Comment isoler la voix d'un ami dans le brouhaha d'une conversation express
Un humain extrait sans effort la voix qu'il cherche du brouhaha d'une fête. Pour un ordinateur, c'est encore une tâche à la limite du possible. Les programmes précédents étaient entraînés sur des enregistrements stériles, sans écho ni tintement de couverts. Mais une vraie conversation ressemble à un torrent impétueux : les interlocuteurs se coupent la parole, s'éloignent du micro, et en arrière-plan, la machine à café siffle.
Le nouveau concours REAL-TSE Challenge jette pour la première fois la ligne dans cette eau trouble. Les participants reçoivent un ensemble de spectrogrammes — une sorte de photographies du son — enregistrés en conditions réelles. À partir de quelques secondes de voix, l'algorithme doit repêcher la parole de cette personne dans la bouillie polyphonique. La naturalité est aussi évaluée : la voix ne doit pas se transformer en grincement. Deux flux : en ligne — comme un streaming — et hors ligne — avec analyse de l'enregistrement complet.
La méthode repose sur la décomposition du son en ondes simples — une découverte de Joseph Fourier, vieille de deux siècles. Les systèmes modernes, tels des pêcheurs armés de la connaissance pour démêler les écheveaux de fréquences, luttent contre une entropie élevée — une mesure du désordre dans le mélange sonore. Et même si la pêche parfaite est encore loin, ce sont précisément ces tests « sur le terrain » qui font sortir la technologie des laboratoires silencieux pour l'amener dans notre monde bruyant.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2607.15198
We introduce the REAL-TSE Challenge, an IEEE SLT 2026 satellite challenge on target speaker extraction~(TSE) from real conversational recordings. Given a multi-speaker mixture and one or more enrollment utterances from a target speaker, participating systems must recover only the target speech. Unlike simulated read-speech benchmarks, REAL-TSE evaluates Mandarin and English recordings that contain natural overlap, reverberation, noise, channel mismatch, and conversational dynamics. The challenge defines two complementary tracks: an Online track for low-latency streaming extraction and an Offline track for full-context processing. Systems are evaluated with Token Error Rate (TER), Speaker Similarity (SpkSim), DNSMOS, and target-speaker activity F1. This overview paper describes the task definition, datasets, baselines, evaluation protocol, submitted systems, condition-wise findings, and lessons for future real-world TSE benchmarks.
Le cerveau réalise ce tour sans entraînement : « l'effet cocktail » nous permet de capter une voix familière parmi des dizaines d'autres — sans le moindre effort.