N° 319 | AVRIL 1999 | RENDEZ-VOUS    
Accueil Sommaire Archives Emplois Livres Forum Services Chercher
MOHAMED NABIL LOKBANI est chercheur au laboratoire RALI de l'université de Montréal. SYLVAIN WHITE est ingénieur au Groupe de recherche et développement de Prima Télématic à Montréal.

PHONÈMES Particules élémentaires du langage parlé.

C'est le principe de la modélisation par
MOT . On peut avoir aussi, entre autres, une modélisation par phonèmes où à chaque phonème est associé un modèle de Markov caché, etc.





(1)L.R. Rabiner, " A tutorial on hidden Markov models and selected applications in speech recognition ", Proc. IEEE , vol. 77, n° 2, 1989, p. 257.


Relu 20 ans après par Mohamed Nabil Lokbani et Sylvain White

La reconnaissance de la parole

En vingt ans, le langage parlé n'a cessé de défier les informaticiens. Les recherches se heurtent encore à la complexité de la voix humaine. Quelques applications permettent cependant d'entrevoir la terre promise, ce monde où l'on conversera naturellement avec la machine.

L'article de Jean-Paul Haton et Jean-Sylvain Liénard illustre bien les deux principaux axes de recherche à l'aube des années 1980. Le premier s'attaque au problème complexe du découpage de la parole continue en une suite de phonèmes*, tout en tenant compte des contraintes phonétiques, lexicales et syntaxiques propres à la langue.

Le second s'attache à la voix d'un seul locuteur. Il consiste à reconnaître quelques mots isolés en comparant le signal vocal avec des références acoustiques, préalablement stockées lors d'un processus d'apprentissage. Mais l'extension de cette approche à la reconnaissance indépendante du locuteur (n'importe qui peut alors utiliser le système sans apprentissage) exige un temps de traitement élevé et un espace mémoire considérable : il faut stocker l'ensemble des références acoustiques pour chacun des mots du vocabulaire choisi, avec les différentes prononciations !

Pour remédier à ces problèmes, une modélisation statistique des différentes prononciations a été proposée au milieu des années 1970. Elle n'a vraiment été adoptée que dans la décennie suivante. L'idée est de remplacer l'ensemble des références acoustiques, représentant les différentes prononciations d'un même mot*, par un modèle de ces prononciations. Chaque mot du vocabulaire choisi est alors représenté par ce que l'on appelle un modèle de Markov caché(1), et la reconnaissance d'un signal de parole consiste à trouver la séquence de modèles qui correspond le mieux au signal.

Ces modèles sont les plus utilisés aujourd'hui car ils offrent les meilleures performances en reconnaissance de la parole. Les modèles de Markov sont d'ailleurs également utilisés dans d'autres domaines, par exemple la reconnaissance des séquences du génome ou de l'écriture manuscrite.

Les années 1980 ont aussi été marquées par l'introduction des réseaux de neurones artificiels dans le traitement de la parole. Pour profiter des avantages et éviter les inconvénients des différentes approches, un ensemble de travaux sur des systèmes hybrides, combinant les méthodes markovienne et connexionniste, ont vu le jour au début des années 1990.

Durant cette même décennie, une approche à deux étapes a été développée. Dans la première, le système de reconnaissance propose un ensemble de solutions. Un post-traitement se charge, dans la seconde étape, de déterminer la solution correcte dans cet ensemble.

Enfin, aujourd'hui, la recherche se poursuit notamment vers la modélisation du langage et la reconnaissance de parole dans des cas particuliers : pour de grands vocabulaires, dans un milieu bruyant, etc.

Du côté des produits, où en est-on aujourd'hui ? Malgré les gains théoriques et l'optimisme des chercheurs au début des années 1980, le marché des technologies vocales a tardé à se développer. Le problème vient du signal de parole lui-même, car il varie considérablement selon la vitesse de locution, l'état de santé du locuteur, le bruit ambiant, la prise de son, la coarticulation entre mots, etc.

Il a fallu attendre les années 1990 pour que les applications sortent des créneaux spécialisés et s'adressent vraiment au « grand public ». Le développement de microprocesseurs rapides en est sans doute la première cause. Un tournant dans la technologie vocale fut l'important succès, en 1992, du système de reconnaissance d'AT&T, qui a permis d'automatiser une partie du travail des téléphonistes. Malgré un petit vocabulaire (cinq mots isolés en mode multi-locuteurs " credit card ", " collect-call ", etc.), il permit d'accélérer sensiblement l'établissement des appels interurbains et d'économiser " plusieurs centaines de millions de dollars " d'après AT&T. En 1997, la société américaine UPS, qui offre un service mondial de distribution de courrier, a mis en service un serveur vocal pour faire le suivi d'acheminement. Il suffit à l'utilisateur d'appeler le serveur, de donner le code de son envoi, et le système lui indique l'état de l'acheminement. Le serveur peut gérer jusqu'à 100 000 appels par jour.

Pour le grand public, des systèmes de dictée vocale en continu sont maintenant disponibles, les plus connus étant ceux de Dragon Systems (Naturally Speaking) et d'IBM (Viavoice). Ils possèdent des vocabulaires de plusieurs dizaines de milliers de mots.

D'autres applications plus spécialisées permettent de traiter des vocabulaires adaptés aux domaines juridique, bancaire et médical. L'addition envisagée de la reconnaissance et de la synthèse de la parole aux ordinateurs personnels pourrait favoriser l'essor des technologies vocales. Une chose est sûre : converser de façon spontanée avec la machine n'est pas pour demain. Les vingt dernières années nous ont enseigné la prudence.

RETRO