Reconnaissance vocale

► En expirant de l’air par la trachée, l'homme est capable de parler. Cet air passe par le larynx, là où les cordes vocales peuvent se resserrer ou s’écarter afin de vibrer à des fréquences différentes. D’autres parties du corps, dont les fosses nasales, interviennent pour amplifier certaines fréquences des sons émis, comme une caisse de résonance. On les englobe sous le terme de conduit vocal. ⇔ La parole est une fonction physiologique complexe de l’Homme.

► Elle lui permet d’émettre une très large panoplie de sons différents. Cependant, l’homme n'utilise qu'un nombre restreint de sons élémentaires afin de se faire comprendre de ses semblables. Ces sons élémentaires sont nommés phonèmes. Dans la langue française, on recense 36 phonèmes distincts :

Phonème voyelle	Phonème consonne	Phonème semi-consonne et issues de langues étrangères
/a/ cas /ɑ/ pâte /ɑ̃/ sans /ə/ ce /ø/ peu /œ/ cœur /e/ clé /ɛ/ père /ɛ̃/ plein /i/ cil /o/ pot /ɔ̃/ ton /ɔ/ porc /u/ hibou /y/ sangsue /œ̃/ brun	/b/ bar /k/ caillou /ʃ/ méchant /d/ dingue /f/ flamme /ɡ/ garçon /ɲ/ agneau /ʒ/ jeu /l/ lanterne /m/ mère /n/ naguère /p/ patriote /ʁ/ radar /s/ statique /t/ tamis /v/ voix /z/ zirconium	/j/ yoyo /w/ oui /ɥ/ suie /ŋ/ parking /h/ hop

► Les phonèmes sont les mêmes, mais les sons correspondants ne sont pas strictement identiques, d'une personne à une autre. En effet, bon nombre de paramètres physiques interviennent. Généralement, les femmes ont des cordes vocales et un conduit vocal plus courts que pour les hommes. Il en résulte qu’un homme a souvent une voix plus grave que celle d’une femme. On appelle hauteur d’un son sa fréquence correspondante.

► Cependant, les phonèmes ne sont pas constitués d’une seule fréquence, mais comportent des harmoniques: cela constitue le timbre de la voix, ce qui explique qu’il est rare que deux personnes aient exactement la même voix.

► L'analyse spectrale se présente sous la forme d’un spectre de Fourier.

Principe : tout signal peut se décomposer en une somme de sinusoïdes. Ce graphe donne ainsi, pour chaque fréquence, le "poids" de celle-ci dans le signal. Pour un son pur et un son complexe, par exemple :


Mais, pour faire une analyse fréquentielle de la parole, le spectre de Fourier tel quel ne suffit pas. En effet, le son émis change au cours du temps, donc la composition en fréquence varie de même. D’ailleurs, dans des logiciels de lecture de sons ou les chaines hi-fi, il est courant de voir différentes barres verticales qui évoluent au cours du temps. C’est en fait un spectre de Fourier mis à jour régulièrement. Naturellement, ce type de représentation est esthétique mais peu exploitable.

► Le spectrogramme sur lequel le temps est selon un axe horizontal, et les fréquences en vertical.

Principe : faire une analyse en fréquence pour des temps différents, et la représenter selon un dégradé coloré (selon la verticale). On travaille sur des fenêtres temporelles d’environ 20 ms. Les deux spectrogrammes ci-dessous montrent ce que donne l’analyse du son "a" par une voix féminine et masculine :

Voix féminine
Voix masculine

→ La différence de timbre est visible, via une différence des harmoniques. Maintenant, si on analyse les deux voix prononçant le mot « Maxicours », cela nous donne :


Voix féminine prononçant "Maxicours"
Voix masculine prononçant "Maxicours"

→ Les deux voix ne parlent pas à la même vitesse, n’insistent pas forcément sur les mêmes sons.

Exemple : Une stratégie de reconnaissance vocale est de travailler sur la reconnaissance des phonèmes car ils sont en nombre limité pour une langue donnée. Ainsi, le logiciel de reconnaissance vocale tente dans un premier temps de séparer les différents sons, qui constitueront les phonèmes à reconnaître. Cela passe par un filtrage, afin d’enlever les bruits.

Ensuite, il fait l’analyse son par son. Il choisit alors le phonème le plus probable, grâce à des algorithmes (notamment aux probabilités). Pour cette étape, on distingue deux types de logiciel :

♦ Les logiciels monolocuteurs, utilisés par une seule personne. Le programme propose durant son installation, d’effectuer une empreinte vocale de son utilisateur. Cela consiste à prononcer des phrases clés qui contiennent tous les phonèmes. C’est une sorte de phase d’apprentissage. Cet étalonnage permet d’optimiser la correspondance entre les sons captés et les phonèmes à reconnaître.

♦ Les logiciels multilocuteurs sont quant à eux destinés à plusieurs utilisateurs. Dans ce cas-là, pas de phase d'apprentissage.

A ce stade-là, le logiciel a bâti le texte, mais de manière phonétique. A l’aide d’une base de données comparable à un dictionnaire, il fait alors la correspondance entre groupes de phonèmes et mots existants. Une correction orthographique automatique se charge d’appliquer les règles d’accord, ce qui produit finalement le texte transcrivant le message vocal de l’opérateur.

► En informatique, on parle d’interface homme/ machine pour désigner le logiciel qui permet la communication entre l’utilisateur et la machine. La reconnaissance vocale trouve sa place dans une interface évoluée, car l’utilisateur n’est plus obligé de taper son texte.

Logiciels de dictée vocale = c'est un mode monolocuteur où l’utilisateur dicte son texte.
Du côté des applications multilocuteurs, la tâche est plus complexe, seul un ou plusieurs "mots clés" sont utilisés tels que "composer numéro", "chercher route", "menu" …

► En science fiction et/ou dans des technologies d’avant garde, on trouve la reconnaissance vocale. Elle revêt un côté futuriste. Elle "humanise" la machine. La reconnaissance vocale joue également un rôle de sécurité : la voix d’une seule personne autorisée permet d’accéder à certaines fonctions d’une machine.