Chapitre 1 -------- Perception Naturelle et Artificielle de la Parole Jean-Sylvain Liénard LIMSI-CNRS ORSAY M2 Recherche Informatique Filière Sciences Cognitives Module PNPA Déc 04 – Fév 05

Organisation du cours 04-05 Perception naturelle et artificielle de la parole Audition et modèles auditifs bas niveau Perception auditive Intelligibilité et contenu non linguistique de la parole Modèles perceptifs de haut niveau Analyse de scènes acoustiques: ASA et CASA

Quelques propriétés de la Perception Naturelle

Definition : perception naturelle fonction par laquelle un organisme prend connaissance de son environnement contribue à élaborer un comportement fonction vitale pour la survie du signal au sens: monde physique, monde cognitif, logiques différentes multiples modalités, une seule interprétation

Catégorisation l'identification des objets du monde implique que des signaux différents soient placés dans la même catégorie la catégorisation selon Eleanor Rosch principe du monde perçu principe d'économie cognitive ---> organisation hiérarchique des concepts, peu de rapports avec la perception. cf "ontologies" en IA catégorisation perceptive perception catégorielle vs continue cf Reconnaissance des Formes, processus ascendants

Utilisation des régularités le monde change peu et lentement: régularités spatiales et temporelles la perception utilise massivement la prédiction, à toutes les échelles de temps. il faut aller plus vite que le phénomène considéré rôle de l'attention, processus descendants  La perception est plus une projection sur le monde que l'activation d'une représentation BN du monde

Utilisation de tous les indices le monde est perçu par le biais de multiples canaux d'information; multimodalité exploitation simultanée de tous ces canaux, en fonction du but détection immédiate de toute incohérence, si elle a une importance pour la poursuite du but à l'intérieur d'un même canal on peut avoir plusieurs types d'information complémentaires

Dualité perception-action la perception sert à guider l'action (p.ex. regarder où l'on va), et l'action à affiner la perception (p.ex. s'approcher pour mieux voir un objet) perception "active", double sens : complémentarité flux ascendant et descendant association avec une action comportementale

Représentations intermédiaires le passage du bas au haut niveau ne peut se faire en une seule étape comment déterminer les niveaux intermédiaires ? Sont-ils identiques pour tous les individus ? Problème d'apprentissage

Problèmes et modèles pour la Perception Artificielle

Repères années 40-60 : théorie de l'information, cybernétique, reconnaissance des formes, systèmes cellulaires années 60-80: perceptron et XOR, divorce IA/RF années 80-2000: connexionnisme, sciences cognitives, cognition et perception situées, société de l'information Actuellement : l'IA nouvelle, apprentissage, fouille de données, méthodes probabilistes, IA distribuée

le grand problème: la variabilité Variabilité du signal, à "contenu constant" ; mais à quel contenu se réfère-t-on ? en reconnaissance de la parole : l'information "linguistique " (celle qui correspond à la langue écrite) en reconnaissance du locuteur : l'identité du locuteur (quoi qu'il dise ?) en reconnaissance d'objets : le label de l'objet (quelles que soient les conditions de prise de vue et d'éclairement ?) Hypothèse : contenu du signal = toute l'information perceptible par un humain Proposition : la variabilité reflète la non-prise en compte d'une partie de l'information perceptive du signal

Catégorisation vs Multicatégorisation B Catégorisation pixels identité description bas niveau haut niveau a Maj. Min. A B Gauche Droite pixels identité casse position description bas niveau haut niveau Multicatégorisation a En Catégorisation, seul un descripteur haut niveau est défini (ici l'identité de l'objet). Il en résulte une grande variabilité (non-coïncidence des classes bas et haut niveau). En définissant plusieurs descripteurs haut niveau (multicatégorisation = plusieurs points de vue sur l'objet) la variabilité est fortement réduite. La catégorisation est une forme particulière de multicatégorisation. En ingéniérie : Traitement des Formes vs Reconnaissance des Formes

Perception Située la perception est contextuelle prend en compte la situation du système dans son contexte la perception est active double flux ascendant et descendant action sur l'environnement la perception est multicatégorielle tout signal perceptivement significatif peut faire l'objet d'une description complète à tout niveau d'abstraction c'est le système cognitif qui choisit les aspects pertinents du signal, selon la situation

La perception comme changement de représentation hn bn entités longues et décorrélées entités courtes et mélangées

Divers modes de fonctionnement ascendant hn bn hn bn descendant hn bn Double flux l'information bn est prédominante prévisibilité nulle streaming, pop-up, descripteurs intrinsèques (bn), Gestalt, émergence l'information hn est prédominante prévisibilité totale attention et connaissances attachées aux niveaux supérieurs les informations hn et bn sont partielles prédominance d'un niveau (plus proche hn ou bn, ou mieux structuré) conflit possible

Perception Située Monde (interne/externe) SYSTEME COGNITIF concepts Sous-but hiérarchies sensori-motrices couplages sensori moteurs concepts signaux

Analyse, reconnaissance et perception de la parole

Le signal de parole Sert à la communication entre humains - différences avec communication écrite double structure acoustique - spectrale ou segmentale, mieux visible en bande large - harmonique ou suprasegmentale, mieux visible en bande étroite Modèle source-filtre - inspiré par les mécanismes de la production

Communication : oral vs écrit Communication orale Communication écrite

Transmission Le problème du débit d'information ---> comment supprimer l'information "superflue" ?

L'appareil vocal

Analyse acoustique de la parole Exemples de spectrogrammes Winsnoori 101.wav Guy a péri bêtement du diabète en Italie voix H 201.wav id voix F 102.wav La porte du garage tomba avec lourdeur voix H 202.wav id voix F Sections en bande large et bande étroite Evolution de Fo

Les voyelles spectrogrammes des voyelles F1 et F2 prépondérants: démo Snack Formants

Fricatives (constrictives)

Plosives (occlusives)

Synthèse à partir des phonèmes - A chaque phonème est associé un état stable - Le problème de coarticulation : ch + a ne fait pas cha - Il faut donc respecter les transitions - Synthèse par règles Avec un synthétiseur paramétrique (à formants) : calcul des transitions acoustiques

Reconnaissance par mots isolés Apprentissage Reconnaissance

Le problème de l'alignement temporel Alignement par programmation dynamique DTW

Reconnaissance par mots enchaînés Extension de la programmation dynamique

Reconnaissance par modèles de Markov cachés - Le signal est représenté par une suite d'états acoustiques - le nombre d'états possibles est limité (d'après corpus) - probabilités de transition et d'émission (d'après corpus) - programmation dynamique Modèle de mot Formulation bayésienne - Le message est représenté par une suite de mots - Probabilités déterminées d'après corpus - Proba message :: proba suite acoustique x proba suite de mots

Performances actuelles (2000) Mesurées en termes de taux d’erreurs de mots nécessite un corpus transcrit manuellement (référence) Journaux televises Conversations tel. Chiffres Journaux lus 40% 20% 7% 0.01% 0.5% 4% 0.7% Machine ~ 10% des performances humaines...

Point de vue sur la reconnaissance de la parole Les approches actuelles sont limitées méthodes essentiellement ascendantes et monocatégorielles, basées sur la Reconnaissance des Formes suffisantes pour certaines applications mais progrès asymptotiques, dûs seulement à puissance de calcul et collecte de bases de données Point de vue situé prendre en compte simultanément tous les aspects perceptifs du signal : parole, locuteur, situation, contexte, prise de son chercher les lois de variation du signal en fonction des descripteurs non-linguistiques

Variabilité du signal de parole Le signal de parole varie considérablement selon le locuteur et la situation, à contenu linguistique constant --> Rechercher des invariants ? La reconnaissance automatique : trop de variabilité ? principes actuels : alignement temporel, modélisation probabiliste (acoustique et lexicale). Puissance de calcul, grandes bases de données limitations : variations du locuteur et de la prise de son; domaine sémantique restreint (cf systèmes experts). Problème artificiellement contraint. proposition : reconnaître à la fois ce qui est dit, qui le dit, où et comment La synthèse : pas assez de variabilité ? voix synthétique ennuyeuse et inexpressive. Comment déduire du texte écrit les descripteurs non-linguistiques qui n'y sont pas ?

Perception de la parole niveau 6 500ms unités cognitives niveau 2 15ms indices acoustiques niveau 1 1ms unités cochléaires niveau 0 0.1ms Signal niveau 3 30ms traits phonétiques niveau 4 60ms unités phonetiques niveau 5 200ms unités lexicales branche verbale branche prosodique les niveaux d'abstraction sont déterminés par la résolution temporelle à chaque niveau la description du contenu perceptif est complète descripteurs de plus en plus indépendants traitement conjoint des informations linguistiques et non-linguistiques deux flux d'information: ascendant et descendant