Fonctionnement de la parole vers texte : des formes d’onde aux spectrogrammes Log-Mel
Eric King
Author
La technologie parole vers texte est aujourd’hui utilisée pour la transcription de réunions, les sous-titres vidéo, la saisie vocale et les assistants intelligents. Mais comment un ordinateur « comprend »-il la parole humaine sans oreilles ?
Il faut partir de la représentation audio la plus familière — la forme d’onde — puis progresser vers la caractéristique centrale des systèmes ASR modernes : le spectrogramme Log-Mel.
Forme d’onde : la représentation sonore la plus connue
Dans les outils d’enregistrement ou de montage, le son s’affiche souvent sous forme d’onde.
Une forme d’onde montre :
- le temps sur l’axe horizontal
- l’amplitude (volume) sur l’axe vertical
Elle permet de repérer visuellement :
- quand la parole est présente
- les silences ou pauses
- les variations de volume
Pour la parole vers texte, la forme d’onde ne dit que à quel volume le son est produit, pas quel son c’est.
Pourquoi les formes d’onde ne suffisent pas
L’information linguistique réelle de la parole réside dans le contenu fréquentiel, pas seulement dans l’amplitude.
Les phonèmes, les voix et les styles de parole dépendent de la combinaison et de l’évolution des fréquences dans le temps. Dans une forme d’onde, ces détails sont noyés dans des oscillations complexes, difficiles à interpréter directement.
C’est pourquoi les systèmes parole vers texte passent l’audio du domaine temporel au domaine fréquentiel.
De la forme d’onde au spectrogramme : visualiser les fréquences
Pour analyser la parole, les ASR produisent un spectrogramme avec :
- le temps en abscisse
- la fréquence en ordonnée
- l’intensité des couleurs pour l’énergie
On voit ainsi comment les composantes fréquentielles évoluent, ce qui facilite l’identification de motifs. Les spectrogrammes bruts ne correspondent toutefois pas entièrement à la perception humaine.
Spectrogramme Log-Mel : la caractéristique clé
C’est le rôle du spectrogramme Log-Mel.
Il améliore le spectrogramme standard en :
- projetant les fréquences sur l’échelle Mel, alignée sur l’audition humaine
- appliquant une compression logarithmique pour réduire la sensibilité aux différences de volume
Le résultat est une « image sonore » bidimensionnelle qui met en évidence :
- les structures phonétiques
- les caractéristiques vocales
- les motifs temporels de la parole
Des modèles modernes comme Whisper utilisent les spectrogrammes Log-Mel comme entrée principale.
Pourquoi les spectrogrammes Log-Mel sont essentiels
Ils offrent notamment :
- un meilleur alignement avec l’ouïe humaine
- une séparation plus nette des phonèmes
- une plus grande robustesse au bruit et aux variations de volume
- une meilleure adéquation aux modèles d’apprentissage profond
Ils marquent le passage de la simple détection du son à la véritable compréhension de la parole.
Conclusion
La parole vers texte ne se limite pas au traitement audio : il s’agit de comprendre la structure de la parole. Les formes d’onde permettent de voir le son ; les spectrogrammes Log-Mel permettent aux machines de l’interpréter.
Le passage de la forme d’onde au spectrogramme puis au Log-Mel est le socle des systèmes parole vers texte précis et fiables d’aujourd’hui.
