Ces trente dernières années ont été témoin d’une évolution impressionnante dans le développement du traitement automatique de la parole. D’un système de reconnaissance, le VIP100, premier à être commercialisé par Threshold Technology Inc. en 1972, qui était capable de reconnaître une centaine de mots isolés, après une phase d’apprentissage longue et fastidieuse, et qui avait un encombrement d’un mètre cube environ, on est passé à des systèmes adaptatifs, intégrés dans les postes de travail et reconnaissant un vocabulaire pratiquement illimité.

Plusieurs facteurs concomitants favorisent actuellement la généralisation des technologies vocales dans les nouvelles interfaces.

Le développement rapide de la microélectronique conduit à une augmentation en puissance (qui double environ tous les deux ans selon la loi de Moore) des processeurs standard et des mémoires. De ce fait, les algorithmes de traitement du signal de parole (reconnaissance et synthèse), gourmands en temps de calcul et de mémoire, fonctionnent maintenant sur des composants numériques de base (carte SoundBlaster, par exemple) et ne requièrent plus de carte ou de matériel spécialisé. Les systèmes à petit vocabulaire conçus par Dragon Systems, IBM, Philips, etc., peuvent ainsi être incorporés dans les PCs, quelquefois directement dans le logiciel de traitement de textes, ainsi que dans les Assistants numériques personnels (PDA). Cela leur permet d’être diffusés à des millions d’exemplaires (Hunt, 1996). Cette banalisation des logiciels de traitement du signal et de la parole a entraîné une diminution spectaculaire des coûts des produits.

En effet, les techniques de communication, notamment les réseaux informatiques et téléphoniques, ont suivi, à la fin des années 1990, une croissance exponentielle, qu’il s’agisse du réseau Internet qui, avec la Toile, permet l’accès immédiat à des banques de données de textes, d’images et de parole réparties dans le monde, ou qu’il s’agisse des réseaux téléphoniques numériques et cellulaires, destinés tout d’abord aux professionnels et maintenant de plus en plus au grand public. Ce développement bénéficie directement de l’amélioration des techniques de traitement du signal (codage, compression et multiplexage) permettant d’optimiser les liaisons (optiques ou par satellites).

L’amélioration des performances des systèmes a été déterminante ces quinze dernières années : en effet en 1985, les systèmes étaient capables de reconnaître un locuteur prononçant en mots isolés après apprentissage un vocabulaire de quelques centaines de mots ; actuellement, les systèmes sont capables de reconnaître n’importe quel locuteur utilisant en parole continue un vocabulaire de plusieurs centaines de milliers de mots, voire illimité, pour peu que la prise de son soit contrôlée et que l’environnement sonore ne soit pas trop intrusif ; ou encore ils sont capables de conduire un dialogue avec un vocabulaire de quelques milliers de mots à travers le téléphone, sur un sujet bien défini (renseignements sur les horaires de train ou d’avion, par exemple). Ces avancées ne sont pas tant dues à une amélioration des connaissances (la plupart des algorithmes étaient connus dans les années 1970 (Jelinek, 1976), qu’à l’organisation de campagnes d’évaluation systématiques. Ces campagnes ont pu naturellement être mises en place grâce au développement de la micro-électronique qui favorisait le temps réel et la constitution de grandes bases de données, mais elles procèdent également d’une prise de conscience, par les spécialistes du domaine, de l’importance du paradigme d’évaluation. Ce paradigme, tout d’abord défini dans des programmes américains, est devenu central dans nombre de projets européens, aussi bien nationaux qu’internationaux.

Si on prend comme référence le modèle humain, les avantages de la parole semblent au premier abord déterminants :

Les avantages cités ci-dessus doivent être tempérés par le caractère intrinsèque de la parole, son extrême variabilité, qui représente une difficulté pour le traitement automatique : cette variabilité peut être liée soit au locuteur (état physique et cognitif), soit à l’environnement ou au média de transmission du signal, soit à la langue elle-même (ambigu ïté). À cela s’ajoutent les contraintes imposées par les limitations technologiques (prise de son) et leur usage dans un contexte opérationnel.

Ainsi que cela a déjà été souligné, l’une des difficultés majeures de la reconnaissance de la parole est qu’elle nécessite l’utilisation d’une interface spécialisée, à savoir un microphone, susceptible de capter aussi bien le signal de parole que les bruits environnants. C’est pourquoi, de meilleures performances sont obtenues avec un microphone directif ou de proximité, c’est-à-dire intégré soit dans un casque ou serre-tête soit dans un combiné téléphonique. Mais dans de nombreuses applications, le système doit être intégré dans le poste de travail. Il est alors nécessaire de prendre en compte les caractéristiques sonores de l’environnement par un prétraitement (filtrage du bruit) ou par l’élaboration de modèles de bruit qui seront reconnus en même temps que le signal de parole. En voiture et sur les bornes de hall de gare, une antenne ou barrette de plusieurs microphones permet de mieux localiser le locuteur et d’extraire le signal de parole du bruit ambiant. Une autre caractéristique est de proposer un microphone soit ouvert (c’est-à-dire que la reconnaissance fonctionne en permanence) soit commandé manuellement (push-to-talk or push-to-activate) chaque fois que l’utilisateur s’adresse à la machine.

Un langage peut être caractérisé par la taille de son vocabulaire et la complexité de sa syntaxe. En ce qui concerne la taille, on distingue les systèmes de reconnaissance à petit vocabulaire (quelques dizaines de mots), moyen (quelques centaines) ou grand (de plusieurs milliers à plusieurs centaines de milliers). De nombreuses applications ne nécessitent que quelques centaines de mots (pour un langage de commande, par exemple). En revanche, lorsqu’on aborde la dictée automatique, la taille peut rapidement dépasser plusieurs centaines de milliers de mots (qui sont en fait les formes fléchies, verbales, nominales, adjectivales d’une entrée lexicale) ; si nécessaire, il est alors possible de partitionner le vocabulaire en plusieurs sous-vocabulaires. Dans ce cas, la taille du vocabulaire actif (c’est-à-dire connu par le système au moment de la reconnaissance) est seul significatif. Pour les systèmes de dictée, ce vocabulaire est en général de l’ordre de 60 000 mots pour un vocabulaire total de plus de 200 000. Grâce à une gestion dynamique des vocabulaires actifs et passifs, le vocabulaire peut être considéré comme illimité.

Deux catégories principales, grand public et professionnels, peuvent être identifiées. Il convient encore de faire une distinction entre le novice et l’expert en fonction de la connaissance que l’utilisateur a du domaine d’application, d’une part, et entre l’utilisateur occasionnel et celui qui est habitué au fonctionnement du système, d’autre part. Dans de nombreuses applications destinées au grand public, telles que les serveurs vocaux ou les bornes de renseignement, il est difficile d’imposer un apprentissage aux utilisateurs. Il est alors préférable que les systèmes soient indépendants du locuteur (multilocuteurs). Pour les professionnels, afin de garantir de meilleures performances, les systèmes sont en général dépendants du locuteur (monolocuteurs). Dans ce dernier cas, un apprentissage préalable est nécessaire pour tout nouveau locuteur. Jadis, les produits commercialisés imposaient à l’utilisateur de prononcer, souvent plusieurs fois de suite, la totalité du vocabulaire. Une telle contrainte n’est plus acceptable, dès lors que le vocabulaire dépasse plusieurs centaines de mots. Pour la reconnaissance de grands vocabulaires, cette phase est remplacée par une phase d’adaptation. Cette phase permet à la machine d’adapter ses modèles de référence acoustiques au locuteur à partir d’un ensemble de phrases représentatives des phonèmes d’une langue donnée. La machine modifie en même temps ses modèles linguistiques et peut prendre en compte ainsi des façons de parler propres à ce locuteur. Pour la dictée automatique, les systèmes sont maintenant adaptatifs en ligne, c’est-à-dire pendant l’utilisation réelle à chaque phrase prononcée par l’utilisateur, les modèles, tant acoustiques que linguistiques, sont, de manière implicite, automatiquement modifiés. Ainsi le taux de reconnaissance parfois désastreux au début, s’améliore sensiblement et rapidement. Cependant il est crucial que l’utilisateur ne laisse passer aucune erreur de reconnaissance pour ne pas compromettre l’apprentissage (Hunt, 1998).

Étant donné que la parole, aisément utilisée en superposition à d’autres modes de communication, libère la vue et les mouvements, il est possible d’identifier plusieurs domaines d’application dans lesquels notamment plusieurs tâches doivent être effectuées en parallèle : domaine industriel avec les systèmes de commande (manipulation d’objets, d’automates...) ou saisie de données (lors de contrôle de processus, d’observations microscopiques, d’inspection de matériels, par exemple), domotique. À ces domaines, il convient d’ajouter la bureautique avec les systèmes de dictée, la formation professionnelle ou individualisée et, plus récemment, la traduction automatique. Dans la majeure partie des cas, les produits sont commercialisés depuis de nombreuses années et utilisés couramment. En revanche, en ce qui concerne la formation et la traduction, les études sont encore le plus souvent au stade de projets de recherche ou de réalisation de prototypes en cours d’évaluation.

La fonctionnalité main libre / vue libre que procure une interface vocale est là essentielle. Plusieurs systèmes fonctionnent aux États-Unis, notamment dans le domaine militaire pour la maintenance des avions : dans ce cas, un système portable ou vestimentaire est utilisé (Chinnock et al., 1996).

Dans le domaine de la domotique, plusieurs systèmes de contrôle vocal d’environnement ont déjà été commercialisés, notamment aux États-Unis (tels HAL commercialisé par Cocoonz ou Butler-in-a-Box commercialisé par Mastervoice) afin d’effectuer certaines commandes simples d’appareils : réglage du chauffage, orientation des volets, etc. Ces systèmes lorsqu’ils seront couplés à des caméras de capture d’environnement devraient permettre d’offrir dans le futur des services variés d’assistance dans la vie quotidienne.

Outre le domaine du handicap moteur pour des personnes souffrant d’arthrose ou de TMS (Troubles Musculo-Squelettiques, suscités par des tâches répétitives, RSI en anglais pour Repetitive Strain Injury), l’une des premières applications de référence des systèmes de dictée à grands vocabulaires concernait le domaine médical. En effet, la constitution de rapports médicaux, notamment en radiologie, est une tâche facilement automatisable dans la mesure où ceux-ci sont en général des documents très structurés utilisant un vocabulaire prédéfini. Une autre raison pour une telle automatisation est que l’introduction de l’entrée vocale, tout en permettant de faciliter la tâche des secrétaires, ne constitue pas un changement dans les habitudes du médecin puisque la reconnaissance est couplée à un dictaphone déjà couramment utilisé.

L’enseignement assisté par ordinateur et notamment les systèmes d’aide à l’apprentissage des langues permettant d’acquérir une maîtrise du vocabulaire et de la syntaxe, ne peuvent que bénéficier des technologies vocales, dans la mesure où elles facilitent la répétition des exercices tout en offrant un aspect ludique. Par ailleurs, comme pour le contrôle de l’environnement, les technologies vocales peuvent apporter une certaine autonomie aux personnes handicapées et leur permettre de bénéficier d’une meilleure insertion dans leur environnement tant professionnel que familial.

Parmi les nombreuses études et réalisations en ce domaine, on peut citer à titre d’exemple le système opérationnel utilisé depuis plusieurs années en France à la SNCF par des conducteurs d’Eurostar, pour se familiariser avec les procédures d’urgence nécessitant de dialoguer en anglais avec les agents au sol. Ce système, développé par Cap-Gemini-Innovation et Vecsys, leur permet d’améliorer la qualité de leur prononciation tout en évaluant leur capacité à comprendre l’anglais affecté de différents accents ou parlé dans des conditions dégradées.

Les réalisations les plus anciennes dans le domaine de la formation concernent les aides au handicap. Différents programmes européens (TIDE, etc.) ont permis de mieux cerner les différents types de handicap dont souffre la population, ainsi que le nombre de personnes concernées.

Des projets à plus long terme sont liés au domaine de la traduction automatique. L’un des plus ambitieux programmes dans ce domaine a été lancé par ATR au Japon dès 1986 (Fujisaki, 1987) : l’objectif était de réaliser un système de dialogue interprétatif, permettant à une personne de converser de façon spontanée par téléphone avec un interlocuteur ne parlant pas la même langue : le message de cette personne serait automatiquement traduit dans la langue de son interlocuteur avec une voix conservant toutes les caractéristiques du timbre de la voix qui a émis le message (Black & Campbell, 1995). Des prototypes proposant certaines des fonctions envisagées ont été réalisés. Le projet international C-STAR-I/II (C.STAR, 2000) (Boitet et al., 1998) rassemble actuellement autour d’ATR un consortium plus vaste faisant intervenir des équipes américaines et européennes : CMU (États-Unis), l’Université de Karlsruhe (Allemagne), ETRI (Corée), le CLIPS/IMAG (Grenoble, France), IRST (Italie). Un démonstrateur de traduction automatique intégrant reconnaissance et synthèse vocales a été présenté en 1999.

Lorsqu’on observe un sujet en train de parler, la parole apparaît intimement liée aux autres modes, notamment aux gestes de la main, aux mimiques du visage, etc. La communication humaine fait ainsi appel à l’ensemble des modes de perception et de production, même si la parole reste le plus souvent le mode dominant : la compréhension correcte d’un message est dépendante, par exemple, de la cohérence entre les perceptions visuelle et auditive (Benoît, Mohamadi & Kandel, 1996). C’est pourquoi, depuis plus d’une dizaine d’années, les recherches visent à intégrer de façon optimale la parole avec d’autres modes, dans plusieurs applications plutôt destinées au grand public.

Des études sur l’interaction multimodale visent à offrir à la clientèle des services analogues à ceux déjà accessibles grâce aux serveurs vocaux. Ces services concernent notamment les renseignements sur les horaires de train, d’avions ou de bateaux et la prise de réservations : de nombreux serveurs sont en fonctionnement, tels ceux issus des projets européens Railtel (Bennacef, Devillers, Rosset & Lamel, 1996 ; Billi & Lamel, 1997) et ARISE (Automatic Railway Information System for Europe) (Blasband, 1998). Les bornes interactives n’utilisant actuellement que le mode tactile, l’adjonction de la parole permettrait d’améliorer grandement la rapidité et le naturel de l’interaction : la taille du vocabulaire accessible directement, notamment en ce qui concerne les noms des gares, peut être facilement augmentée et ceci évite d’avoir à parcourir une fastidieuse arborescence à partir d’un écran tactile.

À bord d’automobile comme à bord d’avion, les tâches étant complexes et le tableau de bord réduit ou encombré, la parole permet au conducteur ou au pilote d’avoir à sa disposition un moyen supplémentaire d’interaction avec la machine, sans cependant gêner l’accomplissement des tâches courantes qui requièrent de sa part toute son attention visuelle. En voiture, les infrastructures nouvelles de communication par satellite pour la transmission à haut débit d’images et de sons, la norme européenne de téléphone mobile GSM et le système GPS de positionnement du véhicule, offrent au conducteur une connaissance dynamique de l’évolution de la circulation et de la météorologie : elles lui permettent non seulement d’établir la planification de son itinéraire et d’être guidé par des messages vocaux, mais encore, lorsque la voiture est à l’arrêt, d’accéder à des bases de données touristiques et à des services variés.

Ces systèmes s’appuyant sur la mise en place des réseaux de radiodiffusion RDS-TMC (Radio Data System-Traffic Message Channel) et plus récemment des réseaux GTTS (Global Transport Telematic System, intégrant GPS, GSM et Internet) font l’objet de plusieurs projets nationaux et européens. Le produit CARIN (Cardeilhac & Palisson, 1995), développé par Philips doit s’adresser à terme aussi bien à des professionnels (routiers) qu’au grand public. La synthèse de haute qualité multilingue (Van Coile et al., 1997) (français, anglais, allemand et hollandais) permet de dispenser à bord du véhicule des informations par radio sur l’état des routes : le message étant transmis sous une forme codifiée facilement reconstituable dans une langue donnée, le système a été conçu de façon à garantir une indépendance par rapport à la langue, une carte à puce autorisant la sélection des informations dans la langue du conducteur, quel que soit le pays traversé. Un service régulier de diffusion TMC pour la langue allemande a été mis en place en Allemagne en 1997 et devait être étendu à d’autres pays et d’autres langues. Le système utilise de la synthèse à partir du texte pour la diffusion des messages, afin de garantir un encombrement mémoire réduit et une certaine flexibilité pour toute modification ultérieure.

Depuis le début des années 1980, les études menées dans un domaine similaire par Sextant-Avionique en France (système TOP-VOICE) (Pastor & Gulli, 1993), par Marconi et Smith Industries en Angleterre et en Allemagne (système CASSY) (Gerlach & Onken, 1993) visent à rendre les systèmes de reconnaissance plus robustes aux bruits (moteur d’avion, masque à oxygène, etc.) et aux effets sur la voix du facteur d’accélération de la pesanteur. Comme pour la reconnaissance à bord d’automobile, des études complémentaires sur la prise de son (type et emplacement du microphone dans le masque à oxygène, par exemple) demeurent indispensables. Malgré de nombreuses expérimentations, aucun système n’est encore opérationnel, même si la reconnaissance de parole reste prévue à bord du Rafale et pourrait être combinée avec une interaction tactile.

Dans le cadre du programme ESPRIT LTR I3 (Intelligent Information Interfaces), l’un des projets Magic Lounge avait pour objectif d’offrir à des utilisateurs non professionnels un espace de communication collective et multimodale (Bernsen et al., 1998). L’une des activités de référence initialement prévue était de permettre à des participants, distants géographiquement, d’élaborer un voyage en commun. La coordination du projet était assurée par le DFKI de Saarbrücken (Allemagne) ; les autres participants étaient le LIMSI-CNRS et l’Université de Compiègne (France), Siemens (Allemagne), le NIS et l’Association Bank of Ideas of the Smaller Danish Isles (Danemark), les membres de cette association constituant une communauté d’utilisateurs potentiels. Les participants devaient pouvoir communiquer quelle que soit l’hétérogénéité du matériel (téléphone mobile, PDA ou station multimédia à haute définition, par exemple), tout en ayant accès aux services disponibles localement ou sur Internet.

Un domaine connexe dans lequel les méthodes de traitement automatique de la parole sont mises à contribution pour permettre un meilleur accès aux informations contenues dans les documents audio/vidéo est traité dans le programme DARPA Broadcast News Transcription and Understanding TDT (Topic Detection and Tracking). Ce domaine très actif actuellement a donné lieu à plusieurs projets et réalisations : le système Broadcast News Navigator (BNN) du MITRE (Maybury, 1999), le projet européen OLIVE (de Jong et al., 1999) (Gauvain, Lamel & Adda, 2000), le système MAESTRO du SRI (SRI, 2000), le système Rough’n’Ready de BBN (Kubala et al., 2000), entre autres. Ces projets transdisciplinaires font appel aussi bien au Traitement de la parole qu’à des techniques d’intelligence artificielle (résumé automatique, extraction des connaissances sémantiques) et de Traitement d’image. L’objectif commun de ces différents projets est d’offrir un outil automatique d’indexation et d’interrogation de bases de données audiovisuelles, issues notamment d’émissions de Journaux télévisés ou de pages de la Toile. L’indexation se fait aussi bien sur des silences et des mots-clés (thèmes, noms propres, etc.) détectés dans le flot de parole continue (noyé lui-même éventuellement dans un fond sonore) que sur l’identification de visages ou de changements de plan. Ces projets se différencient par les techniques utilisées et notamment le système de reconnaissance intégré.

Il est difficile de prédire ce que sera la place exacte de la parole dans la Communication Homme-Machine future. À cet égard, on peut se demander pourquoi des gadgets tels que, par exemple, la montre Voice Master VX-2 avec reconnaissance et synthèse vocales commercialisée dès 1987 au Japon, n’ont jamais eu le succès escompté. Dans les années 1980, l’idéal semblait être de remplacer tout mode de communication par la parole, excluant tous les autres. Dorénavant, l’interface uniquement vocale n’est plus un objectif prioritaire, un clavier restreint restant le plus efficace dans nombre de situations. La parole constitue plutôt une alternative aux modes traditionnels de communication avec la machine, notamment lorsque, en raison d’un handicap permanent ou temporaire, les autres modes s’avèrent impossibles. C’est ainsi que les interfaces vocales jusqu’alors confinées au milieu professionnel, notamment pour la dictée automatique ou des tâches d’inspection et de contrôle de processus, pénètrent des domaines d’activité de la vie de tous les jours : les serveurs d’information interactifs vocaux, l’aide à la navigation à bord de voiture et l’aide à la formation, désormais en expansion constante, en sont les exemples les plus concrets.