Comment extraire la voix d'un ami du 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 dans un environnement vivant. À partir de quelques secondes de voix, l'algorithme doit repêcher la parole de cette personne dans ce méli-mélo de voix. On évalue aussi le naturel : la voix ne doit pas se transformer en grincement. Deux volets : en ligne — comme un flux en direct — et hors ligne — avec analyse de tout l'enregistrement.
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 prise parfaite est encore loin, ce sont précisément ces essais « sur le terrain » qui font sortir la technologie des laboratoires silencieux pour l'amener dans notre monde bruyant.
Le cerveau réalise ce tour sans entraînement : « l'effet cocktail » nous permet de repérer une voix familière parmi des dizaines d'autres — sans le moindre effort.