Cuisiner sans les mains : un clin d'œil pour l'étape suivante, la voix pour le reste

Cuisiner sans les mains rime avec commande vocale depuis une dizaine d'années, et la voix est réellement bonne pour la partie difficile : répondre à une question qu'on n'avait pas prévue, au milieu d'une étape. Elle est mal adaptée à la partie facile. Neuf fois sur dix, ce qu'on attend d'une recette, c'est un seul bit d'information dans l'autre sens : suivant. Prononcer une phrase entière, par-dessus une hotte, pour transmettre un bit, c'est un échange étrange, et c'est pourquoi la plupart des gens abandonnent la voix au bout d'une semaine et retournent s'essuyer les mains.

Le principe utile est que le coût de la commande doit correspondre à la taille de la demande. Un clin d'œil suffit à tourner une page. Garder la bouche ouverte suffit à faire défiler. Parler devrait être réservé à ce que seule la parole peut exprimer. Cet article parle de ce que ça donne quand on prend ce principe au sérieux.

Ce qu'on demande vraiment à une recette

Tenez-vous devant des plaques avec une recette sur un téléphone et comptez les interactions. Elles se rangent dans quatre catégories, très inégales en fréquence comme en taille.

Seule la quatrième a besoin d'une phrase. Les trois premières représentent l'écrasante majorité de ce qui se passe, et un assistant vocal facture le même prix pour les quatre : capter son attention, formuler, articuler assez clairement pour être transcrit, attendre.

La voix est un outil polyvalent facturé au tarif unique

Le tarif unique est le problème, et il empire précisément dans les conditions où l'on a le plus besoin d'avoir les mains libres. Une cuisine est bruyante d'une manière particulièrement hostile à la reconnaissance vocale : une hotte, un robinet ouvert et quelque chose qui frit sont tous du bruit large bande posé pile sur la bande de la voix. Les mots d'activation sont réglés strictement, parce qu'un mot qui se déclenche sur la télévision est inutilisable, et cette rigueur se paie en ratés. Trois tentatives échouées pour dire « étape suivante » par-dessus une hotte, c'est pire que de s'essuyer les mains, et tout le monde le comprend vite.

Reste ce dont personne ne parle : cuisiner est souvent social. Dicter des instructions à un téléphone pendant que quelqu'un d'autre vous parle dans la cuisine n'est pas un geste neutre. Les gens arrêtent, non pas parce que ça échoue, mais parce que c'est vaguement gênant.

Rien de tout cela ne rend la voix mauvaise. Ça en fait le mauvais niveau pour les petites choses.

Un clignement n'est pas un clin d'œil

La commande bon marché évidente, c'est le visage, et la première idée évidente est de surveiller les yeux. C'est plus difficile qu'il n'y paraît, et la raison mérite d'être comprise : c'est elle qui fait que la plupart des fonctions à base de gestes du visage semblent cassées.

On cligne des yeux quinze à vingt fois par minute sans le décider. « Un œil est fermé » ne porte donc aucune intention. Ce qui distingue un clin d'œil d'un clignement, ce n'est pas que l'œil soit fermé : c'est l'asymétrie. Un clignement naturel ferme les deux paupières ensemble, à vingt ou quarante millisecondes près. Un clin d'œil n'en ferme qu'une.

Cette seule observation change ce qu'on construit. Ce n'est pas un détecteur avec un filtre ajouté après coup : c'est un détecteur d'asymétrie où la fermeture symétrique est le cas de rejet explicite. Une fois posé ainsi, un clin d'œil peut être confirmé à l'instant où le clignement est écarté (environ un dixième de seconde) au lieu d'attendre quoi que ce soit.

L'erreur tentante est d'exiger un maintien : gardez l'œil fermé un moment, qu'on sache que c'était voulu. Ça semble plus sûr et c'est le mauvais mécanisme. Un clin d'œil rapide et naturel se ferme et se rouvre en quatre-vingts à cent vingt millisecondes, c'est-à-dire avant qu'un seuil de maintien raisonnable ne soit atteint. Le geste est donc jeté à l'instant où l'œil se rouvre, et il faut apprendre à loucher délibérément sur son dîner. La durée n'a jamais été ce qui distinguait un clin d'œil d'un clignement. L'exiger n'apporte rien et rend l'ensemble poussif d'une façon qu'aucun réglage ne corrige.

Les yeux pointent moins bien qu'on ne croit

Le défilement est une demande d'une autre forme (maintenue plutôt que déclenchée) et la réponse qui semble élégante est d'utiliser le regard. On regarde vers le bas, le texte avance. On remonte, il s'arrête.

Ça se mesure mal. Sur un vrai appareil, toute la plage utilisable du regard relatif à la tête vaut environ 0,13 en unités normalisées : balayer des yeux du haut d'une étape jusqu'à un bouton en bas d'écran déplace le signal d'environ 0,10. Or lire simplement l'écran fait déjà vagabonder le regard de ±0,065. Le plancher de bruit et le signal ont la même taille. Aucun seuil ne les sépare, et c'est une propriété du capteur, pas quelque chose qu'on règle.

La mâchoire, moins glamour, fait bien mieux. L'ouverture de la bouche a une vraie plage de zéro à un, n'a besoin d'aucune ligne de base adaptative, et ne prête pas à confusion : soit vous l'avez fait, soit non. Son seul vrai risque de faux positif est la parole, réglé par un court maintien : parler ouvre la mâchoire de façon répétée mais brève, et la garde rarement grande ouverte au-delà d'un tiers de seconde.

Le regard garde sa place, mais pas comme pointeur. Il répond à une question bien plus grossière (cette personne regarde-t-elle son téléphone ?) et c'est justement celle qui compte, parce qu'un clin d'œil adressé à quelqu'un à l'autre bout de la cuisine n'est pas une demande de navigation.

Ce que ça donne dans Sugo

Le mode cuisson de Sugo place trois commandes sur le même visage, chacune dimensionnée pour sa tâche.

Clin d'œil droit pour l'étape suivante, clin d'œil gauche pour la précédente. La droite et la gauche sont les vôtres, pas celles de la caméra : c'est pourquoi la configuration vous demande d'exécuter chaque geste une fois avant d'activer quoi que ce soit. Un clignement normal ferme les deux yeux, il ne déclenche donc jamais rien. Après un geste, une seconde de surdité empêche un clin d'œil enthousiaste de faire défiler trois étapes.

Gardez la bouche ouverte pour faire défiler l'étape en cours. Ça avance tant que la bouche est ouverte et s'arrête quand vous la fermez, la bonne forme pour un long paragraphe qu'on lit à bout de bras.

Dites « hey Sugo » pour tout ce qui demande des mots. Le mot d'activation tourne sur votre appareil, et l'assistant qui répond a déjà la recette sous les yeux : « c'était combien de beurre ? » est donc une question complète.

Trois détails méritent d'être signalés, parce que ce sont eux qui évitent l'impression d'une caméra qui vous fixe. Tout se passe sur votre appareil : aucune photo, aucune vidéo n'est enregistrée ni envoyée où que ce soit. L'indicateur de caméra reste allumé tant que le mode cuisson est ouvert, délibérément. Et un clin d'œil vers l'avant ne fait rien sur la dernière étape : terminer une recette reste une action tapée volontairement, parce que c'est la seule qu'on ne défait pas à la légère.

Pour le reste de l'installation (le calage du téléphone, le verrouillage automatique, la lecture préalable) c'est dans cuisiner une recette sans toucher son téléphone. Et tout cela ne fonctionne que si la recette est déjà dans un état où l'on peut cuisiner avec, ce qui est tout l'intérêt de bien enregistrer ses recettes.

Ce que ça ne fait pas

Fermer un œil indépendamment de l'autre est une compétence motrice apprise, et une part réelle des gens en est tout simplement incapable. C'est pour ça que la configuration vous fait exécuter le geste au lieu de se contenter de l'expliquer : si ça ne marche pas pour vous, vous le savez en dix secondes plutôt qu'au milieu d'une recette. Ça veut aussi dire que ce n'est vraiment pas une fonction pour tout le monde, et que les zones tactiles ne disparaissent nulle part.

La caméra doit voir votre visage, ce qui suppose un téléphone calé, tourné vers vous, à portée de bras, avec assez de lumière. Un téléphone à plat sur le plan de travail rend l'ensemble inopérant, mais c'était déjà le pire endroit pour lui.

Manger devant son téléphone ressemble beaucoup à garder la bouche ouverte. Le filtre d'attention aide, puisque ça ne compte que si vous regardez l'écran, mais si vous goûtez et lisez en même temps, l'étape va défiler.

Faire tourner la caméra frontale consomme de la batterie, et l'indicateur reste visible tout du long. Certaines personnes ne voudront ni l'un ni l'autre pour une recette de quarante minutes, ce qui est légitime. Et si le mot d'activation écoute sur l'appareil, l'assistant qui répond a besoin d'une connexion : les gestes continuent quand elle tombe, les questions non.

La version en cinq minutes

1. Calez le téléphone face à vous, à portée de bras

   Toutes les commandes faciales dépendent de ce seul fait physique.

2. Faites la configuration une fois, en exécutant vraiment les gestes

   Elle confirme la gauche et la droite sur votre appareil, et vous dit en quelques secondes si le clin d'œil marche pour vous.

3. Le clin d'œil pour avancer et reculer

   La demande la plus fréquente doit être la moins coûteuse à formuler.

4. La bouche ouverte pour les longues étapes

   Une commande maintenue pour une demande continue, plutôt qu'un saut.

5. Gardez la voix pour les vraies questions

   Substitutions, quantités, « qu'est-ce que disait cette étape », ce que seul le langage peut demander.

Le propos n'est pas que les gestes soient malins. C'est qu'une recette devrait vous coûter le moins d'attention possible tant qu'il y a quelque chose sur le feu, et que la plupart de ce qu'on lui demande est trop petit pour mériter une phrase.

Sugo est en bêta ouverte sur iPhone. Si vous avez déjà crié « étape suivante » à un téléphone par-dessus une hotte, rejoignez la bêta.