EXAMEN PROBATOIRE Spécialité : INFORMATIQUE

Transcription

1 CONSERVATOIRE NATIONAL DES ARTS ET METIERS Centre Régional Languedoc-Roussillon EXAMEN PROBATOIRE Spécialité : INFORMATIQUE APPROCHE DE LA RECONNAISSANCE AUTOMATIQUE DE LA PAROLE Par : Julien ALLEGRE Soutenu le : 07 avril 2003 Jury : Président : Membres : M. Jean RANCHIN M. Marc NANARD

2

3 SOMMAIRE Introduction p Définition p Historique p La naissance p Les premiers mots... p L avancée des années 70. p La reconnaissance du langage p Dates clés p Principe de fonctionnement.. p Problématique... p Fonctionnement p Par comparaison à des exemples.. p Par modélisation d unités de parole.. p Applications.. p Services vocaux. p Contrôle de qualité, saisie des données... p Avionique p Formation p Aide aux handicapés p Dictée vocale. p Et aussi.. p Conclusion. p. 21 Annexes.. p. 22 A Glossaire. p. 22 B Bibliographie et références Internet p. 23 Page 3

4 INTRODUCTION La reconnaissance automatique de la parole est un domaine de la science ayant toujours eu un grand attrait auprès des chercheurs comme auprès du grand public. En effet, qui n a jamais rêvé de pouvoir parler avec une machine ou, du moins, piloter un appareil ou un ordinateur par la voix. Ne plus avoir à se lever pour allumer ou éteindre tel ou tel appareil électrique, ne plus avoir à taper pendant des heures sur un clavier pour rédiger un rapport(par exemple). L homme étant par nature paresseux, une telle technologie a toujours suscité chez lui une part d envie et d intérêt, ce que peu d autres technologies ont réussi à faire. Le secteur de la reconnaissance automatique de la parole est en pleine croissance et nous verrons dans ce document que la technologie actuelle est très aboutie, pouvant commencer à répondre aux attentes de l homme. Bien que des progrès soient encore à faire sur les systèmes complexes de reconnaissance, il est à noter que la reconnaissance de petits vocabulaires est quasiment parfaite, ce qui suffit largement pour des outils de traitements vocaux du quotidien. Sans compter le coût de ces systèmes qui a considérablement chuté ces dernières années mais aussi le gain qu ils peuvent apporter à un particulier et surtout à une entreprise. Dans un premier temps j expliquerai ce que l on entend par reconnaissance automatique de la parole afin de mieux appréhender le sujet. Puis, je montrerai l évolution de la discipline depuis ses débuts jusqu à nos jours. Suivra ensuite un chapitre abordant les différentes méthodes utilisées pour reconnaître la parole. Enfin les différents types d applications basées sur cette technologie. Page 4

5 1. DEFINITION La reconnaissance automatique de la parole est l un des deux domaines du traitement automatique de la parole, l autre étant la synthèse vocale. La reconnaissance automatique de la parole permet à la machine de comprendre et de traiter des informations fournies oralement par un utilisateur humain. Elle consiste à employer des techniques d'appariement afin de comparer une onde sonore à un ensemble d'échantillons, composés généralement de mots mais aussi, plus récemment, de phonèmes (unité sonore minimale : voir plus loin). En revanche, le système de synthèse de la parole permet de reproduire d une manière sonore un texte qui lui est soumis, comme un humain le ferait. Ces deux domaines et notamment la reconnaissance vocale, font appel aux connaissances de plusieurs sciences : l'anatomie (les fonctions de l'appareil phonatoire et de l'oreille), les signaux émis par la parole, la phonétique, le traitement du signal, la linguistique, l'informatique, l'intelligence artificielle et les statistiques. Il faut bien distinguer ces deux mondes : un système de synthèse vocale peut très bien fonctionner sans qu un module de reconnaissance n y soit rattaché. Evidemment le contraire est également tout à fait possible. Par contre, dans certains domaines bien précis, l un ne va pas sans l autre. Il est bien entendu que l étude se portant sur la reconnaissance automatique de la parole, l autre aspect du traitement de la parole ne sera pas traité dans ce rapport. Le traitement automatique de la parole ouvre des perspectives nouvelles compte tenu de la différence considérable existant entre la commande manuelle et vocale. L'utilisation du langage naturel dans le dialogue personne/machine met la technologie à la portée de tous et entraîne sa vulgarisation, en réduisant les contraintes de l'usage des claviers, souris et codes de commandes à maîtriser. En simplifiant le protocole de dialogue personne/machine, le traitement automatique de la parole vise donc aussi un gain de productivité puisque c'est la machine qui s'adapte à l'homme pour communiquer, et non l'inverse. De plus, il rend possible l'utilisation simultanée des yeux ou des mains à une autre tâche. Il permet d'humaniser les systèmes informatiques de gestion de l'information, en axant leur conception sur les utilisateurs. A la base, les logiciels de reconnaissance vocale servent surtout à entrer du texte en masse tout en se passant du clavier (qui offre un débit de 50 mots par minute contre plus de 150 pour la parole), le clavier reste cependant encore nécessaire aux corrections de texte et à l'utilisation de l'ordinateur. Page 5

6 2. HISTORIQUE Ce chapitre va montrer l évolution de la reconnaissance automatique de la parole depuis ses débuts jusqu à nos jours La naissance Les premières tentatives de création d une machine capable de comprendre le discours humain eurent lieu aux USA à la fin des années 40, au sein du Ministère de la Défense américain. Le but était de traduire et d interpréter des messages russes interceptés. Ces premières expériences s appuyaient sur une approche descendante, c est-à-dire fournissant une recherche mot à mot. Pendant ces premières années de vie de la reconnaissance vocale, il a fallu énormément de temps et de ressources informatiques pour enregistrer et emmagasiner la représentation de chaque mot dans chaque langue. Malgré tous les efforts fournis, les résultats sont médiocres et peu fiables, mais laissaient la porte ouverte à de nombreuses recherches Les premiers mots Vers 1950 apparaît le premier système de reconnaissance de chiffres, appareil entièrement câblé et très imparfait. En 1951, S.P. Smith présente un détecteur de phonèmes ; une année après, K.H. Davis, R Biddulph et S.Baleshek annoncent la première machine à aborder la reconnaissance de manière globale : les dix chiffres «zero» à «nine» sont reconnus analogiquement avec un bon taux de réussite pour une seule voix. Puis en 1960, P.B. Denes et M.V. Matthews, pour reconnaître les dix premiers chiffres, comparent globalement les représentations temps fréquence, numérisées et normalisées en durée totale : le taux d'erreur est nul pour un seul locuteur et s élève à 6% pour cinq locuteurs ayant participé à un apprentissage. H.F. Olson et H.Belar envisagent, en 1961, la reconnaissance d'unités phonétiques autres que les phonèmes : leurs unités sont des «syllabes phonétiques» que le locuteur doit articuler séparément ou, du moins, avec une chute importante du niveau sonore en guise de séparation ; il s'agit donc presque d'une reconnaissance par mots, étant entendu que ces «mots» sont courts et que leur répertoire est limité : 2000 syllabes suffisent à couvrir 98% des besoins de la langue anglaise. J.Dreyfus-Graf met au point en 1961 son «phonétographe», appareillage analogique composé de vingt filtres passe-bande et de circuits identificateurs de phonèmes. Le phonétographe utilise des «compresseurs sélectifs» qui augmentent l'émergence de certains sons. Obtenu en temps réel, le résultat est spectaculaire ; cependant l'appareil ne fonctionne Page 6

7 qu'avec un seul locuteur qui doit adapter sa diction à la machine : hauteur, intensité, rythmes très faibles. Après avoir constaté que l'identification des phonèmes dans le signal de parole est un problème beaucoup plus compliqué qu'ils ne l imaginent, les chercheurs se tournent, entre 1965 et 1970, d'une part vers la reconnaissance par mots isolés en vue d'applications pratiques comme la commande vocale, d'autre part vers l'utilisation d'informations de niveau linguistique supérieur avec lexique et syntaxe, pour compléter le message vocal reconnu au niveau phonétique. Cette seconde approche prend le nom, quelque peu abusif, de «compréhension automatique de la parole» L avancée des années 70 Les années 70 sont une période charnière. D'abord, elle voit la première réalisation commerciale en reconnaissance vocale : «le Voice Command system» de J.J.W. Glenn et M.H. Hitchcok, appareil autonome qui reconnaît de manière fiable 24 mots isolés après cinq cycles d'apprentissage par le même locuteur. L'analyse du message est effectuée par un banc de seize filtres ; chaque mot est représenté par huit événements prélevés aux instants de plus grande variation interne du message. Cette normalisation temporelle, ainsi que les traitements d'apprentissage et de reconnaissance, sont confiés à un mini calculateur incorporé. Aux Etats-Unis, l'importance des recherches sur la parole a beaucoup varié au cours des dernières années. A l'effort de recherche particulièrement intensif correspondant au projet SUR (Speech Understanding Research, Recherche sur la compréhension de la parole) de l'arpa (Advanced Research Projects Agency ou Agence de projets de recherche avancés), succède maintenant un effort plus mesuré. En ex-urss, les recherches dans ce domaine ont commencé très tôt et restent à l'heure actuelle très actives. Mais à la différence des équipes américaines qui ont développé rapidement d'énormes systèmes de compréhension de la parole, les équipes soviétiques n'ont que très récemment abordé l'étude des niveaux syntaxique et sémantique ; elles sont à l'origine de l'utilisation de la technique de «programmation dynamique» dont l'emploi s'est maintenant partout généralisé. En France, les recherches ont démarré vers 1970, et plusieurs laboratoires de recherches ont pu mettre au point différents systèmes de reconnaissance vocale avec plus ou moins de succès, ces laboratoires mettant l'accent sur le support de reconnaissance : mots isolés, syllabes, grands vocabulaires... Page 7

8 2.4. La reconnaissance du langage Dès lors, les recherches dans le domaine de la reconnaissance de la parole n ont cessé de progresser dans le sens de la compréhension du langage parlé et des phrases structurées. Aujourd hui, le taux d erreur ainsi que le temps d apprentissage des systèmes de reconnaissance ne cessent de diminuer pour atteindre de nos jours des résultats proche de 95%. Ce taux est évidement variable selon la difficulté du langage. En effet la machine a parfois du mal à éviter certains pièges linguistiques. Néanmoins nous verrons plus loin que de nos jours nous disposons d une technologie très aboutie Dates clés On peut résumer en quelques dates les grandes étapes de la reconnaissance de la parole : : reconnaissance des 10 chiffres, par un dispositif électronique câblé, pour un mono-locuteur : utilisation des méthodes numériques : reconnaissance de phonèmes en parole continue : reconnaissance de mots isolés par des systèmes implantés sur gros ordinateurs (jusqu'à 500 mots) : utilisation d'informations linguistiques : lancement du projet ARPA aux USA (15 millions de dollars) pour tester la faisabilité de la compréhension automatique de la parole continue avec des contraintes raisonnables : premier appareil commercialisé de reconnaissance de mots : fin du projet ARPA ; les systèmes opérationnels sont HARPY, HEARSAY I et II et HWIM : commercialisation d'un système de reconnaissance à microprocesseurs sur une carte de circuits imprimés : utilisation de circuits intégrés VLSI (Very Large Scale Integration) spécifiques du traitement de la parole Page 8

9 : système de reconnaissance de mots sur un circuit VLSI : première mondiale de commande vocale à bord d'un avion de chasse en France : commercialisation des premiers systèmes de reconnaissance de plusieurs milliers de mots : lancement du projet japonais ATR de téléphone avec traduction automatique en temps réel : apparition des premières machines à dicter par mots isolés : recrudescence des modèles connexionnistes neuromimétiques : premières véritables applications de dialogue oral hommemachine : IBM lance son premier système de reconnaissance vocale sur PC : lancement de la dictée vocale en continu par IBM Page 9

10 3. PRINCIPES DE FONCTIONNEMENT Ce chapitre va expliquer comment fonctionnent les principaux systèmes de reconnaissance vocale. Néanmoins, le sujet de ce rapport n étant pas une étude approfondie des techniques de reconnaissance vocale, les principes mathématiques et de traitement du signal ne seront pas traités mais juste évoqués dans ce chapitre(se référer à la bibliographie pour plus de précisions sur ces aspects) Problématique Pour bien appréhender le problème de la reconnaissance automatique de la parole, il est bon d'en comprendre les différents niveaux de complexité et les différents facteurs qui en font un problème difficile. - Le système doit-il être optimisé pour un unique locuteur ou est-il destiné à devoir se confronter à plusieurs utilisateurs? On peut aisément comprendre que les systèmes dépendants d un seul locuteur sont plus faciles à développer et sont caractérisés par de meilleurs taux de reconnaissance que les systèmes indépendants du locuteur étant donné que la variabilité du signal de parole est plus limitée. Cette dépendance au locuteur est cependant acquise au prix d'un entraînement spécifique à chaque utilisateur. Ceci n'est néanmoins pas toujours possible. Par exemple, dans le cas d'applications téléphoniques, on comprend bien que les systèmes puissent être utilisés par n'importe qui et donc être indépendants du locuteur. Bien que la méthodologie de base reste la même, cette indépendance au locuteur est obtenue par l'acquisition de nombreux locuteurs (couvrant si possible les différents dialectes) qui sont utilisés simultanément pour l'entraînement de modèles susceptibles d'en extraire toutes les caractéristiques majeures. Une solution intermédiaire parfois utilisée consiste à développer des systèmes capables de s'adapter rapidement (de façon supervisée ou non) au nouveau locuteur. - Le système reconnaît-il des mots isolés ou de la parole en continue? Evidemment, il est plus simple de reconnaître des mots isolés bien séparés par des périodes de silence que la séquence de mots constituant une phrase. En effet, dans ce dernier cas, non seulement la frontière entre les mots n'est plus connue mais les mots deviennent fortement articulés (c'est-à-dire que la prononciation de chaque mot est affectée par le mot qui précède ainsi que par celui qui suit ; un exemple simple : les liaisons du français). Dans le cas de la parole continue, le niveau de complexité varie également selon qu'il s'agisse de texte lu, de texte parlé ou, beaucoup plus Page 10

11 difficile, de langage naturel avec ses hésitations, phrases grammaticalement incorrectes, faux départs, etc Un autre problème, qui commence à être bien maîtrisé, concerne la reconnaissance de mots clés en parole libre. Dans ce dernier cas, le vocabulaire à reconnaître est relativement petit et bien défini mais le locuteur n'est pas contraint de parler en mots isolés. Par exemple, si un utilisateur est invité à répondre par «oui» ou «non», il peut répondre «oui, s'il vous plaît». Dans ce contexte, un problème qui reste particulièrement difficile est le rejet de phrases ne contenant aucun mot clé. La taille du vocabulaire et son degré de confusion sont également des facteurs importants. Les petits vocabulaires sont plus faciles à reconnaître que les grands vocabulaires, étant donné que dans ce dernier cas, les possibilités de confusion augmentent. Certains petits vocabulaires peuvent cependant s'avérer particulièrement difficiles à traiter ; ceci est le cas, par exemple, pour l'ensemble des lettres de l'alphabet, contenant surtout des mots très courts et proches au niveau acoustique. - Le système est-il robuste? Autrement dit, le système est-il capable de fonctionner proprement dans des conditions difficiles? En effet, de nombreuses variables pouvant affecter significativement les performances des systèmes de reconnaissance ont été identifiées : - Bruits d'environnement (dans une rue, un bistrot etc ) - Déformation de la voix par l environnement (réverbérations, échos, etc ) - Qualité du matériel utilisé (micro, carte son etc ) - Bande passante fréquentielle limitée (fréquence limitée d une ligne téléphonique) - Elocution inhabituelle ou altérée (stress, émotions, fatigue, etc ) Certains systèmes peuvent être plus robustes que d'autres à l'une ou l'autre de ces perturbations, mais en règle générale, les systèmes de reconnaissance de la parole sont encore sensibles à ces perturbations Fonctionnement Le problème de la reconnaissance automatique de la parole consiste à extraire l'information contenue dans un signal de parole, typiquement par échantillonnage du signal électrique obtenu à la sortie d un microphone, afin qu il puisse être comparé à des modèles sous forme numérique. Parmi plusieurs techniques de reconnaissance, il y en a deux qui sont majoritairement utilisées afin de parvenir à résoudre ce problème : la comparaison à des exemples et la comparaison d unités de parole. Page 11

12 Reconnaissance par comparaison à des exemples Les premiers succès en reconnaissance vocale ont été obtenus dans les années 70 à l aide d un paradigme de reconnaissance de mots «par l exemple». L idée, très simple dans son principe, consiste à faire prononcer un ou plusieurs exemples de chacun des mots susceptibles d être reconnus, et à les enregistrer sous forme de vecteurs acoustiques (représentation numérique du signal sonore). Puisque cette suite de vecteurs acoustiques caractérise complètement l évolution de l enveloppe spectrale du signal enregistré, on peut dire qu elle correspond à un l enregistrement d un spectrogramme [Fig.1]. Figure 1 : Spectrogramme des mots «parenthèse» et «effacer» L étape de reconnaissance proprement dite consiste alors à analyser le signal inconnu sous la forme d une suite de vecteurs acoustiques similaires, et à comparer la suite inconnue à chacune des suites des exemples préalablement enregistrés. Le mot «reconnu» sera alors celui dont la suite de vecteurs acoustiques (le «spectrogramme») colle le mieux à celle du mot inconnu. Il s agit en quelque sorte de voir dans quelle mesure les spectrogrammes se superposent. Ce principe de base n est cependant pas implémentable directement : un même mot peut en effet être prononcé d une infinité de façons Page 12

13 différentes, en changeant le rythme de l élocution. Il en résulte des spectrogrammes plus ou moins distordus dans le temps. La superposition du spectrogramme inconnu aux spectrogrammes de base doit dès lors se faire en acceptant une certaine «élasticité» sur les spectrogrammes candidats. Cette notion d élasticité est formalisée mathématiquement par un algorithme nommé : l algorithme DTW (Dynamic Time Warping ou déformation dynamique temporelle). On comprend donc qu une telle technique soit limitée par la taille du vocabulaire à reconnaître (une centaine de mots tout au plus) et qu elle soit plus propice à la reconnaissance mono-locuteur (une reconnaissance multi-locuteur imposerait d enregistrer, de stocker, et surtout d utiliser pour la comparaison de nombreux exemples pour chaque mot). Les résultats obtenus, dans le contexte mono-locuteur/petit vocabulaire, sont aujourd hui excellents (proches de 100%) mais ne correspondent pas aux attentes actuelles en matière de reconnaissance vocale Reconnaissance par modélisation d unités de parole La plupart des systèmes de reconnaissance de la parole sont de nos jours basés sur ce mode là. Dés que l on cherche à concevoir un système réellement multi-locuteur, à plus grand vocabulaire et s adaptant facilement à une application, il devient nécessaire de mener la reconnaissance sur base d unités de parole de plus petite taille, que l on appelle phonèmes. En effet, la parole est constituée d'une suite de sons élémentaires : «a», «é», «ss». Ils sont produits par la vibration des cordes vocales. Ces sons mis bout à bout composent des mots. On ne se contente plus alors d exemples de ces unités, mais on cherche plutôt à en déduire un modèle (un modèle par unité), qui sera applicable pour n importe quelle voix. Il apparaît ainsi dans de nombreuses publications que l on peut décomposer la reconnaissance de la parole en 4 modules : - Un module d acquisition et de modélisation du signal qui transforme le signal de parole en une séquence de vecteurs acoustiques. Pour être utilisable par un ordinateur, un signal doit tout d'abord être numérisé. Cette opération tend à transformer un phénomène temporel analogique, le signal sonore dans notre cas, en une suite d'éléments discrets, les échantillons. Ceux-ci sont obtenus avec une carte spécialisée courante de nos jours dans les ordinateurs depuis l'avènement du multimédia. La numérisation sonore repose sur deux paramètres : la quantification et la fréquence d'échantillonnage. La quantification définit le nombre de bits sur lesquels on veut réaliser la numérisation. Elle permet de mesurer l'amplitude de l'onde sonore à chaque pas de l'échantillonnage. Le choix de la fréquence d'échantillonnage est Page 13

14 aussi déterminant pour la définition de la bande passante représentée dans le signal numérisé. - Un module acoustique qui peut produire une ou plusieurs hypothèses phonétiques pour chaque segment de parole (par exemple de 10 ms, pour chaque vecteur acoustique), associées en général à une probabilité. Ce générateur d'hypothèses locales est généralement basé sur des modèles statistiques de phonèmes, qui sont entraînés sur une grande quantité de données de parole (par exemple, enregistrement de nombreuses phrases) contenant plusieurs fois les différentes unités de parole dans plusieurs contextes différents. Ces modèles statistiques sont le plus souvent constitués de lois statistiques paramétriques dont on ajuste les paramètres pour «coller» au mieux aux données ou de réseaux de neurones artificiels. Un tel générateur d étiquettes phonétiques intègre toujours un système d'alignement temporel qui transforme les hypothèses locales (prises sur chaque vecteur acoustique indépendamment) en une décision plus globale (prise en considérant les vecteurs environnants). De nos jours, ceci se fait le plus souvent via des modèles de Markov cachés (MMC ou HMM en anglais). L ensemble (lois statistiques paramétriques ou réseau de neurones + Markov) constitue le modèle acoustique sous-jacent à un «reconnaisseur» de parole. - Un module lexical : Dans le cadre de la reconnaissance de la parole continue, même si le système acoustique est basé sur des phonèmes, il faut obtenir, pour chaque entrée du dictionnaire phonétique, un modèle qui lui est propre. Un tel module lexical embarque en général des modèles des mots de la langue (les modèles de base étant de simples dictionnaires phonétiques ; les plus complexes sont de véritables automates probabilistes, capables d associer une probabilité à chaque prononciation possible d un mot). A l issue de ce module, il peut donc y avoir plusieurs hypothèses de mots qui ne pourront être départagées que par les contraintes syntaxiques. - Un module syntaxique qui interagit avec un système d'alignement temporel pour forcer la reconnaissance à intégrer des contraintes syntaxiques, voire sémantiques. Les connaissances syntaxiques sont généralement formalisées dans un modèle de la langue, qui associe une probabilité à toute suite de mots présents dans le lexique. Ainsi le système est capable de choisir entre plusieurs mots selon le contexte de la phrase ou du texte en cours et de son modèle lexical. On peut ajouter à cela un module de filtrage pouvant corriger le signal après l acquisition afin de retirer les distorsions ou les bruits provenant du matériel ou de l environnement du locuteur. Ce module est aussi appelé «traitement du canal de transmission». Du fait de sa complexité et du peu Page 14

15 d amélioration qu il apporte, ce module n est pas toujours intégré aux systèmes. Cependant la recherche de meilleurs traitements du canal de transmission sera sûrement nécessaire à l amélioration des systèmes de reconnaissance vocale. Parole Acquisition et modélisation Traitement canal de transmission Hypothèses phonétiques Propositions lexicales Contraintes syntaxiques Parole reconnue Figure 2 : Les modules de la comparaison par unité de parole Page 15

16 4. APPLICATIONS Ce chapitre va survoler les différentes possibilités d appliquer la reconnaissance automatique de la parole Services vocaux Les serveurs passifs (sans reconnaissance vocale) existent depuis de nombreuses années tels que l horloge parlante, la météo, les résultats des courses, du loto, etc Mais lorsque la quantité d information est importante, il devient nécessaire pour l utilisateur de pouvoir sélectionner ce qu il veut entendre. Dans des cas simples la sélection de touches «multi-fréquences» (DTMF) peut suffire. Mais pour des applications plus complexes des systèmes sont en voie de développement pour que l utilisateur puisse naviguer sur un serveur vocal en prononçant les mots de contrôle de l application. Ces services pourront s étendre à tout un ensemble de domaines : la réservation de place d avion, de train, de théâtre, de chambre d hôtel, les déclarations de sinistre à l assureur, les consultations et transactions bancaires, les opérations boursières, la facturation automatique des appels à distance, etc En France, des prototypes sont déjà en place notamment chez France Télécom avec un nombre de mots limité mais qui ne cesse d augmenter, une des difficultés étant de faire comprendre à l utilisateur les limites du système actuel. L opérateur américain SPRINT a ainsi initié ce type de service avec une «carte téléphonique» qui contrôle l identité de l utilisateur par l analyse de sa voix (les autres opérateurs utilisent uniquement un code confidentiel entré par DTMF). L introduction de la vérification du locuteur semble avoir éliminé l utilisation frauduleuse du code par une autre personne Contrôle de qualité, saisie des données Dans de nombreux environnements de travail la possibilité de décharger le travailleur, grâce à une interface vocale, apporte un gain incontestable de liberté et de rapidité de mouvement. Pendant qu il observe un processus complexe, il peut par exemple décrire des informations visuelles. Il a aussi la possibilité de commander à distance un automate évoluant en milieu hostile (apesanteur, sous-marin, industrie pétrolière). Un système portable Talkman de Vocollect a été évalué et mis en service à la SNCF pour des opérateurs itinérants[figure 3]. Manipulant des outils et divers instruments de mesures lors de ces relevés, les opérateurs effectuent des relevés d information sur des organes de wagons SNCF pour déclencher le passage en révision. Ils interviennent dans des conditions dangereuses. Page 16

17 Figure 3 : Main libre avec le Talkman de Vocollect Sur le même principe, la société Conversay commercialise une application nommée VoiceSurfer. Avec ce programme, un employé peut par exemple entrer tout l inventaire de son stock en utilisant uniquement la voix. Le gain de temps est direct car avec ce principe, les données fournies sont automatiquement sauvegardées sur un ordinateur distant Avionique A bord des avions, les tâches étant de plus en plus complexes et le tableau de bord de plus en plus réduit, la parole permet au pilote d avoir à sa disposition un moyen supplémentaire d interaction avec la machine, sans cependant gêner l accomplissement des tâches courantes qui requièrent de sa part toute son attention visuelle. Les autorités canadiennes ont été les précurseurs des techniques vocales dans l avionique. Ainsi, l Institut de Recherche Aérospatiale (IRA) a effectué des travaux de recherche sur la technologie vocale depuis la fin des années 70. Page 17

18 Dans les années 80, la recherche sur la reconnaissance de la parole était axée sur la mise au point de techniques qui fonctionnent dans les postes de pilotage des aéronefs, où le niveau de bruit ambiant est très élevé. BAE Systems Canada a mis au point un système prototype de reconnaissance de la parole qui a été installé dans l hélicoptère Bell 205 à stabilité variable de l IRA. Ce système a démontré un très haut taux de reconnaissance de la parole à partir de données recueillies dans le poste de pilotage de l hélicoptère, où il y a beaucoup de bruit. Actuellement, un système de reconnaissance de la parole est à bord du dernier des avions de l armée française, le Rafale, capable de traiter un vocabulaire de près de 300 mots Formation Les enfants, mais aussi les adultes, sont attirés par des jeux doués de parole (poupées qui parlent, jeux de société, jeux vidéos, jeux éducatifs). L enseignement assisté par ordinateur et notamment les laboratoires de langue commence à intégrer de plus en plus de possibilités vocales, et évolue vers une interactivité plus grande : les systèmes d aide à l apprentissage des langues étrangères, permettant d acquérir une prononciation correcte, une maîtrise du vocabulaire et de la syntaxe, ne peuvent que bénéficier des technologies vocales qui leur confèrent en outre un aspect ludique. Du côté des applications proprement dites, la société Auralog a été précurseur avec ses logiciels d apprentissage de langues (TeLL me More, Atout Clic Anglais ). Ainsi, grâce à la technologie avancée de la reconnaissance vocale, l utilisateur engage un véritable dialogue avec son PC. Suivant son niveau, l apprenant paramètre la reconnaissance vocale pour la rendre plus tolérante ou plus exigeante quant à la qualité de sa prononciation. L utilisateur s entraîne à prononcer une phrase ou un mot et obtient un score lui permettant d évaluer la qualité de son accent, de sa prononciation et de son intonation Aide aux handicapés Différents programmes européens ont permis de mieux cerner les différents types de handicap dont souffre la population, ainsi que le nombre de personnes concernées. On dénombre actuellement en Europe 12 millions de malvoyants dont 1 million de non-voyants, 81 millions de malentendants, dont 1 million de non-entendants, environ 30 millions de personnes ayant un handicap moteur des membres supérieurs et 50 millions ayant un handicap des membres inférieurs. L intérêt des technologies vocales apparaît évident dans la mesure où celles-ci permettent aux personnes handicapées de retrouver une certaine autonomie et de bénéficier d une meilleure insertion dans leur Page 18

19 environnement tant professionnel que familial, la parole se substituant au sens défaillant. Ainsi beaucoup de systèmes existent pour cela, tel que le contrôle de fauteuil roulant, le contrôle de fonctions secondaires dans la voiture, le contrôle d appareil électrique à la maison, le contrôle de l ordinateur, etc 4.6. Dictée vocale L'orientation actuelle des logiciels tend de plus en plus à offrir un contrôle total de l'environnement permettant de se passer du clavier et de la souris pour utiliser l'ordinateur. Les nouveaux systèmes d'exploitations couplés aux logiciels à venir devraient enfin permettre d'offrir un ordinateur fonctionnant réellement «sans les mains». Aujourd hui, nous pouvons compter sur les doigts de la main les logiciels dédiés à la reconnaissance de la parole, du moins en France. En effet, trois éditeurs de logiciels se partagent ce marché en pleine croissance : IBM et son ViaVoice, Scansoft et son DragonSystem, Phillips et son Freespeech. En 2001, il existait également VoiceXpress de Lernout & Hauspie mais ce dernier a été racheté en majorité par Scansoft. VoiceXpress et Freespeech sont entrés dans la course il y a quelques années et ont permis de donner un coup de fouet dans un secteur contrôlé par IBM et Scansoft. On a ainsi vu, avec ce regain de concurrence, une plus grande maîtrise de la technologie accompagné d une baisse considérable des prix. Le grand public peut ainsi, comme les professionnels, se tourner sérieusement vers ces produits qui autorisent, même dans leur version de base, la dictée en continue ainsi qu une intégration complète aux traitements de texte courants. La durée d apprentissage a sensiblement diminué et n excède pas les 10 minutes et surtout avec un meilleur taux de reconnaissance. Pour y parvenir, les éditeurs ont profité de l augmentation de la puissance des machines pour accroître la profondeur des calculs nécessaires et augmenter la taille du vocabulaire directement accessible en cours de dictée. Le nombre de mots se compte aujourd hui en centaines de milliers contre quelques dizaines de milliers pour les versions précédentes. De plus, les logiciels ont la faculté de perfectionner leur reconnaissance au fil du temps en prenant en compte les textes et corrections faites aux mots du dictionnaire. Mais ce qui est encore plus étonnant, c est la possibilité de rajouter des mots au dictionnaire et ainsi de leur associer une empreinte vocale. Page 19

20 4.7. Et aussi On peut aussi citer les modules de reconnaissance vocale embarqués, comme dans les téléphones mobiles ou les assistants numériques ainsi que les futures possibilités en cours de développement chez les fabriquants automobile avec le contrôle de différents éléments de la voiture grand public : autoradio, climatisation, navigation de bord. On peut même de nos jours surfer sur Internet grâce à des commandes vocales, c est ce que propose la société InteractiveSpeech. L utilisation de la reconnaissance automatique de la parole devient courante et devrait très bientôt apparaître dans la plupart des domaines d activités et la plupart des applications futures. Page 20

21 CONCLUSION On peut dire que depuis une décennie, les techniques de traitement de la parole ont connu plusieurs grandes révolutions. La première, et celle qui touche pour l instant de loin le plus d utilisateurs, est celle de la téléphonie mobile : une proportion grandissante de la population transporte avec elle un ordinateur de poche avec un module de reconnaissance vocale. Les algorithmes de codage sont par ailleurs également utilisés dans les boîtes vocales : nos paroles y sont stockées sous la forme de suites de vecteurs de paramètres. Le marché du codage de la parole est donc à présent largement ouvert. La seconde révolution est celle des grandes bases de données de parole et de textes. Depuis 1995, aux Etats-Unis et en Europe, de nombreux laboratoires de recherche (publics et privés) mettent en commun leurs ressources. Il en résulte un foisonnement de données propices à l établissement de modèles, tant numériques que symboliques, de la parole. Les développements récents en reconnaissance, et plus encore en synthèse, en sont en grande partie la conséquence logique. Enfin, une dernière révolution se prépare : celle qui verra naître des machines dont plus personne ne pourra affirmer avec certitude qu elles en sont. Aujourd hui déjà, la qualité des algorithmes de synthèse vocale permet aux synthétiseurs de passer avec succès le «test de Turing», inventé par le mathématicien anglais Alan Turing dans les années 40 pour mesurer le degré d «intelligence» d une machine : en vérifiant combien de temps un expérimentateur interagissant «en aveugle» avec cette machine peut rester persuadé d avoir affaire à un être humain. La reconnaissance est aussi prête à tromper notre intelligence, et ne manquera pas de continuer à le faire, dès lors que l on aura amélioré ses capacités de robustesse. Il n en reste pas moins que, alors que nos ordinateurs pourront nous parler et reconnaître ce que nous leur dirons, ils n en seront pas pour autant capables de comprendre nos paroles. C est là un tout autre domaine, dont nous ne connaissons encore que les tous premiers balbutiements. Page 21

22 Annexe A : Glossaire Arpa : (Acronyme de Advanced Research Projects Agency, Agence pour les projets de recherche avancés ). Organisme des Etats-unis remplacé par le DARPA qui a soutenu énormément de projets informatiques historiques. Bit : Abréviation de «BInary digit», mais bit signifie «un peu», «un bout» en anglais. Unité élémentaire d'information, ne pouvant prendre que deux valeurs, représentées par 0 et 1 en général (ou Faux et Vrai). Echantillonnage : Transformer un signal analogique, capturé par intervalle de temps, en signaux numériques équivalents du point de vue de l'information transmise, pour qu'ils soient manipulés par ordinateur. DTMF: (Acronyme de Dual Tone Multi Frequency, Signalisation multifréquence à double tonalité). Le système de signalisation à fréquence vocale est utilisé pour transmettre des données de signalisation par téléphone ou par radio. Un téléphone à touches génère les tonalités DTMF pendant la numérotation. DTW : (Acronyme de Dynamic Time Warping, déformation dynamique temporelle). Algorithme qui permet de trouver le meilleur appariement entre une référence enregistrée et un signal à reconnaître, par le calcul d'une différence entre des vecteurs respectifs de caractéristiques. MMC, Modèles de Markov cachés : (HMM en anglais). Du nom du mathématicien russe. L introduction de cette théorie probabiliste dans le champ de la reconnaissance vocale a permis de représenter des sons élémentaires sous forme statistique. Numériser : Transformer un signal quelqu il soit (analogique, optique, etc ) en un signal numérique pour qu'il soit manipulé par un ordinateur. Phonème : Unité qui permet de caractériser tous les sons d une langue. La plupart des langues comportent moins d une centaine de phonèmes. Par exemple «a», «è», «ss», etc RAP : Reconnaissance automatique de la Parole(ou ASR : Automatic Speech Recognition, en anglais). SAP : Synthèse Automatique de la Parole(ou TTS : Text To Speech, en anglais) Spectrogramme : Le spectrogramme est une représentation qui permet d'analyser des portions successives d'un signal. Pour cela le signal est considéré comme stationnaire à court-terme sur une fenêtre d'analyse définissant la portion analysée de façon à ce que l'analyse spectrale classique soit localement valable. Page 22

23 Annexe B : Bibliographie et références Internet Références bibliographiques : «Fondements et perspectives en traitement automatique de la parole» de Henri Méloni, Ed. AUPELF-UREF, Décembre 1996 Références Internet : : institut de la communication parlée : Centre pour la compréhension de la parole (anglais) : Le logiciel Dragon de Scansoft : Le logiciel ViaVoice d IBM : Les outils de reconnaissance de Phillips : Les outils portables de Vocollect (Talkman ) : Les logiciels d apprentissage Auralog : Les outils portables Conversay (VoiceSurfer ) : Thèse sur l approche probabiliste : Publication du Centre Scientifique IBM France : Introduction au Traitement Automatique de la Parole : Publication du CLIPS (Communication Langagière et interaction Personnesystème) Page 23