Apprendre une langue étrangère, c'est comme accorder un instrument de musique. Cette nouvelle technologie agit comme un accordeur intelligent : elle prend votre enregistrement et la parole de référence d'un locuteur natif, les étire ou les compresse dans le temps (comme on tend une corde) pour les aligner précisément, puis évalue trois paramètres clés : la pureté des sons, la précision rythmique et l'intonation. Pas besoin de sous-titres ni d'exemples annotés — le système décompose lui-même la parole en composantes fréquentielles (spectroscopie) et la compare à un diapason — l'enregistrement d'un natif.
Le résultat surprend : l'évaluation du rythme, basée sur l'analyse des déformations temporelles (entropie du flux de parole), concorde avec l'avis d'experts professionnels encore plus souvent que leurs propres évaluations ne concordent entre elles. L'idée remonte aux travaux de Fourier, qui a montré comment des oscillations complexes se réduisent à des ondes simples — en somme, aux notes qui composent toute mélodie. Cette approche est universelle — elle est aussi précise pour l'anglais que pour le japonais, et facilitera donc l'apprentissage des langues rares, où les supports pédagogiques manquent cruellement.
tel que rédigé par les auteurs, en anglais arXiv:2607.13721
L2 speech assessment has traditionally focused on phonetic assessment, leaving the scoring of suprasegmental features such as rhythm and intonation underexplored. Moreover, assessment methods often require training with labeled L2 speech data, making them difficult to apply in low-resource settings. We investigate whether DTW over self-supervised WavLM representations can provide a text-free framework for assessing phonetic accuracy, rhythm, and intonation in English and Japanese L2 speech. Results show that a basic DTW-based approach that compares learner speech to native templates exceeds human agreement on holistic and sentence-level phonetic scoring. For rhythm, we introduce methods that measure the degree of warping in the DTW alignment path; our best method approaches human-level performance. For intonation, we combine DTW distance over prosodic residuals with pitch and intensity features, but performance remains more modest on some tasks. Our results point to self-supervised representations as a promising, text-free basis for multi-aspect pronunciation assessment.
L'oreille humaine repère sans faillir les pauses artificielles dans la parole — une prononciation parfaite ne sauvera rien si le rythme est étranger.