Reconnaissance vocale

La reconnaissance vocale ou reconnaissance automatique de la parole (Automatic Speech Recognition ASR) est une technique informatique qui permet d'analyser un mot ou une phrase captée au moyen d'un microphone pour la transcrire sous la forme d'un texte exploitable par une machine. La reconnaissance vocale, mais aussi la synthèse vocale, l'identification du locuteur ou la vérification du locuteur, font partie des techniques de traitement de la parole. Ces techniques permettent surtout de réaliser des interfaces vocales c'est-à-dire des interfaces homme-machine (IHM) où une partie de l'interaction se fait à la voix. Parmi les nombreuses applications, on peut citer les applications de dictée vocale sur PC où la difficulté tient à la taille du vocabulaire ainsi qu'à la longueur des phrases, mais également les applications téléphoniques de type serveur vocal, où la difficulté tient plutôt à l'obligation de reconnaître n'importe quelle voix dans des conditions acoustiques variables et fréquemment bruyantes (téléphones mobiles dans des lieux publics).

Domaine de recherche

La reconnaissance vocale peut se rattacher à de nombreux plans de la science : traitement automatique des langues, linguistique, théorie des langages formels, théorie de l'information, traitement du signal, réseaux neuronaux, intelligence artificielle, etc.

Historique

Les travaux sur la reconnaissance vocale datent du début du XX^e siècle. Le premier dispositif pouvant être reconnu comme faisant de la reconnaissance vocale date de 1952. Elle est évoquée dans Le Premier cercle de l'écrivain dissident soviétique Alexandre Soljenitsyne, comme un outil de répression au service de Staline.

Ce dispositif électronique développé par Davis, Biddulph, and Balashek aux laboratoires Bell Labs était principalement composé de relais et ses performances se limitaient à reconnaître des chiffres isolés (voir référence). La recherche s'est ensuite énormément accrue durant les années 1970 avec les travaux de Jelinek chez IBM (1972-1993). Actuellement, la reconnaissance vocale est un domaine à forte croissance grâce à la déferlante des systèmes embarqués.

Principe de base

Une phrase enregistrée et numérisée est donnée au programme de reconnaissance vocale. Dans le formalisme ASR, le découpage fonctionnel est le suivant :

• Le traitement acoustique (front-end) permet essentiellement d'extraire du signal de parole une image acoustique la plus significative envisageable sur des tranches de temps d'environ 30ms. Cette image se présente sous la forme d'un vecteur de caractéristiques (features extraction) de 10 à 15 composantes principales, auxquelles sont ajoutées les différences de premier et second ordre pour obtenir une taille de 30-45 en final.
• Le traitement acoustique (front-end) vise à numériser le signal de parole sous forme de vecteurs acoustiques qui forment les données d'observation pour le dispositif de reconnaissance. On utilise pour cela les techniques de traitement du signal : on découpe le signal en tranches de 30 ms en procédant pour chaque tranche à un décalage de 10 ms (technique de fenêtrage de hamming) afin d'obtenir 10 ms de données significatives pour chaque vecteur. Le signal est alors numérisé et paramétré par une technique d'analyse fréquentielle utilisant les transformées de Fourier (par exemple MFCC, Mel-Frequency Cepstral Cœfficients).
• L'apprentissage automatique qui exécute une association entre les segments élémentaires de paroles et les éléments lexicaux. Cette association fait appel à une modélisation statistique entre autres par modèles de Markov cachés (HMM, Hidden Markov Models) et/ou par réseaux de neurones artificiels (ANN, Artificial Neural Networks).
• La reconnaissance (back-end) qui en concaténant les segments élémentaires de paroles auparavant appris reconstitue le discours le plus probable. Il s'agit par conséquent d'une correspondance de motif (pattern matching) temporelle, réalisée fréquemment par l'algorithme de déformation temporelle dynamique (en anglais DTW, dynamic time warping).

Les modèles

Un tel dispositif s'appuie sur trois modèles principaux :

• Modèle acoustique : ce modèle est capable, à partir du signal acoustique, plus exactement du résultat du traitement acoustique, de donner la probabilité que le signal corresponde à chacun des phonèmes envisageables de la langue cible.
• Modèle de prononciation : ce modèle donne pour chaque mot du vocabulaire l'ou les prononciations envisageables au niveau phonétique avec des probabilités associées.
• Modèle de langage : ce modèle donne pour chaque suite de mots sa probabilité dans le langage cible.

La combinaison de ces trois modèles sert à calculer pour toute suite de mots la probabilité que le signal sonore lui corresponde. Effectuer la reconnaissance, fréquemment nommée décodage, consiste à trouver celle qui a la probabilité la plus élevée.

Classification

Un dispositif de reconnaissance vocale se classifie par un petit nombre de paramètres nommés modes de reconnaissance qui sont corrélés aux difficultés suivantes :

• Variabilité inter et intra-locuteur : Les dispositifs monolocuteurs (en anglais speaker dependant) effectuent un apprentissage in-situ des mots. Les dispositifs multilocuteurs (en anglais speaker independant) sont capables de reconnaître un corpus fixe (50 mots environs) quel que soit le locuteur. Les dispositifs monolocuteurs sont les plus communs et tendent surtout à se généraliser grâce à la synthèse Text to speech qui évite la phase d'apprentissage.
• Naturel du discours : Les dispositifs peuvent travailler sur de la parole continue (en anglais continuous speech), des mots isolés (isolated word) ou encore des mots clefs (key spotting).
• Taille du vocabulaire
• Environnement

Performance

Les performances brutes d'un moteur de reconnaissance vocale sont fréquemment mesurées en taux d'erreur de mots (Word error rate) . On peut, réciproquement, évaluer le taux de succès. Voici quelques résultats en termes de taux d'erreur, pour le français :

• Textes lus (BREF, dispositif ancien)  : 8-9 %
• Émissions de radio (campagne ESTER)  : 10, 3 %
• Conversations téléphoniques entre gens ne se connaissant pas : 33 %
• Conversations téléphoniques entre gens se connaissant : 70 % et plus

Notes et références

Voir aussi

Bibliographie

• Jean-Paul Haton, Reconnaissance automatique de la parole : du signal à son interprétation, Dunod Paris, 2006

Liens externes

• Automatic Recognition of Spoken Digits L'article historique sur le premier dispositif de reconnaissance vocale
• CSLU Survey of the state of the art in human language technology

Ce texte est issu de l'encyclopédie Wikipedia. Vous pouvez consulter sa version originale dans cette encyclopédie à l'adresse http://fr.wikipedia.org/wiki/Reconnaissance_vocale.
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 07/04/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.