analyse de la parole par IA

Dans les années 1980, le concours DARPA de reconnaissance vocale a mis fin au débat entre les méthodes statistiques et les règles écrites à la main, établissant une norme unique pour tout le domaine.

On lance une pièce pour prendre une décision. On reste immobile — la pièce tombe sur pile. On fait quelques pas — et on relance. On pourrait penser que la marche n'influence pas la pièce. Mais que se passerait-il si la promenade elle-même modifiait la fréquence à laquelle on décide de simplement répéter le lancer précédent ? C'est exactement ce que les chercheurs ont testé.

Dans un four, quand la température augmente, les molécules se déplacent plus vite et le désordre s'accroît. Avec les modèles de langue comme ChatGPT, c'est tout l'inverse. Lorsque les développeurs augmentent le paramètre « température », le modèle accède à un choix de mots plus large, mais ses textes longs se figent soudainement.

Le magnétoencéphalographe, un appareil qui ressemble à un casque muni de centaines de capteurs, capte les faibles champs magnétiques produits par les neurones en activité. Lorsqu'une personne écoute de la parole, ces signaux renferment des empreintes des mots entendus.

Un neurone reçoit des milliers de signaux sur ses prolongements ramifiés — les dendrites. Certains signaux poussent la cellule à s'activer (excitation), d'autres la retiennent (inhibition). Pendant longtemps, on a pensé que le neurone se contentait d'additionner tous les « pour » et les « contre ».

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.

L'intelligence artificielle qui prédit l'acoustique d'une salle fait penser à un étudiant qui triche à l'examen avec une antisèche. Si les points de validation sont les mêmes que ceux de l'entraînement, le modèle se contente de mémoriser l'« empreinte » sonore de chaque position, comme un étudiant qui reconnaît un sujet grâce à un coin de page plié.

Les modèles qui transforment le texte en audio reproduisent bien les sons isolés, mais se mélangent les pinceaux quand le scénario en comporte plusieurs. Par exemple, selon le scénario, on a d'abord une sonnerie, puis des pas, puis un claquement de porte. Le générateur peut intervertir les événements, et le spectateur entendra les pas avant la sonnerie.

Les juges automatiques de la parole sont des algorithmes qui évaluent la prononciation et les émotions. Cependant, ils fonctionnent souvent comme un critique culinaire qui rend son verdict après avoir lu le menu, sans avoir goûté le plat.

L'approche standard actuelle de l'apprentissage de l'IA ressemble à un enfant enfermé dans une bibliothèque : il mémorise des millions de livres, mais ignore que le feu brûle et que la chute fait mal.

Apprendre une langue étrangère, c'est comme accorder un instrument de musique. La nouvelle technologie agit comme un accordeur intelligent : elle prend votre enregistrement et la parole de référence d'un 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…

Les assistants vocaux font souvent penser à un cuisinier qui lit une recette sur un bout de papier sans la moindre once d'appétit. La nouvelle archive de dialogues russes « Dialogues » change la donne : trois comédiens en studio, tels des chefs, ont mixé 20 heures de conversations vivantes avec douze « épices » émotionnelles.

Évaluer la qualité d'une image, c'est le travail d'un contrôleur méticuleux muni de tout un attirail. Le réseau de neurones IQA-T1 agit exactement ainsi : il ne se contente pas de dévisager l'image, il y applique tantôt un spectroscope, tantôt un luxmètre.

Le son se décrit naturellement par un nombre complexe, où le volume représente la force de l'onde et la phase sa position dans le temps. Les réseaux de neurones classiques séparent ces deux aspects en coordonnées indépendantes, un peu comme si l'on donnait une adresse par quartiers : « deux à l'est, un au nord ».

Les aides auditives traditionnelles ressemblent à un cuisinier qui prépare une recette à l'aveugle. Elles analysent le désordre sonore entropique capté par le microphone et, sur cette base, amplifient la parole. Dans un café bruyant, cette approche se trompe souvent.

Dans une pièce bruyante, l'humain distingue la voix recherchée grâce à ses deux oreilles, qui perçoivent une différence dans l'arrivée du son. Un ordinateur équipé de plusieurs microphones agit de la même manière : il reçoit des indices spatiaux — d'où vient chaque voix.

L'oreille humaine se concentre sur ce qui lui est familier, mais ce nouveau système fonctionne autrement : il capte tout pic sonore, même celui qui n'a jamais été entendu auparavant. C'est la diarisation audio — pas simplement la recherche de bruits précis, mais le découpage de tout l'enregistrement en segments où l'on note le début et la fin de chaque événement.

Les assistants logiciels d'écriture de code agissent souvent comme un cuisinier qui, pour faire cuire un seul œuf, relit tout son livre de recettes. Face à une demande de correction minuscule, ils rouvrent des dizaines de fichiers et vérifient des liens connus depuis longtemps. C'est du travail inutile — de l'énergie gaspillée.

Un réseau neuronal qui génère des sons à partir de texte, c'est un peu comme une cuisine où chaque « plat » est préparé par des dizaines de cuisiniers. Beaucoup ne font que gêner : ils envoient des signaux erronés et gaspillent des ressources.

Un nouveau système analyse un court entretien pour reconnaître les doutes d'une personne, en combinant texte, voix et expressions faciales. Mais la clé principale de l'incertitude s'est révélée être la matière noire de la parole : les pauses et les mots de remplissage que les systèmes vocaux standard effacent comme un trou noir.

Débarrasser la parole du bruit, c'est un peu comme régler un vieux téléviseur : si l'on pousse trop le contraste, les visages deviennent artificiels.

La méthode standard de numérisation de la parole : on mesure le volume des milliers de fois par seconde. C'est comme goûter un bouillon avec une cuillère à café — chaque gorgée est aqueuse, et il n'y a presque pas de détails. Le flux de données enfle, alors que le sens se compte sur les doigts. Les chercheurs ont proposé de « réduire » d'abord le signal sonore.

Un réseau électrique vivant ressemble à un organisme : les lignes à haute tension sont les vaisseaux, le courant est le sang. Les données, elles, sont les influx nerveux qui se perdaient autrefois. mAIEnergy connecte ces « nerfs » à un « cerveau » commun.

L'or ne se trouve pas en surface — il est caché dans des tonnes de stérile. Pour extraire un gramme de métal précieux, les chercheurs d'or tamisent des mètres cubes de terre.

Les modèles statistiques sont une tentative de tendre une toile mathématique idéale sur le paysage accidenté des données. Lorsque le modèle résiste, il émet une tension, mais nous avons pris l'habitude de l'ignorer. Les chercheurs passent des heures à scruter les graphiques de résidus, essayant de deviner où le modèle « craque ». Squealer traduit cette résistance en son.

Chaque semaine, les médecins posent des millions de questions aux assistants IA au chevet des patients. Mais ces outils sont généralement testés sur des exercices d'examen, pas sur ce qui est demandé dans une vraie clinique. Un groupe de chercheurs a décidé d'y remédier.

Vous achetez une nouvelle balance de cuisine, mais au lieu d'un poids précis, elle n'affiche que l'écart par rapport à une « norme » quelconque. Pour connaître le poids d'une pomme, il faut d'abord peser des dizaines d'autres pommes et calculer la moyenne.

Vous racontez une histoire à un ami, et son cerveau semble s'accorder sur votre fréquence — les mêmes zones s'activent en rythme avec vos paroles.

Un faisceau laser frappe l'os, et celui-ci répond par un écho ultrasonore presque inaudible. Dans ce son se cache une information sur chaque microfissure et chaque pore rempli de liquide. Le problème, c'est que les programmes informatiques ordinaires ne comprennent pas ce langage : ils voient le signal, mais ignorent la physique qui l'a produit.

Un peintre compose son tableau en observant le spectateur dans la salle. Si le spectateur sourit, le peintre ajoute plus de rouge et de courbes ; s'il fronce les sourcils, il retire le bleu et casse les angles.

Chaque fois que vous hésitez devant un pas risqué — investir dans des actions ou attendre — un dialogue interne se déroule dans votre tête. Habituellement, les scientifiques tentent de reconstituer le fil de ce dialogue à partir du seul choix final, comme si un détective reconstituait une conversation entre deux personnes en regardant une photo du lieu de rencontre.

Quand on respire, l'air ne circule pas en un flux régulier mais par vagues. Auparavant, les médecins et les scientifiques ne regardaient que les chiffres globaux : la quantité d'air entrée pendant l'inspiration, le débit maximal. Mais à l'intérieur d'une seule inspiration, il y a des nuances – de petits changements qui renseignent sur le fonctionnement des nerfs et des muscles.

Une personne entend un bourdonnement qui n'existe pas. Le médecin lui demande de le décrire : intensité, hauteur, constance. Mais c'est subjectif : l'un dira « comme un moustique », l'autre « comme la vapeur d'une bouilloire ». Il faut un moyen de voir l'acouphène directement, dans le cerveau lui-même.

Un météorologue émet en quelques secondes une prévision pour la semaine, mais ne peut expliquer aucune de ses décisions. C'est à peu près ainsi que fonctionnent les modèles météo basés sur l'IA : ils ne le cèdent plus rien aux méthodes numériques classiques, mais leur logique interne reste dissimulée derrière des millions de paramètres.

Chaque voyelle correspond à une forme particulière de la bouche, de la langue et du pharynx. Lorsqu'on prononce « a », « i » ou « u », ce n'est pas seulement l'air qui change à l'intérieur de la tête, mais aussi la façon dont les ondes radio la traversent.

Le laborantin exécute consciencieusement toutes les étapes de l'expérience, mais à la fin, il écrit dans son rapport ce qu'il avait déjà en tête avant de commencer. C'est ainsi que se comportent les modèles de langage modernes lorsqu'on leur confie des recherches scientifiques.

Les poumons ne sont pas deux sacs, mais des millions de minuscules alvéoles où l'air entre et où le sang afflue. Pour voir comment ils fonctionnent, les médecins utilisent parfois l'IRM sans produit de contraste : l'appareil capte de faibles signaux émis par les tissus eux-mêmes.

La parole ressemble à un orchestre où chaque note doit retentir au bon moment. Le cerveau transforme une pensée en une chaîne de sons en une fraction de seconde, et on ignorait jusqu'ici comment il gère cette hiérarchie — des sons individuels aux syllabes et aux mots entiers.

L'intestin parle au médecin, mais très doucement. Les gargouillements et les bulles ne durent que des fractions de seconde et se perdent facilement parmi les sons des poumons et du cœur. Un stéthoscope ne capte qu'une petite partie, si bien que le diagnostic dépend de l'expérience et de l'oreille de chaque médecin.

L'électrocardiogramme, c'est un peu comme l'enregistrement du bruit d'un moteur : un mécanicien expérimenté y entend quand quelque chose cloche. L'échographie cardiaque montre le moteur lui-même de l'intérieur, mais l'appareil est cher et les spécialistes sont rares.