Autres paramètres utilisés

Peu de systèmes proposent d’utiliser des paramètres prosodiques¹⁶. Ceux qui les utilisent espèrent ainsicapter des informations sur la source de production qui ramène notamment à la morphologie des plis vocaux¹⁷ (Ferrer et al.,2010).Ces paramètres sont, dans tous les cas, combinés avec un système utilisant des paramètres acous-tiques, généralement des coefficients cepstraux.

Un des systèmes les plus connus utilisant ces paramètres est le système NERF développé par le SRI International (Scheffer et al.,2011). Dans ce système, les éléments prosodiques

16. Lors de NIST-SRE 2010, seulement 3 systèmes disent utiliser ce type de paramètres

17. Nous parlons ici de plis vocaux et non de cordes vocales car les plis vocaux contiennent diffréents éléments anatomiques (muqueuse, muscles et cartilage) qui rendent la métaphore de la corde caduque.

extraits sont lacourbe de la fréquence fondamentale(F0, fréquence de vibrations des plis vocaux) etla courbe d’intensitéainsi quela durée des segmentsd’où sont extraits les éléments précédents. Les paramètres utilisés pour rendre compte des deux premiers éléments sont les coefficients de Legendre introduit par (Dehak et al., 2007) pour la RAL. Il s’agit de décrire ces courbes à l’aide de polynômes d’ordre 5. Différentes zones ont été testées, les éléments ayant été calculés surchaque syllabe, sur lesvallées des éléments voiséset sur des zones uniformes telles que définies dans (Kockmann et al., 2010).

Un des autres systèmes de NIST-SRE 2010 utilisant des indices prosodiques calcule les courbes de F0 et d’intensité sur des fenêtres fixes de 300 millisecondes, les trames non voisées étant rejetées. L’information de durée dans ce système consiste à compter le nombre de trames voisées sur un intervalle de 30 trames soit 300 millisecondes. Cette durée de trame correspond à peu près à la durée moyenne d’une syllabe.

Il est à noter que, précédemment, d’autres paramètres avaient été envisagés pour rendre compte des éléments prosodiques commela durée des mots,la durée des états perme-ttant de décrire les phones oula durée des pauses(Shriberg et Stolcke,2008). La combi-naison de ces paramètres avec les systèmes fondés sur les coefficients cepstraux permet d’améliorer les performances. Par exemple, sur les données de NIST 2008, le système du SRI sans les paramètres prosodiques en données téléphoniques a un EER de 2.7%

qui chute à 2.4% après la fusion avec le système utilisant des paramètres prosodiques (Ferrer et al.,2010).

Niveau glottique

Certains participants à NIST-SRE 2010 ont utilisé des paramètres rendant compte de lasource glottaleen utilisant desGlottal Source Cepstral Coefficients(GSCC)(Mazaira et al.,2010). Ces coefficients reposent sur une transformée inverse du signal de manière à ne décrire que la source du signal. Les auteurs notent une amélioration des perfor-mances en utilisant ces paramètres plutôt que les MFCC. Il est toutefois à noter que la performance initiale de leur système MFCC sont assez éloignée de l’état de l’art (EER =27.15 en parole téléphonique, 2.5 minutes).

Niveau segmental, réalisation phonétique

La déviance de la réalisation de certains phones par rapport à un prototype est considérée comme un bon indice sur le locuteur par certains concepteurs de systèmes.

Ainsi, la fréquence des phones absents de la langue parlée par le locuteur, a été envis-agée comme paramètre par (Campbell et al., 2004). Dans ce cas, les performances du système sont améliorées (de 21.8% d’EER à 13.4% pour des fichiers de 2.5 minutes).

(Klusacek et al.,2003) observent, quant à eux, la réalisation de certains phones selon leur contexte. Par cette technique, l’EER passe de 2.8% à 1.7% pour des fichiers de 20 minutes.

Niveau lexical

D’autres systèmes rendent compte duvocabulaire employé par les locuteurs, con-sidérant qu’une information idiosyncratique est contenue dans le choix des idiomes utilisés par le locuteur. Si (Scheffer et al.,2011) utilisent les fréquences de mots comme paramètres, (Mirghafori et al.,2005) ne comptabilise que certains mots commeactually, anyway, like, see, well, nowet des expressions telles queyou know, you see, I think, I mean ou certains bruits de bouches tels que um, uh. Ces éléments permettent d’améliorer légèrement les performances. L’ajout de la fréquence des mots dans le système du SRI a permis de diminuer la DCF¹⁸ de 0.471 à 0.298 lors de l’évaluation 2010 en condition téléphonique (Scheffer et al.,2011).

Synthèse : le rôle fondamental de l’évaluation

Le paradigme de l’évaluation est un outil incontournable pour faire avancer la recherche. Les avancées observées et les questions scientifiques abordées cette dernière décennie sont, dans leur majorité, dues au mode d’évaluation des systèmes. Ainsi,en vérification du locuteur, d’importants efforts ont été consacrés à la question de la ro-bustesse des systèmes aux modes d’enregistrement ou à la durée des signaux qui sont des questions centrales de l’évaluation NIST-SRE. Les techniques du Factor Analysis et des i-vectors ont permis une progression drastique sur ces questions. Un autre ex-emple concerne les transcriptions dont l’utilisation a permis d’explorer des paramètres

18. Le taux d’EER n’est pas disponible dans ce papier, les performances du système n’étant exprimées qu’en terme de DCF.

dépendants du message délivré par le locuteur.

De plus en plus de soumissions à NIST-SRE combinent des approches différentes afin d’obtenir de meilleures performances. Si certaines tentent d’introduire des données liées à la connaissance de la production de la parole ou faire des hypothèses sur la localisation l’information idiosyncratique,une grande majorité préfère combiner de nombreux systèmes en utilisant différents paramètres cepstraux et en jouant sur les dimensions des modèles.

Il est à noter que la majorité des paramètres acoustiques utilisés en RAL sont également utilisés en reconnaissance automatique de la parole où le but est de transcrire ce qui est dit dans le signal de parole. Ceci met en évidence que cesparamètres rendent plus compte du signal de parole en général que de spécificités du locuteur en tant que tel.

Par ailleurs,l’analyse des erreurs commises par les systèmes peut permettre de com-prendre où se situe l’information pertinente pour la vérification du locuteur.. Comme l’évaluation des systèmes de vérification du locuteur se fait de manière globale, l’anal-yse des erreurs n’est pas beaucoup développée.Il est actuellement difficile de com-prendre l’influence des éléments de variations de la parole sur les performances des systèmes car la constitution des corpus ne permet pas toujours de rendre compte de l’influence exacte d’un facteur, toute chose n’étant pas égale par ailleurs.

Ces campagnes d’évaluation ont déjà permis de poser des profils de locuteurs dif-férents. (Doddington et al.,1998) met en évidence qu’il existe des comportements de lo-cuteurs et propose de décrire ces comportements à l’aide d’une ménagerie métaphorique.

Les locuteurs au comportement normal¹⁹ sont appelésmoutons. Les locuteurs dont les enregistrements utilisés en apprentissage donnent lieu à de nombreuses FA sont ap-pelésagneauxtandis que ceux qui donnent lieu à de nombreux FR sont appeléschèvres.

Enfin, les locuteurs dont les enregistrements utilisés en tests donnent lieu à de nom-breux FA sont appelés desloups. La « chasse aux loups » a notamment été étudiée par (Stoll et Doddington, 2010). Dans ces travaux, la distinction entre fichiers d’enreg-istrement et locuteur n’est pas toujours évidente, pourtant un locuteur peut produire plusieurs enregistrements différents.

Cette distinction entre enregistrement et locuteur est complètement niée dans l’ap-proche des i-vectors qui considère qu’un enregistrement est équivalent à un locuteur.

L’enregistrement reste le support sur lequel la parole du locuteur a été enregistrée et le défi de la vérification du locuteur est de conserver les indices sur le locuteur tout en s’extrayant des éléments de variationcomme la langue ou l’effort vocal. Il est

in-19. tel qu’estimé à partir d’exemples d’enregistrements

téressant de noter que l’introduction, dans les campagnes NIST SRE, de nouveau type d’enregistrement se focalisant sur l’effort vocal ou l’influence de l’évolution de la voix dans le temps ouvrent actuellement de nouvelles perspectives en ce sens.

La question des indices idiosyncratiques et de leur relative indépendance avec les autres facteurs de variation de la parole est centrale et nécessite de poser la distinc-tion entre enregistrement et locuteur lors des évaluadistinc-tions des systèmes de RAL.

Chapitre 2

Reconnaître son interlocuteur : une capacité humaine à évaluer

Résumé : Ce chapitre est consacré à la capacité humaine à reconnaître des voix. Cette capacité est évaluée par différents protocoles depuis de nombreuses années. Les expériences menées montrent que cette capacité est variable selon les conditions : il est indispensable de séparer les tâches où les personnes sont déjà connues des auditeurs de celles où il s’agit de nouvelles personnes car les performances sont très différentes selon les conditions. D’autres éléments comme la longueur des extraits, la langue des locuteurs ou l’état émotionnel du locuteur jouent un rôle important dans les performances des auditeurs.

Suite à la description de ces capacités, nous présentons les modèles cognitifs qui ont été envisagés pour expliquer la perception des voix. Enfin, nous établissons la liste des paramètres idiosynchratiques qui ont été mis en évidence par tests perceptifs ou par analyses acoustiques.

Sommaire

2.1 Capacité humaine à reconnaître un locuteur . . . . 54 2.1.1 Protocoles d’évaluation et métriques . . . . 54 2.1.2 Des performances inégales . . . . 58 2.2 Les processus cognitifs impliqués . . . . 63 2.2.1 Prototypes . . . . 63 2.2.2 Jeux de paramètres acoustiques. . . . 65 2.2.3 Ce que nous apprend la phonoagnosie . . . . 66 2.3 A la recherche d’indices idiosynchratiques. . . . 68 2.3.1 Fréquence fondamentale. . . . 69 2.3.2 Jitters et shimmers . . . . 70 2.3.3 Mesures formantiques . . . . 70

2.3.4 L’information sur le locuteur inégalement répartie dans le sig-nal de parole . . . . 71 2.3.5 Les autres niveaux du langage . . . . 71

2.1 Capacité humaine à reconnaître un locuteur

L’évaluation des capacités humaines à reconnaître une personne à partir de sa parole est une question qui intéresse les phonéticiens depuis longtemps. Cet intérêt n’a tout de même pas donné lieu, contrairement à l’évaluation des systèmes automatiques, à un véritable protocole de référence même si des propositions dans ce sens ont été faites (Broeders et Amelsvoort,1999).