l’analyse vocale acoustique et la dysphonie expliquent comment les cliniques mesurent ces dégâts.
| Métrique | Valeur | Source |
|---|---|---|
| Prévalence sur la carrière des troubles de la voix chez les téléopérateurs de centres d’appels (15 études) | 33% à 68% | Nair et al., revue systématique du Journal of Voice |
| Prévalence ponctuelle des troubles de la voix chez les téléopérateurs de centres d’appels | 27% | Nair et al., revue systématique du Journal of Voice |
| Employés turcs de centres d’appels déclarant des troubles de la voix depuis leur prise de poste (264 interrogés) | 57,6% | Demir et al., PeerJ 2025 |
| Mêmes employés déclarant du stress au travail | 58,3% | Demir et al., PeerJ 2025 |
| Téléopérateurs adressés avec une maladie professionnelle confirmée (173 cas) | 70,5% | Altundas Hatman et Torun, La Medicina del Lavoro 2022 |
| Nodules des cordes vocales chez les opératrices et chez les opérateurs avec une maladie professionnelle | 92,9% contre 62,4% | Altundas Hatman et Torun, La Medicina del Lavoro 2022 |
| Part moyenne de la journée de travail passée à phonation, 92 téléopérateurs | 14,74% (intervalle de 4% à 31%) | Cantarella et al., Journal of Voice 2014 |
| Odds d’un trouble de la voix probable chez des enseignants positifs sur 2 à 4 sous-échelles de burn-out contre 0 à 1 | OR 4,01, P = 0,013 | de Brito Mota et al., Journal of Voice 2019 |
Note de contexte : dans l’enquête turque de PeerJ (Demir et al. 2025), le stress au travail était significativement associé à de moins bons scores au Voice Handicap Index (p < 0,001). Parmi les 208 enseignants de l’étude de de Brito Mota, 64,4% présentaient probablement un trouble de la voix, et dans une étude galicienne de 2024 portant sur 90 enseignants, 16% montraient des symptômes compatibles avec un burn-out. Données disponibles les plus récentes sur le temps de phonation : Cantarella et al., Journal of Voice, 2014.
6. Limites juridiques et éthiques : article 5 du règlement sur l’IA et actions des régulateurs
Même si la science mûrissait demain, la marge juridique pour l’analyse des émotions des salariés en Europe est déjà fermée. L’article 5(1)(f) du règlement sur l’IA interdit « l’utilisation de systèmes d’IA pour inférer les émotions d’une personne physique sur le lieu de travail et dans les établissements d’enseignement », avec une exception uniquement pour des raisons médicales ou de sécurité, et il s’applique depuis le 2 février 2025 (Règlement (UE) 2024/1689, article 5). Les lignes directrices de la Commission européenne, publiées le 4 février 2025 et non contraignantes, ferment la faille évidente : selon une analyse des lignes directrices par le Future of Privacy Forum, l’exception médicale « ne s’étend pas au suivi général du bien-être, comme la détection du stress ou du burn-out » (FPF, 24 mars 2026).
L’interdiction vise l’inférence à partir de données biométriques comme la voix. L’analyse des émotions des clients n’est pas couverte, et l’inférence des émotions à partir de texte écrit reste en dehors de l’interdiction, si bien qu’un modèle fondé sur la transcription et un modèle fondé sur la voix peuvent se retrouver de part et d’autre de la ligne. Le droit de la protection des données avait déjà frappé avant le règlement sur l’IA : l’autorité hongroise a sanctionné une banque dont le logiciel d’analyse d’appels évaluait l’état émotionnel des appelants et surveillait aussi la voix de ses propres employés (décision NAIH NAIH-85-3/2022).
| Métrique | Valeur | Source |
|---|---|---|
| Date d’entrée en application de l’interdiction de l’inférence des émotions au travail dans l’UE | 2 février 2025 | Règlement (UE) 2024/1689 (règlement sur l’IA), article 5 |
| Amende maximale pour une pratique d’IA interdite | EUR 35 000 000 ou 7% du chiffre d’affaires annuel mondial total, le montant le plus élevé étant retenu | Règlement (UE) 2024/1689 (règlement sur l’IA), article 99(3) |
| Publication des lignes directrices de la Commission sur les pratiques interdites (non contraignantes) | 4 février 2025, page mise à jour pour la dernière fois le 31 juillet 2025 | Commission européenne, lignes directrices sur les pratiques d’IA interdites 2025 |
| Détection du stress ou du burn-out couverte par l’exception médicale | Non, le suivi général du bien-être est exclu | Lignes directrices de la Commission européenne, analysées par le Future of Privacy Forum 2026 |
| Amende infligée à une banque hongroise pour l’analyse des émotions par IA d’enregistrements d’appels | 250 000 000 HUF | Décision NAIH NAIH-85-3/2022 |
| Part des cas où le logiciel de la banque n’a pas pu reconnaître l’émotion | 91,96% | Décision NAIH NAIH-85-3/2022 |
| Conservation des fichiers audio des appels dans le logiciel d’analyse vocale | 45 jours | Décision NAIH NAIH-85-3/2022 |
| Délai pour prouver la conformité ou cesser l’analyse des émotions | 60 jours après que la décision est devenue définitive | Décision NAIH NAIH-85-3/2022 |
Note de contexte : la page des lignes directrices de la Commission européenne précise que l’interprétation faisant autorité est réservée à la Cour de justice de l’Union européenne. La décision de la NAIH a également constaté que le logiciel pouvait reconnaître « les émotions d’un employé et non celles de l’appelant », le type d’inférence des émotions au travail que l’article 5(1)(f) interdit désormais.
Résumé : analyse vocale paralinguistique et prédiction du burn-out des téléconseillers en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Études sur la voix, la parole et la santé mentale mesurant directement le burn-out | 0 sur 68 | Uy et al., Frontiers in Digital Health 2026 |
| Études de suivi de la santé mentale par IA en conditions réelles de travail utilisant la voix | 0 sur 13 | Jack et al., PLOS Digital Health 2026 |
| Hausse regroupée de la F0 sous stress aigu | SMD 0,55 (IC à 95% de 0,30 à 0,80) | Veiga et al., Stress and Health 2025 |
| Hausse regroupée de la F0 après correction du biais de publication | SMD 0,17, non significative | Veiga et al., Stress and Health 2025 |
| Études sur le stress avec une hausse significative de la F0 | 15 sur 19 | Schewski et al., PLOS One 2025 |
| Effet sur le débit de parole lors d’une tâche de stress en laboratoire | d = 1,03 | Kappen et al., Scientific Reports 2024 |
| Détection de la dépression, précision maximale regroupée et précision minimale regroupée rapportées | 0,81 contre 0,66 | Maran et al., JMIR Mental Health 2025 |
| Détection de la dépression par apprentissage profond, précision regroupée | 0,87 | Liu et al., JAMIA 2024 |
| Modèles à caractéristiques acoustiques conçues à la main, précision regroupée | 0,89 | Liu et al., JAMIA 2024 |
| AUC du modèle fondé sur l’audio des appels pour les symptômes dépressifs, 62 téléopérateurs | 0,783 | Tani et al., Journal of Occupational Health 2025 |
| Travailleurs du travail émotionnel avec symptômes dépressifs (Corée) | 50,8% | Kim et al., Psychiatry Investigation 2026 |
| Prévalence sur la carrière des troubles de la voix chez les téléopérateurs de centres d’appels | 33% à 68% | Nair et al., revue systématique du Journal of Voice |
| Employés turcs de centres d’appels avec des troubles de la voix depuis leur prise de poste | 57,6% | Demir et al., PeerJ 2025 |
| Téléopérateurs adressés avec une maladie professionnelle confirmée | 70,5% | Altundas Hatman et Torun, La Medicina del Lavoro 2022 |
| Amende maximale du règlement sur l’IA pour les pratiques interdites | EUR 35 000 000 ou 7% du chiffre d’affaires | Règlement (UE) 2024/1689, article 99 |
| Amende infligée à une banque hongroise pour l’analyse des émotions dans les appels | 250 000 000 HUF | Décision NAIH NAIH-85-3/2022 |
Méthodologie et sources
- Uy, Shaaban et Arnaout : Voice and speech as digital biomarkers of mental health, Frontiers in Digital Health 2026
- Jack et al. : Mental health monitoring in the workplace using artificial intelligence, PLOS Digital Health 2026
- Veiga et al. : The fundamental frequency of voice as a potential stress biomarker, Stress and Health 2025
- Schewski et al. : Measuring negative emotions and stress through acoustic correlates in speech, PLOS One 2025
- Kappen et al. : Acoustic and prosodic speech features reflect physiological stress, Scientific Reports 2024
- Topalian et al. : Voice signatures of momentary psychological stress in real-life environments, Digital Biomarkers 2026
- Bour et al. : Voice changes associated with stress and distress in people living with diabetes, PLOS Digital Health 2026
- Maran et al. : Performance of automatic speech analysis in detecting depression, JMIR Mental Health 2025
- Liu et al. : Diagnostic accuracy of deep learning using speech samples in depression, JAMIA 2024
- Cantor-Cutiva et al. : The role of voice acoustics in depression assessment, Depression and Anxiety 2026
- A rapid, non-invasive method for fatigue detection based on voice information, Frontiers in Cell and Developmental Biology 2022
- Gaballah et al. : Context-aware speech stress detection in hospital workers using Bi-LSTM classifiers, IEEE ICASSP 2021
- Tani et al. : Early detection model for depressive symptoms using voice emotion analysis among call center operators, Journal of Occupational Health 2025
- Tani et al. : Organizational intervention using Layered Voice Analysis, randomized controlled trial, Journal of Occupational Health 2024
- Kim et al. : Daily language as an objective indicator of depressive affective states in emotional labor workers, Psychiatry Investigation 2026
- Lee et al. : A multimodal dataset for assessing emotion, stress, and emotional workload in interpersonal work scenario, Scientific Data 2026
- Damphousse et al., Institut national de la justice des États-Unis : Assessing the validity of voice stress analysis tools in a jail setting, 2007
- Nair et al. : Prevalence of voice problems, self-reported vocal symptoms and associated risk factors in call center operators, Journal of Voice
- Demir et al. : Self-reported voice problems in call center employees, PeerJ 2025
- Altundas Hatman et Torun : Occupational diseases among call center operators needing vocal rehabilitation, La Medicina del Lavoro 2022
- Cantarella et al. : Ambulatory phonation monitoring in a sample of 92 call center operators, Journal of Voice 2014
- de Brito Mota et al. : Voice disorder and burnout syndrome in teachers, Journal of Voice 2019 ; Garcia-Real et al. : Vocal problems and burnout syndrome in nonuniversity teachers in Galicia, Folia Phoniatrica et Logopaedica 2024
- Règlement (UE) 2024/1689 (règlement sur l’IA) : article 5 et article 99
- Commission européenne : Guidelines on prohibited artificial intelligence practices, 2025
- Future of Privacy Forum : Red lines under EU AI Act, emotion recognition in the workplace, 2026
- Autorité hongroise de protection des données et de la liberté de l’information (NAIH) : Décision NAIH-85-3/2022 sur le traitement du signal vocal par IA
- Note sur les données : aucune étude évaluée par des pairs que nous ayons trouvée ne rapporte d’AUC pour la détection du burn-out par la voix par rapport à un inventaire de burn-out validé, de sorte que chaque chiffre de précision de ce tour d’horizon concerne le stress, la fatigue ou la dépression, et non le burn-out lui-même. Les deux études de Tani et al. ont été financées par ES Japan, le fournisseur du système d’analyse vocale, avec des employés de l’entreprise comme co-auteurs, et le modèle de prédiction de 2025 n’a été validé qu’au sein de sa propre cohorte. L’étude de Kim et al. a analysé des mots transcrits, pas des caractéristiques acoustiques. Les chiffres du NIJ mesurent la tromperie, pas l’humeur, et datent de 2007. Incohérences internes dans les sources elles-mêmes : Altundas Hatman et Torun donnent 62,4% pour les nodules des cordes vocales chez les hommes dans le texte et 68,4% dans le tableau 4 ; le résumé de l’étude sur la fatigue (94% pour la voix unitaire, 81% pour la parole longue) ne correspond pas entièrement à sa section de résultats (88% à 94% pour les voyelles, 76% pour la parole segmentée) ; Jack et al. indiquent à la fois 8 études sur 11 et 7 sur 11 au-dessus de 75% de précision, nous n’avons donc pas retenu ce chiffre. La revue de Nair et al. a été publiée en ligne en 2021 et imprimée dans le Journal of Voice en 2024. Le texte de l’interdiction du règlement sur l’IA est cité d’après la reproduction du texte du Journal officiel sur artificialintelligenceact.eu.
Dernière mise à jour : 27 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lorsque la prochaine revue systématique des biomarqueurs vocaux pour la santé mentale au travail sera indexée dans PubMed Central.