Prosodie

Parfois, ce n'est pas ce que vous dites, mais comment vous le dites. C'est un truisme auquel la plupart des gens peuvent s'identifier, mais pas les ordinateurs. Alors que le logiciel de reconnaissance vocale est devenu assez bon pour comprendre les mots, il ne peut toujours pas discerner la ponctuation comme les points et les virgules, ou choisir entre des phrases ambiguës dont le sens dépend de l'émotion du locuteur. C'est parce qu'un tel logiciel ne peut toujours pas comprendre les intonations, les accents et les pauses - collectivement connus sous le nom de prosodie - que les gens utilisent intuitivement pour faire de telles distinctions.

Mais avec plus d'une centaine de groupes de recherche d'entreprises et universitaires travaillant sur le problème, les tentatives d'incorporation de la prosodie dans les logiciels vocaux connaissent un succès croissant. Des outils basés sur la prosodie sont déjà utilisés pour la synthèse vocale - pour améliorer le naturel des voix de synthèse comme celles qui récitent votre solde bancaire au téléphone. Au fur et à mesure que la recherche sur la prosodie progresse, ces systèmes automatisés sonneront de plus en plus naturels, même lorsque vous prononcez des phrases complexes.

Cette histoire faisait partie de notre numéro de juillet 2002

• Voir le reste du numéro
• S'abonner

C'est dans la reconnaissance vocale, cependant, que les avantages les plus critiques devraient venir. Des avancées récentes suggèrent que dans cinq ans, le logiciel de prosodie effectuera des tâches telles que dire quand un client parlant à un système téléphonique automatisé se met en colère et réagira en conséquence, par exemple en transférant l'appel à un humain. C'est vraiment un truc de pointe, déclare Michael Picheny, informaticien et responsable du groupe d'algorithmes de parole et de langage chez IBM Research à Yorktown Heights, NY. Jusqu'à ces dernières années, la qualité de la reconnaissance vocale était si primitive qu'il ne valait même pas la peine d'explorer comment susciter différents comportements de la part des machines en transmettant une intention émotionnelle. D'abord, vous vouliez simplement que la machine comprenne bien les mots.

Les ondes sonores ont trois composants de base avec lesquels les logiciels de prosodie peuvent fonctionner. Le premier est le timing - la durée des pauses entre les mots et les phrases. Vient ensuite la hauteur, plus précisément, le changement relatif de hauteur dans les mots et les phrases. Enfin, il y a un changement de volume - un changement d'amplitude indiquant l'accentuation.

Glaner le sens de ces caractéristiques est beaucoup plus difficile pour un ordinateur que d'identifier des mots, explique Elizabeth Shriberg, informaticienne qui dirige la recherche sur la prosodie au SRI International à Menlo Park, en Californie. Les mots sont une série linéaire d'événements phonétiques, tels que ee et th. Les caractéristiques prosodiques, en revanche, apparaissent à travers les mots et les phrases. Pire, différents types de modèles prosodiques se chevauchent souvent ; une série pourrait révéler qu'une phrase a été prononcée calmement, une seconde que la phrase était une question. Mais les chercheurs commencent à les cartographier. Par exemple, Shriberg et ses collègues ont créé un modèle de phrase en colère : elle est globalement plus lente, met l'accent de manière exagérée sur les mots clés et se termine par une baisse du ton (j'avais besoin de ça mardi dernier mais il n'est pas arrivé). Shriberg a généré des modèles prosodiques de tout, des différents états émotionnels à la ponctuation en passant par les disfluences, les changements lorsque les gens changent de pensées au milieu d'une phrase ou marmonnent euh.

Alors que les outils du SRI sont encore des exercices de recherche, l'utilisation à grande échelle de la prosodie pour la reconnaissance vocale pourrait se profiler à l'horizon. Des applications limitées sont déjà utilisées dans les logiciels de reconnaissance vocale chinois. En Chine, selon l'inflexion, le mot Ma peut signifier maman ou cheval, ou indiquer que la phrase était une malédiction, explique Xuedong Huang, un informaticien qui dirige un groupe de technologie vocale chez Microsoft Research à Redmond, WA. C'est très dangereux, plaisante-t-il. Microsoft a déjà commencé à incorporer de la prosodie simple dans son logiciel de reconnaissance vocale en chinois et travaille à la création d'un logiciel de nouvelle génération pour les langues chinoise et japonaise.

Les cinq prochaines années devraient voir les outils prosodiques de langue anglaise pour la reconnaissance vocale faire leurs premières incursions sur le marché. Une application : les entreprises pouvaient rechercher automatiquement les bases de données téléphoniques enregistrées du service client, trouver les appels en colère et étudier ce qui n'allait pas. Autre possibilité : identifier la ponctuation, afin que les médecins s'exprimant dans les systèmes de dictée n'aient pas à dire le point.

Mais il faudra au moins dix ans, dit Shriberg de SRI, avant qu'un ordinateur puisse commencer à faire ce que les gens font tous les jours : décoder complètement une conversation avec toutes ses inflexions, tout en filtrant les bruits de fond. Nous essayons de combler quelque peu l'écart [homme-machine], donc lorsque les humains sont rares, ou dans l'espace, ou sous assistance respiratoire, l'ordinateur sera aussi intelligent que possible, dit Shriberg. Pour l'instant, de toute façon, n'essayez pas d'expliquer cette ambition à un ordinateur. Il ne comprendra pas votre excitation.

cacher