Caractérisation acoustique des phonèmes

Caractérisation acoustique des phonèmes#

Nous sommes constamment exposé·es à des sons de parole, que notre cerveau comprend quasi-instantanément et sans effort apparent. Le processus semble aller de soi, à tel point qu’il est difficile a priori d’imaginer que ce mécanisme de décodage puisse faire l’objet de recherches approfondies depuis maintenant plus d’un siècle. Après tout, ne suffit-il pas à notre cerveau de mémoriser l’association entre chaque phonème et le son correspondant pour décoder la parole – de la même manière que nous pouvons déchiffrer un message en morse en consultant l’alphabet morse ? Pour le dire crûment : nous entendons le son “b”, et nous en déduisons qu’il s’agit de la consonne /b/, qu’y-a-t’il de sorcier là-dedans ? Si chaque consonne et chaque voyelle est associée à un son particulier et spécifique, il est assez simple d’imaginer un mécanisme de décodage. Dans cette section, nous examinerons en détail des sons de parole pour tenter d’établir cet “alphabet acoustico-phonétique”. Ceci nous amènera à identifier les problèmes théoriques auquel se trouve confrontée cette explication intuitive.

Qu’est-ce qu’un phonème ?#

Une étape préalable consiste bien sûr à identifier quels sont les phonèmes de la langue étudiée, ici le français. À la suite des travaux fondateurs du Cercle de Prague au début du XXe siècle, les linguistes définissent le phonème comme le plus petit élément porteur de sens dans le son de parole, c’est-à-dire en quelque sorte comme l’ “atome”, ou la “brique de base”, du langage parlé.

Quels sont exactement les rapports entre les sons et le sens à l’intérieur du mot et de la langue en général ? Finalement, il s’agit de dégager le plus petit élément phonique chargé d’une valeur significative, ou – en termes métaphoriques – il s’agit de trouver les quanta de la langue. (Jakobson, Six leçons sur le son et le sens, 1942)

Jakobson et les autres linguistes du Cercle de Prague ne proposent pas seulement une définition théorique, mais également une méthode pratique pour recenser l’ensemble des phonèmes d’une langue donnée. Elle consiste à identifier des paires minimales, des couples de mots ne différant que par un son unique. Ainsi, en français, les mots “bagage” et “bagarre” ont des sens radicalement distincts, pourtant seul leur tout dernier son, /j/ ou /r/ est différent. Ceci indique que, dans notre langue, l’opposition /j/-/r/ est porteuse de sens, et donc que /j/ et /r/ constituent deux phonèmes distincts. De la même façon, “malle” et “mille” forment une paire minimale en français, séparée uniquement par les phonèmes /a/ et /i/.

En appliquant cette approche de façon systématique, il devient possible de dresser l’inventaire des phonèmes d’une langue donnée, et par extension d’établir une typologie des systèmes phonologiques du monde entier. Ce travail méticuleux est résumé dans les tables de l’alphabet phonétique international (International Phonetic Alphabet, IPA). [Notez que cette présentation sous forme de table plutôt que de simple liste suggère une organisation particulière des phonèmes entre eux. Bien que cette perspective dite “structuraliste” – car elle met en lumière la structure des relations entre les phonèmes – soit fondamentale en phonologie, nous ne la détaillerons pas dans ce chapitre par souci de concision.]. On peut faire analogie entre ces tableaux, énumèrant les phonèmes dont sont composés tous les sons parlés, au célèbre système des éléments chimiques établi par Mendeleev.

Si cette définition phonologique constitue un point de départ indispensable, elle est néanmoins peu informative sur les propriétés acoustiques des phonèmes, qui nous préoccupent dans ce chapitre. Comme le souligne Ferdinand de Saussure, la phonologie considère le phonème comme une unité abstraite, dont l’association avec un son concret particulier est purement contingente et arbitraire. Autrement dit, les phonèmes sont définis ici avant tout par leur fonction (celle de structurer les mots) plutôt que par leurs caractéristiques acoustiques. On pourrait les comparer aux pièces d’un jeu d’échecs, qu’il est possible de remplacer par n’importe quels autres petits objets pourvu que les joueur·euses se mettent d’accord sur leur rôle dans le jeu.

Cette définition laisse donc en suspens nos questions initiales : quelles sont les caractéristiques sonores qui permettent de distinguer un phonème d’un autre ? Comment le cerveau interprète-t-il ces signaux pour en extraire du sens ? Pour y répondre, il devient indispensable d’examiner d’un peu plus près la forme acoustique des phonèmes.

Les voyelles#

Rappelons que notre objectif dans ce chapitre est de percer le code acoustico-phonétique. Nous cherchons à découvrir les signatures sonores des phonèmes : quelles propriétés physiques les caractérisent, et permettent de les différencier de manière systématique ? Une approche assez intuitive pour répondre à cette question consiste à examiner des enregistrements de parole afin d’y repérer des régularités acoustiques.

La figure suivante présente les spectrogrammes de 3 voyelles du français : “i”, “a” et “ou”. Deux enregistrements de chaque voyelle sont présentés, ce qui permet de remarquer une caractéristique frappante : la présences de bandes d’énergies relativement stables dans le temps, et dont les fréquences semblent dépendre de la voyelle prononcée. Ces maxima spectraux sont appelés formants et numérotés des basses fréquences vers les hautes : le premier formant (F1) est le plus grave, puis vient le deuxième formant (F2), etc. Notez que les spectrogrammes présentent également des raies verticales régulièrement espacées. Celles-ci correspondent à la périodicité du son et donc à la hauteur de la voix (appelée fréquence fondamentale), et elles sont globalement indépendantes des formants.

L’origine physique des formants est directement liée à la structure anatomique de l’appareil phonatoire, et notamment de la bouche du locuteur ou de la locutrice. En effet, lorsque nous parlons, l’air en provenance des poumons traverse notre larynx, puis entre en vibration dans notre cavité buccale. Cette cavité agit comme un résonateur naturel, dont les propriétés acoustiques dépendent directement de sa forme et de ses dimensions à un instant donné. La configuration de la cavité buccale est elle-même déterminée par la position des articulateurs – c’est-à-dire notre langue, nos lèvres, notre palais et notre mâchoire. Comme l’illustre la figure suivante, chaque voyelle correspond à une position spécifique des articulateurs, et donc à une certaine forme de la “caisse de résonance” formée par la bouche. Lorsque la langue se soulève vers l’arrière de la bouche et que les lèvres s’avancent pour produire la voyelle “ou”, la cavité buccale se rétrécit et s’allonge, ce qui produit des fréquences de résonance plutôt graves XXXX. À l’inverse, pour un son comme “a”, la bouche s’ouvre largement, créant une cavité plus grande et plus uniforme, qui favorise des résonances différentes. Chaque configuration des articulateurs produit ainsi un filtre acoustique particulier, amplifiant certaines fréquences tout en atténuant d’autres. Ces fréquences renforcées sont les formants, et peuvent être déterminées mathématiquement ou par des simulations informatiques (voir figure XXx, ligne inférieure) ou des modèles physiques (voir vidéo plus loin xxxx). le premier formant (F1) est généralement lié au degré d’ouverture de la bouche, tandis que le second (F2) est principalement influencé par la position antérieure ou postérieure de la langue.

Ainsi, de subtiles variations dans la position des articulateurs se traduisent par des différences perceptibles dans les sons de parole. On peut se rendre compte facilement du fait que les résonances de la cavité orale sont déterminantes pour l’identité de la voyelle : dans la vidéo ci-dessous, différents tubes ont été conçus pour imiter la forme de la cavité buccale pour différentes voyelles (comme illustré dans la seconde ligne de la figure Xxxx). Un buzzer est placé à l’entrée de chacun de ces tubes, de façon à ce que le son résonne dans cette structure. À l’autre extrémité du tube, on entend clairement la voyelle correspondant à la forme de la cavité, ce qui indique que les résonances sont essentielles pour la compréhension.

Ainsi, le son des phonèmes est une “empreinte” acoustique de la position de la langue, des lèvres, du palais et de la mâchoire. Autrement dit, le langage parlé est une sorte de langue des signes, à ceci près que les mouvements ne sont pas réalisés par les mains mais par des muscles de la bouche et que, n’étant pas directement visibles à l’œil de l’interlocuteur·ice, ils sont rendus audibles par le phénomène de résonance.

Des experiences en synthèse vocale suggèrent que les deux premiers formants sont suffisants pour identifier les voyelles, même lorsque les formants 3 et 4 sont fixés à des valeurs intermédiaires. Ceci a conduit les scientifiques à représenter les voyelles dans un espace à deux dimensions, appelé triangle vocalique ou espace vocalique (vowel space), correspondants aux fréquences du premier et du deuxième formant. Ainsi, Hillenbrand et collègues (1995) Xxxxx ont enregistré un grand nombre de productions de la voyelle /a/ par différents locuteurs et locutrices anglophones Xxxx, puis, pour chaque enregistrement, ont mesuré les valeurs de F1 et de F2 et les ont reportées sur un graphe. La figure Xxxx présente le résultat : chaque point (indiqué par le symbole Xxxxx) représente un enregistrement particulier de la voyelle, avec les valeurs de F1 et de F2 en x et en y, respectivement Xxxxx.

Comme l’on s’y attendait d’après nos premières observations (figure xxxxx), les fréquences des formants F1 et F2 pour différentes réalisations d’une voyelle donnée (ici “xxxxx”) sont très similaires (environ xxxx pour F1 et xxxx pour F2), ce qui nous conforte dans l’idée que les formants sont une propriété déterminante de l’identité des voyelles. Néanmoins, il est impossible pour un système biomécanique comme l’appareil phonatoire humain de produire exactement le même son à plusieurs reprises. Aussi observe-t-on une certaine dispersion des réalisations de “xxx” dans une certaine gamme de valeurs de F1 et F2.

Il est possible de réitérer la même analyse pour les voyelles xxxxx, afin de les représenter sur le même graphique. On obtient alors la figure suivante :

On constate que les voyelles se répartissent dans l’espace vocalique – ce qui est, là encore, cohérent avec l’idée que chaque voyelle est définie par ses valeurs de F1 et F2.

Ceci nous conduit à formuler le premier problème théorique posé par la compréhension des phonèmes : le cerveau doit subdiviser un espace acoustique continu (il existeune infinité de sons possibles, même si l’on ne considère que les valeurs des formants) en un nombre fini de catégories distinctes, chacune associée à un phonème. Une information acoustique initialement très détaillée (telle que les valeurs exactes des formants F1 et F2) est réduite à une représentation discrète, mais opérationnelle (le phonème correspondant). Il s’agit donc d’un problème de discrétisation – voire même, pour faire une analogie informatique, de compression avec perte.

Schématiquement, on peut dire qu’il est nécessaire de placer des frontières phonémiques dans l’espace acoustique pour délimiter quel ensemble de sons correspond à un “i”, un “ou”, un “a” ou un “ae”, comme illustré sur la figure suivante. Il suffirait alors à notre cerveau, lorsqu’il perçoit un son, de mesurer les valeurs de F1 et F2 et de vérifier comment celles-ci se situent par rapport aux diverses frontières phonémiques pour identifier la voyelle prononcée [Notez cependant que d’autres mécanismes de catégorisation sont envisageables, par exemple en calculant la distance du son perçu au centre de chaque catégorie].

Malheureusement, la situation n’est pas aussi simple. En continuant à remplir l’espace vocalique avec l’ensemble des voyelles de l’anglais, nous constatons rapidement que celles-ci se recouvrent dans une large mesure. Ainsi, par exemple, la région de l’espace F1-F2 correspondant à la voyelle Xxxx est partagée avec les voyelles xxx et xxx. Autrement dit, pour un grand nombre de sons (c’est-à-dire de points sur la figure), je ne peux pas déterminer avec certitude s’il s’agit d’une voyelle ou d’une autre : F1 et F2 ne permettent pas d’identifier les voyelles de façon univoque.

Ce second problème est appelé problème du manque d’invariance (lack of invariance problem) : le signal de parole semble à première vue trop variable pour permettre au cerveau de décoder les phonèmes de manière robuste. Le très large recouvrement entre les régions correspondant aux différentes voyelles semble en contradiction avec notre grande facilité à différencier une voyelle d’une autre.

Les consonnes#

Le tableau apparaît tout aussi complexe lorsqu’on s’intéresse aux consonnes. La figure suivante représente les spectrogrammes de 12 sons “aXa”, X correspondant à l’une des consonnes suivantes : “b”, “d”, “g”, “p”, “t”, “k”, “f”, “s”, “ch”, “m”, “n” et “l”.

On remarque que les consonnes présentent des caractéristiques acoustiques plus diversifiées que la simple répartition en fréquence des formants que nous avons détaillé dans le cas des voyelles. Dans chaque spectrogramme, les deux “a” sont clairement reconnaissables. L’intervalle entre les deux, correspondant a priori à la consonne, révèle des motifs très différents d’un son à l’autre. Ces dissimilarités tiennent en réalité aux différents modes de production des consonnes :

les consonnes plosives, que nous explorerons plus en détail dans la suite de ce chapitre, sont obtenues en interrompant momentanément le flux d’air avec les lèvres (/p/) ou la langue (/t/), ce qui engendre un bref silence
les consonnes fricatives nécessitent de générer un bruit de chuintement, là encore avec les lèvres (/f/) ou la langue (/s/), d’où la présence d’énergie sur une large portion du spectre
enfin, les autres consonnes, liquides ou nasales, fonctionnent sur un principe de résonances similaire à celui des voyelles. C’est pourquoi leur spectrogramme ressemble à celui des voyelles.

Dans la suite de ce chapitre nous nous intéresserons principalement aux consonnes plosives (/p/, /t/, /k/, /b/, /d/, /g/) correspondent à des caractéristiques transitoires. À nouveau, difficile d’associer transition et plosive de façon univoque (manque d’invariance)

Pas d’alphabet. Pas conséquent, impossible de synthétiser de la parole en collant des phonèmes les uns avec les autres. (Simone Signoret)

Conclusions temporaires#

La phonétique acoustique cherche à identifier des similarités entre différentes productions d’un même phonème. Les formants et transitions de formants sont un élément important du son de parole. Mais impossible de tracer une correspondance bijective entre phonèmes et formants.  Seule l’expérimentation psychoacoustique peut permettre de résoudre ce problème (i.e. la phonétique expérimentale)

la phonétique est une illusion

to normal speakers, utterances appear as sequences of words that in turn are sequences of sounds. A basic task of phonology is to provide a proper account for this perceptual “illusion.” That it is appropriate to regard it as an illusion, i.e., as something in the speaker’s and hearer’s mind rather than as something directly present in the signal, becomes clearer when one considers the fact that our ability to recognize words and sounds in utterances is drastically impaired when instead of utterances in a language we know, we are presented with utterances in languages we do not know.
(Chomsky, mental representations)