- 1 Cette recherche, intitulée Expertise scientifique et discours médiatiques, a été financée par l’Ini (...)
1Cet article se propose d’appréhender les enjeux relatifs aux transcriptions en se focalisant sur des logiciels speech-to-text, conçus pour assurer le passage de la parole au texte dans le traitement automatique de sources orales, à partir d’une recherche interdisciplinaire menée en Suisse romande en collaboration avec la Radio Télévision Suisse (RTS), Avis d’Experts et le journal Le Temps1. La transformation à l’écrit du langage parlé et des phénomènes qui l’accompagnent est un enjeu fondamental en sciences sociales. Pour cause, la mise en forme et en sens d’observations in situ, d’entretiens ou encore de documents médiatiques constitue le passage obligé de toute enquête de terrain. Des choix réalisés pour cette mise en forme dépendra en partie la façon dont les données seront constituées, analysées puis le savoir élaboré.
2L’écriture ne saurait se réduire à un simple outil de reproduction littérale de l’énonciation ; comme tous les outils, elle est tout à la fois une médiation, et donc une traduction (Latour, 2006), mais aussi une « pratique » langagière, un « moyen de communication » et une « technologie intellectuelle » qui agit sur les usages sociaux, la créativité, les inventions scientifiques et la pensée (Goody, 1979). Transcrire des paroles énoncées n’est donc jamais un geste anodin. Ce n’est pas un hasard si la question des transcriptions est devenue une problématique aussi centrale dans le domaine de la sociolinguistique ; elle l’est d’autant plus depuis le développement des moyens d’enregistrement qui autorisent un travail de transcription de plus en plus soigneux et un retour systématique aux sources, modifiant ainsi la recherche en profondeur (Mondada, 2007).
3Les enjeux relatifs aux transcriptions discutés en sciences sociales sont d’ordres divers, souvent liés bien que traités séparément :
-
méthodologiques et épistémologiques, quand il s’agit de penser la façon dont notre rapport aux sources enregistrées transforme « les observables » et « les phénomènes disponibles pour l’analyse linguistique » (Mondada, 2007, p. 145) ;
-
politiques, lorsque le débat porte sur la manière dont les enquêtés apparaissent dans les textes afin d’éviter un « effet de stigmatisation » (Bourdieu, 1996) ;
-
techniques, si l’on pense à la pléthore d’outils informatiques développés ces dernières années pour faciliter et préciser le travail de transcription en sciences humaines et sociales (Rioufreyt, 2018 ; Tancoigne et al., 2020).
4Étant donné l’ensemble de ces enjeux, l’ajout d’une médiation supplémentaire dans le travail de transcription requiert de prêter une attention rigoureuse aux choix que les techniques préfigurent dans la production des données. Toute recherche implique des choix ; ce constat n’a rien de technophobe. Il invite à examiner les conséquences de ces choix et ainsi à prendre « conscience des limites et des possibilités inhérentes aux diverses techniques de l’intellect » (Goody, 1979, p. 57).
5Dans un premier temps, je présenterai le fonctionnement général des speech-to-text ainsi que leurs usages. Dans un deuxième temps, je décrirai le travail d’évaluation préliminaire mené dans le cadre de la recherche susmentionnée, portant sur les transcriptions automatiques produites par un speech-to-text spécifique : le logiciel VoxSigma proposé par Vocapia Research2. Cette évaluation a permis d’attester que VoxSigma fournit un environnement sémantique fiable à ses utilisateurs mais aussi de déterminer de façon qualitative certaines sources d’erreurs systématiques. L’objectif du présent article a consisté en une compréhension approfondie et une analyse détaillée de ce qui génère des erreurs dans les transcriptions automatiques. Cet approfondissement a été réalisé en confrontant le travail d’évaluation préliminaire à la fois à la littérature computationnelle sur la question et à des transcriptions réalisées manuellement à la façon des analyses de conversation. L’analyse a fait apparaître deux types de problèmes de nature distincte qui structurent la présentation du cœur de l’article : (1) les problèmes générés par les limites des modèles informatiques encapsulés dans le speech-to-text ; (2) ceux liés à la conversation ordinaire.
6On verra que cette synthèse rappelle une opposition, formulée par Quéré (1991), entre deux modèles de communication : (1) un modèle épistémologique, concevant le langage comme une transmission d’informations entre locuteurs qui procèderaient, comme les machines, par codages et décodages pour se comprendre ; (2) un modèle praxéologique, renvoyant à la façon dont l’interaction est co-construite par des locuteurs en situation. On verra ainsi que, fondamentalement, en dehors des problèmes strictement informatiques, les impasses du speech-to-text touchent à l’impossibilité pour la machine d’appréhender l’ordre de l’interaction co-constitué à travers les échanges à transcrire. Enfin, avant de conclure, j’ajouterai un point relatif à une source d’erreur particulièrement intéressante, qui concerne la transcription des noms propres et paraît se situer à la croisée de ces deux types de problèmes.
- 3 Toutes les traductions de l’anglais sont de mon ressort.
7Les logiciels speech-to-text appartiennent au domaine du traitement automatique du langage (TAL) qui regroupe toutes les utilisations d’un « ordinateur pour traiter automatiquement des textes rédigés et des productions orales en langue naturelle » et se situe « à l’interface entre la linguistique et l’informatique » (Silberztein, 2019, p. 7). Les speech-to-text sont donc inclus dans la recherche en TAL et souvent associés à d’autres types de logiciels mais ne recouvrent de loin pas tous les outils qui composent ce domaine. Ils visent à se substituer au travail humain pour une tâche jugée « [i]ncontournable mais chronophage » (Rioufreyt, 2018, p. 97). Leur développement s’inscrit dans une volonté de générer des transcriptions automatiques et indépendantes de la perception humaine sur les sources enregistrées. À cet égard, la littérature computationnelle parle de chercheurs « fascinés par l’idée de machines capables d’entendre et de comprendre des contenus-audio à la façon des humains, en parlant de machine listening »3 (Gauvain et al., 2019, p. 87). Dans les faits, l’état de l’art sur les speech-to-text et, plus généralement sur le TAL, se situe encore loin de cet idéal de complète automatisation.
8En effet, le développement d’un speech-to-text passe par une phase d’« entraînement » des systèmes sur des corpus qui comprennent non seulement des textes écrits, généralement tirés d’Internet (Vasilescu et al., 2014 ; Roy et al., 2015 ; Gauvain et al., 2019), mais aussi des transcriptions et des annotations de sources orales réalisées « manuellement » (Lamel et al., 2011 ; Poignant et al., 2012 ; Despres et al., 2013 ; Clavel et al., 2013 ; Vasilescu et al., 2014 ; Bredin, Roy et al., 2014 ; Fraga-Silva et al., 2015 ; Roy et al., 2015). En outre, les machines qui sont issues d’une « solution TAL », telles que les chatbots employées par certaines entreprises, impliquent un travail exigeant de « supervision continue du système, qui est réadapté selon les situations réelles d’usages » (Esteban, 2020, p. 199). Les compétences humaines relatives à la compréhension du langage sont encore indispensables, en amont et en aval de la conception de l’automate pour son bon fonctionnement. En revanche, chaque année, des perfectionnements significatifs des speech-to-text sont achevés. Ce perfectionnement répond à des situations qui nécessitent le traitement de corpus comprenant des quantités considérables de matériaux, notamment médiatiques, mais aussi des conversations téléphoniques ou des entretiens dans des contextes marketing (Clavel et al., 2013), judiciaires (Gauvain et al., 2019), de gestion d’archives documentaires (Alquier et al., 2017) ou même de recherches en sciences humaines et sociales (Tancoigne et al., 2020).
- 4 Latour utilise l’appellation « pliage technique » pour désigner le mode d’existence de l’objet tech (...)
9Dans la mesure où le recours à un speech-to-text passe par la prestation de service d’un tiers externe à ses contextes d’usage, il semble important de mettre au jour les « chaînes de médiations » (Latour, 2006, p. 125) qui le constituent, en particulier ses modèles informatiques et le modèle de communication (Quéré, 1991) qui président à sa conception. Il s’agit ainsi d’éviter de laisser ce logiciel à l’état d’une « boîte noire » qu’« on peut aisément oublier » (Latour, 2006, pp. 58-59). En effet, une fois livré à l’usage, un speech-to-text produit des textes dont le « pliage technique » (Latour, 2010, p. 29) a tendance à devenir opaque, voire inexistant pour les usagers, qui pourraient le considérer comme une simple étape « intermédiaire » dans le processus d’enquête4. De fait, on verra que les speech-to-text modifient bel et bien les « éléments » du langage « qu’ils sont censés transporter » (Latour, 2006, p. 58) et il est possible de les rendre visibles à l’aide des problèmes que le logiciel rencontre dans son travail de transcription. Selon la leçon de Latour, c’est bien quand un objet technique « tombe en panne » (p. 59) ou pose des problèmes que son statut de médiateur apparaît pleinement.
10Le présent article se concentre sur les transcriptions de VoxSigma qui ont constitué le support de la recherche interdisciplinaire Expertise scientifique et discours médiatiques. Cette recherche visait le développement d’un prototype informatique, à destination des journalistes et du grand public, capable de produire des « cartes sémantiques » reliant des experts scientifiques à des thématiques traitées dans les médias. L’objectif animant cette recherche était de faciliter et d’enrichir la circulation du savoir entre l’Université et la Cité dans un contexte de désinformation et de méfiance envers les institutions médiatiques et scientifiques. Le prototype a été conçu pour produire des cartes reliant des mots écrits entre eux à partir de sources médiatiques, et donc audio et vidéo pour le corpus fourni par Avis d’Experts, ce qui a d’emblée rendu nécessaire l’accès aux transcriptions de ces sources. La solution était, en un sens, toute trouvée, la RTS disposant d’un contrat avec Vocapia pour des raisons d’archivage et, plus récemment, de recherche. Il a dès lors été possible de recourir aux transcriptions créées par VoxSigma pour introduire les sources médiatiques orales de la RTS dans le développement du prototype.
11Une étape préliminaire d’examen qualitatif des textes transcrits est apparue essentielle pour évaluer les transcriptions automatiques et s’assurer notamment que les erreurs rencontrées n’occasionneraient pas, plus tard, de contre-sens au niveau des « cartes sémantiques ». J’ai été chargée de réaliser cette évaluation en confrontant les textes fournis par Vocapia aux sources audio et vidéo d’origine. Il s’agissait d’abord de relever les erreurs systématiques qui se dégageaient de la confrontation entre la lecture des transcriptions et l’écoute des émissions radiophoniques et télévisées, sur la base d’un corpus qualitatif de 68 émissions visant à couvrir une grande variété de formats (interviews, reportages, débats, mixtes). La notion d’erreur utilisée lors de cette étape correspond à celle de Vocapia, qui mobilise une métrique répandue pour mesurer la fiabilité d’un transcripteur automatique : le Word Error Rate5. Selon cette métrique, l’erreur est détectée dans trois cas de figure : lorsqu’un mot est (1) substitué à celui qui est énoncé, (2) supprimé de la transcription ou (3) inséré sans avoir été prononcé6.
12Lorsqu’une erreur était identifiée, il s’agissait en outre de déterminer de façon qualitative la source de l’erreur en se demandant : « Que se passe-t-il en situation lorsqu’une erreur est commise par le logiciel ? » Une liste de quinze sources d’erreurs a été rédigée selon cette méthode, sans connaître à ce moment-là la littérature informatique sur ces logiciels. En dépit de ces erreurs, le travail du logiciel a été évalué comme largement suffisant dans le cadre de ce projet, l’unité d’analyse du prototype étant le mot – le nom commun spécifiquement. Il est apparu que VoxSigma fournissait un environnement sémantique fiable ; il est ainsi toujours possible de savoir de quoi l’on parle et de dégager des champs thématiques de façon claire et précise.
13Néanmoins, au-delà de ce projet, une analyse détaillée de ces quinze sources d’erreurs est apparue comme importante à déployer plus avant, afin de contribuer aux réflexions sur les transcriptions automatiques, d’un point de vue sociologique et conversationaliste en particulier. En effet, après une recherche approfondie de la connaissance informatique sur les speech-to-text, il s’avère que l’évaluation a posteriori de ces logiciels est généralement réalisée à partir d’autres logiciels informatiques. Bien que ces derniers soient également entraînés à partir de transcriptions manuelles, ils génèrent des rapports d’erreurs de façon probabiliste, sans permettre d’identifier précisément les causes de ces erreurs, qui demeurent alors à l’état d’hypothèses. Au contraire, l’évaluation de ce speech-to-text en tant que sociologue, et non informaticienne, a permis de mieux cibler les causes des problèmes rencontrés pour les formuler à un niveau pratique, grâce au contact avec les sources d’origine, et d’appréhender les conséquences de nos conceptions de la communication et du langage sur la production des connaissances scientifiques.
- 7 Vocapia dispose d’une page Internet donnant accès aux PDF de nombreux articles renvoyant à l’état d (...)
14Dans le cadre de cet article, les quinze sources d’erreurs dégagées lors de l’évaluation préliminaire ont d’abord été confrontées aux descriptions publiques de VoxSigma fournies par Vocapia et aux observations trouvées dans la littérature computationnelle sur les speech-to-text 7. Il s’agissait d’examiner si la source des erreurs était envisagée et, auquel cas, de quelle façon celle-ci était traitée d’un point de vue informatique. Cette recherche a permis de comprendre la façon dont les informaticiens conçoivent le travail du logiciel et ses problèmes. D’un point de vue sociologique, les sources des erreurs relèvent de deux types de problèmes généraux de nature différente qui ne sont pas distingués dans la littérature computationnelle : (1) informatique : les problèmes générés par les limites des modèles du logiciel, (2) interactionnel : ceux liés à la conversation ordinaire, qui relève d’un modèle de communication praxéologique échappant à l’informatique.
15Le tableau suivant résume la liste des sources d’erreurs dressée lors de l’étape préliminaire (colonne 1) et montre à quel type de problème elles sont associées d’un point de vue informatique (colonne 2) et d’un point de vue sociologique (colonne 3). Je propose à présent d’examiner en détail ces deux types de problèmes successivement et d’ouvrir une discussion relative à ce qu’implique leur perception du point de vue informatique. Pour la sociologue, les lignes 1-10 du tableau renvoient au type 1 de nature informatique et les lignes 11-14 au type 2 de nature interactionnelle. Pour l’analyse de ce deuxième type, une comparaison détaillée avec des transcriptions à la façon des analyses de conversation est proposée. La ligne 15 est hybride et fait l’objet d’une discussion séparée avant la conclusion.
Tableau 1 : Liste des sources d’erreurs
|
Détermination qualitative de la source de l’erreur
|
Type de problème pour le logiciel d’un point de vue informatique
|
Type de problème pour le logiciel d’un point de vue sociologique
|
1
|
Vocabulaire spécifique
(technique, régional, anglicisme)
|
Dictionnaire
|
Type1-Informatique
|
2
|
Acronyme
|
Dictionnaire
|
Type1-Informatique
|
3
|
Chiffre
|
Dictionnaire
|
Type1-Informatique
|
4
|
Changement de langue
|
Reconnaissance de la langue
|
Type1-Informatique
|
5
|
Traduction
|
Reconnaissance de la langue/Qualité du signal
|
Type1-Informatique
|
6
|
Condition environnementale
(vent, pluie, bruits de fond)
|
Qualité du signal
|
Type1-Informatique
|
7
|
Gestion technique
(parler trop doucement, trop fort, trop près ou trop loin du micro)
|
Qualité du signal
|
Type1-Informatique
|
8
|
Séquence sonore non verbale
(musique, fou rire)
|
Événement acoustique
|
Type1-Informatique
|
9
|
Prononciation
(bégaiement, hésitation, écorchement d’un mot, débit fluctuant)
|
Manière de parler
|
Type1-Informatique
|
10
|
Énonciation de phrases dissociée de l’écriture standardisée
(répétition d’un mot, erreur grammaticale)
|
Manière de parler
|
Type1-Informatique
|
11
|
Énumération
|
–
|
Type2-Interactionnel
|
12
|
Chevauchement de paroles
|
Qualité du signal
|
Type2-Interactionnel
|
13
|
Interruption d’un locuteur
|
Qualité du signal
|
Type2-Interactionnel
|
14
|
Changement de locuteur
(alternance de tours rapides ou changement fréquent de locuteurs)
|
Qualité du signal/ Identification et labellisation des locuteurs
|
Type2-Interactionnel
|
15
|
Noms propres
|
Dictionnaire/Manière de parler/Identification et labellisation des locuteurs
|
Hybride
|
Liste des sources d’erreurs déterminées de façon qualitative et associées aux types de problèmes pour le logiciel d’un point de vue informatique et d’un point de vue sociologique
16Le premier type de problèmes rassemble les sources d’erreurs relatives aux modèles implémentés dans le système automatique de reconnaissance vocale8. Généralement, « tout speech-to-text est basé sur au moins deux modèles : un modèle acoustique (acoustic model) et un modèle linguistique (language model). Les systèmes contenant un vocabulaire conséquent disposent en outre d’un modèle de prononciation (pronunciation model) »9. Plus précisément, depuis un signal vocal (speech signal), le modèle acoustique permet au système d’associer les informations langagières captées à des sons (phones). Le modèle linguistique calcule, quant à lui, la probabilité et la fréquence de séquences de mots à produire en fonction des contraintes syntaxiques et sémantiques d’une langue. En principe, un speech-to-text comprend donc, en plus de ces deux modèles, un dictionnaire lexical ou « de prononciation » qui inclut tous les mots connus par le système et auxquels sont associés une ou plusieurs prononciations possibles. Ce type réunit donc les sources d’erreurs qui renvoient aux limites de ces modèles informatiques.
- 10 Le T renvoie au tableau et le chiffre réfère à la ligne de la source d’erreurs traitée dans la démo (...)
17Les mots qui ne sont pas pris en charge par le dictionnaire de prononciation se retrouvent logiquement mal transcrits. Dans le corpus évalué, il s’agit de termes peu usuels, tel « jarnidieu », techniques, tel « hypominéralisation », régionaux, tel « Lac Léman », et ceux venant d’une autre langue que le français comme « fake news » (T110). Face à ces cas, le speech-to-text fait des propositions probables en fonction de la prononciation pour compléter les phrases. Pour résoudre ces problèmes de vocabulaire, il suffit d’ajouter les mots manquant au dictionnaire du système. Le speech-to-text rencontre aussi des difficultés avec les éléments du langage qui ne sont pas des mots à strictement parler, tel les acronymes (T2), par exemple « COP21 », et les chiffres (T3), en particulier les grands chiffres, qui sont rapportés en chiffres justement et non en lettres : ainsi « 1200 » sera transcrit « 1000 200 ».
18Par ailleurs, ces modèles sont toujours spécifiques à une langue donnée. Il n’existe pas de logiciel universel. Pour qu’un mot d’une autre langue soit reconnu, il faut inévitablement qu’il soit intégré dans le dictionnaire de la langue avec laquelle le speech-to-text travaille. Concernant VoxSigma, il est possible de renseigner la langue avant de démarrer les transcriptions. Dans les cas où elle ne serait pas connue, VoxSigma dispose d’un composant de reconnaissance automatique de la langue parlée (automatic spoken language recognition), capable d’identifier quarante langues différentes à partir d’un signal vocal11. Cependant, une fois le système lancé dans une langue, celui-ci ne fait pas marche arrière. Jusqu’à récemment, les chercheurs partaient du principe qu’un document audio ne contenait qu’une seule langue (Gauvain et al., 2019, p. 82), ce qui est loin d’être toujours le cas.
19Dans la littérature, la question se pose maintenant en termes de multilinguisme (p. 82) et de code-switching (Barras et al., 2020). Les cas de code-switching sont courants et peuvent être discrets en apparaissant au beau milieu d’une phrase (Barras et al., 2020, p. 1). Dans le corpus évalué, la seule mention du titre d’un livre dans sa langue originale relève d’une situation de code-switching pour le système, par exemple The Physics of Heaven a été transcrit « les ex-à 20 » (T4). Les contextes multilingues sont particulièrement problématiques car des séquences entières peuvent être énoncées dans des langues différentes de la langue principale ou des dialectes (Gelly et al., 2016).
20La Suisse étant un pays multilingue, le corpus évalué était susceptible de poser ce genre de problème au logiciel. Néanmoins, il renvoie à des émissions diffusées sur les grandes chaînes publiques nationales. Les énonciations en langues non-françaises y sont traduites d’une manière ou d’une autre et, le plus souvent, vocalement, ce qui est incontournable pour la radio. Sur la bande-son à transcrire, les débuts de phrases sont énoncés dans une autre langue (nationale ou étrangère) ; le logiciel ne reconnaît alors pas le changement en cours de route et fait des propositions erronées en français ; puis, une voix en français se superpose à la voix principale. En principe, le speech-to-text se cale sur la voix-off en français, ce qui produit des phrases cocasses en raison des propositions problématiques de départ (T5).
21Ce problème lié aux traductions ne semble pas encore avoir été relevé dans la littérature. C’est qu’il se mêle à un autre problème relatif à la qualité des enregistrements : avec la traduction voix-sur-voix, le logiciel doit transcrire un signal vocal brouillé ; or la qualité des transcriptions dépend largement de la clarté de ce signal. La problématique des « conditions de recueil des sources orales » n’est pas propre aux speech-to-text, elle concerne tout logiciel d’aide aux transcriptions (Rioufrey, 2018, p. 103). Il existe ainsi des instruments spécialisés qui permettent de traiter la qualité du signal vocal (p. 103), mais les speech-to-text ne disposent pas de tels outils intégrés à leur système et doivent par conséquent être combinés à d’autres logiciels.
22Dans la littérature informatique, la question se pose pour les sources présentant beaucoup de bruits de fond qui perturbent la réception du signal audio. VoxSigma multiplie effectivement les erreurs pour les reportages en extérieur avec des bruits de vent ou de pluie (T6). Il en va de même lorsqu’une personne parle très doucement, trop près ou trop loin du micro (T7). La littérature fait également mention d’« événements acoustiques » qu’il faudrait pouvoir identifier ; dans le cas des données autour du terrorisme, il s’agit de bruits d’explosion, de coups de feu ou de mitrailleuses (Gauvain et al., 2019, pp. 87-88). VoxSigma se restreint à la parole et ne labélise pas les autres types d’événements acoustiques. Les fous rires ou la musique sont considérés comme des pauses, indiquées par des blancs laissés dans la transcription, qui ne permettent pas aux lecteurs de savoir pourquoi la parole s’arrête (T8). Lorsqu’il s’agit de chansons, il peut arriver que le logiciel saisisse des mots à la volée qu’il place au milieu des pauses. À nouveau, ce point est relevé dans l’article consacré aux défis posés par les données relatives à la propagande terroriste pour lesquelles « la partition de la parole est perturbée par la présence forte de psalmodies et de prédications qui peuvent facilement être prises pour de la parole » (p. 86).
23Cette dernière contribution se révèle particulièrement intéressante en ce qu’elle s’appuie sur des données mettant les speech-to-text à l’épreuve. Ce type de données est peu utilisé pour tester les logiciels alors même qu’il éclaire nettement leurs faiblesses. Les sources médiatiques sont d’ordinaire privilégiées, le son faisant l’objet d’un travail conséquent et les problèmes de qualité étant mineurs en comparaison d’autres types de sources. Néanmoins, d’un point de vue qualitatif, ces éléments se retrouvent aussi dans les productions médiatiques et, lorsqu’ils sont présents, mettent le logiciel en difficulté. Selon Vocapia, la reconnaissance vocale comporte toujours des erreurs, « la précision des transcriptions [étant] fortement dépendante du locuteur, du type de discours et des conditions environnementales »12. La dépendance au locuteur est en effet fondamentale, le logiciel n’étant pas seulement sensible aux « bruits » mais aussi aux manières de parler, dont les singularités vocales et discursives qui s’éloignent trop d’une version standardisée de la langue. Les erreurs les plus fréquemment rencontrées dans l’évaluation de VoxSigma relèvent précisément de ces singularités vocales (T9-10).
24Ces singularités ont été bien documentées par Rioufreyt :
accents locaux plus ou moins prononcés, variation dans la modulation de la voix (voix chevrotante de certaines personnes âgées, énonciation dans des situations affectives critiques : pleurs, angoisse, sidération, etc.), problèmes de diction (déformation palatine, bégaiement, zozotement), etc.
25On peut compter aussi les personnes qui « ont tendance à mâcher leurs mots » (2018, p. 102). Dans le cas des speech-to-text en particulier, les fautes de français posent également des problèmes. Dans le corpus évalué, les accents, nombreux en Suisse, n’ont pas systématiquement fait multiplier les erreurs ; la transcription des personnes dotées d'un fort accent mais qui articulent bien et usent d'un débit lent, sans commettre d'erreurs grammaticales peut être excellente. En revanche, la parole de personnes présentant un faible accent mais qui multiplient les hésitations sera très mal transcrite. Certains mots difficiles à prononcer sont parfois reconnus par l’oreille humaine, bien que la transcription automatique en produise une transcription fautive, tel « ecclésiastique ».
26Dans la littérature informatique, cette question du comment l’on parle et des dimensions « paralinguistiques » du langage est considérée du point de vue des émotions mais aussi, par exemple, des modifications de la voix lorsque l’on est enrhumé (Wagner et al., 2017). En résumé, une chose est sûre ; les modèles informatiques ne sont pas adaptés aux données comprenant de trop nombreuses singularités. C’est ce que soulignent Gauvain et al. pour les données relatives au terrorisme qui comportent
de forts accents et des locuteurs non natifs qui sont la sources de nombreuses erreurs. Les discours contiennent aussi beaucoup d’hésitations et d’erreurs grammaticales qui ne concordent pas avec les modèles linguistiques (2019, p. 86).
27De façon centrale, les speech-to-text peinent face à tout ce qui s’écarte d’une standardisation de la langue basée sur sa « raison graphique » (Goody, 1979). Les logiciels cherchent en effet à produire un texte quasi-littéraire et, pour ne commettre aucune erreur, ils auraient besoin d’un locuteur qui parlerait, littéralement, comme un texte13. Le présentateur (anchor speaker) d’un journal télévisé ou radiophonique constitue donc le prototype du locuteur idéal pour VoxSigma14 : il lit son prompteur avec le minimum d’accent et d’émotion possible et dans un environnement sonore aseptisé. En bref, tous les phénomènes à transcrire qui s’éloignent d’un discours préparé à l’avance et lu oralement – toute forme de text-to-speech – posent des problèmes au speech-to-text.
28Le second type de problèmes concerne l’identification et la gestion des interactions par le speech-to-text, qui devient fort imprécis lorsqu’il doit gérer des chevauchements de parole (T12), des interruptions (T13), des alternances de tours de parole rapides et des changements fréquents de locuteurs (T14). Cela concerne tous les phénomènes faisant intervenir une organisation se rapprochant de la conversation ordinaire ; la machine a tendance à les considérer comme du bruit. Si l’anchor speaker fait office d’idéaltype, c’est non seulement parce qu’il lit un discours écrit mais aussi parce qu’il est seul à parler.
29Les difficultés posées par la conversation pour les speech-to-text sont reconnues par les informaticiens. Vocapia prévient ses clients ; les résultats obtenus seront nettement moins précis pour les sources qui contiennent des conversations très informelles15. Lamel et al. indiquent aussi que les comparaisons du taux de mots erronés produits par le logiciel entre les années 2010 et 2011 sont bancales, parce que les corpus récents contiennent une proportion beaucoup plus grande de discours conversationnels (2011, p. 128). Un seul texte de la littérature computationnelle porte sur des données conversationnelles uniquement, en l’occurrence des échanges téléphoniques dans un contexte marketing (Clavel et al., 2013). Les auteurs y proposent le développement le plus étendu que j’ai pu lire sur les dimensions « spontanée » et « interactive » de la conversation et des problèmes qu’elles posent aux logiciels. De manière significative, l’accent est mis sur « le risque constant de détérioration dans la qualité de l’élaboration du message, incluant la prononciation et la syntaxe » (p. 5). Ce « risque de détérioration » provoqué par la conversation est catégorisé comme relevant du même type de problèmes que les bruits environnementaux. La littérature informatique ne différencie donc pas les problèmes qui touchent spécifiquement à l’interaction. C’est pourquoi il convient de montrer en quoi ils diffèrent fondamentalement des problèmes de type 1.
30Afin d’exhiber la façon dont VoxSigma prend en charge les interactions, j’ai sélectionné quatre extraits dans les sources médiatiques du corpus d’origine que j’ai transcrits de façon manuelle, afin de les comparer aux transcriptions automatiques. Ces extraits ont été choisis en raison du décalage qu’ils produisaient à l’endroit de ma perception entre la lecture des textes à évaluer et mon contact avec le matériau médiatique. Ces transcriptions ont été réalisées sur la base des conventions mobilisées par l’analyse de conversation (AC), puisque cette approche vise à appréhender la conversation en tant que « phénomène ordonné » (Mondada, 2008, p. 882).
31En outre, la conception du langage qui habite l’AC se situe à l’opposé de celle qui forme les modèles informatiques du text-to-speech-to-text. Cette conception informatique du langage renvoie en effet à un modèle de communication que Quéré qualifierait de « représentationniste » ou d’« épistémologique », pour lequel la communication serait « une affaire d’acquisition, de transmission et de traitement de l’information, c’est-à-dire d’élaboration, de diffusion et de réception de représentations » (1991, p. 73). Selon un tel modèle, l’acte de communiquer reviendrait « à susciter chez un destinataire des représentations ou des idées semblables à celles qu’il y a dans l’esprit de celui qui délivre le message » (p. 73). On reconnaît bien la forme du langage informatique qui fonctionne « en termes de codage et de décodage de messages » pour garantir une « réussite de la communication » (p. 73), renvoyant ainsi à la logique-même des modèles automatiques. De plus, cette approche de la communication fait écho au modèle de langage projeté par les informaticiens sur le déroulement des échanges langagiers humains. Cette projection transparaît dans leur façon d’appréhender la conversation comme un bruit qui détériore le signal du message à transmettre et décrypter, pas seulement pour le logiciel, mais aussi entre locuteurs, ce message constituant l’objet que la machine aurait pour objectif d’extraire et de transcrire.
32Cette « posture d’objectivation » (p. 74) tend à faire voir les transcriptions automatiques comme disposant d’une certaine indépendance à l’égard des sources. Selon cette posture, le processus de « conversion » opéré par le logiciel ne transformerait pas en soi le message qui circule ; le message convertit en texte serait le même que celui énoncé, d’où la perception d’une forme d’autonomie de la transcription à l’égard de sa source. De façon significative, les premiers fichiers transmis par VoxSigma ne contenaient pas les liens aux émissions-sources ; j’ai dû formuler une demande pour que chaque transcription comporte des métadonnées me renvoyant aux sources médiatiques. Or cette autonomisation contribue à dé-situer et dé-temporaliser le langage ; elle procède à une désindexicalisation.
- 16 Cette « indissociabilité entre données primaires et secondaires » (Mondada, 2007, p. 145) n’impliqu (...)
33À l’inverse, les transcriptions de type AC rendent justice à une « dimension praxéologique » (Mondada, 2008, p. 888) du langage, en considérant le texte transcrit comme indissociable des sources, garantissant « un travail effectué en référence constante aux données enregistrées » (2007, p. 145)16. Pour les conversationalistes, les pratiques d’analyse et de transcription sont tout aussi indissociables et elles demandent de « travailler sur des données dont on a une connaissance approfondie » (Mondada, 2008, p. 884). Le « modèle de communication praxéologique » qui anime l’AC renvoie alors à une conception du langage, non plus comme un message circulant d’un point A à un point B, mais bien plutôt comme « une activité conjointe » (Quéré, 1991, p. 76) accomplie en situation. Au niveau des transcriptions, on passe d’un modèle épistémologique qui produit un texte sous des « formes isolées, plus ou moins idéalisées » à un modèle praxéologique qui montre des « formes-dans-le-temps » et « des formes pour l’action structurées par leur processus d’émergence » (Mondada, 2007, p. 145).
34Par conséquent, l’AC contribue à « re-temporaliser et re-situer le langage » (Mondada, 2007), en privilégiant des transcriptions qui préservent au mieux les marques de l’oralité plutôt que les règles standardisées de l’écrit, en respectant les longs silences, les pauses au milieu d’une phrase ou d’un mot, les intonations, les chevauchements ou encore les interruptions. Le résultat est nécessairement peu lisible sans un accès aux sources et sans un entraînement à lire ces conventions. En cela, les transcriptions AC sont bien opposées aux transcriptions des speech-to-text ; ces logiciels privilégient le respect de la grammaire standard qui « offre davantage de lisibilité et permet les analyses automatiques basées sur des conventions orthographiques standards » (Rioufreyt, 2018, p. 109). En revanche, on va le voir, les transcriptions AC rendent les interactions, sinon lisibles, du moins visibles, alors que les transcriptions automatiques les dissolvent et les font disparaître.
- 17 « Climat : la grande hypocrisie ? », émission Infrarouge du 19 décembre 2018 : https://www.rts.ch/p (...)
- 18 Pour les renvois dans les analyses, STT ou AC désignent le type de transcription et le chiffre réfè (...)
35Parmi les quatre extraits sélectionnés, les trois premiers renvoient à des moments différents d’une même émission de débat télévisée17. Le premier correspond à l’introduction de l’émission par le présentateur qui produit un type de discours fort proche de celui de la figure de l’anchor speaker, parfaitement adaptée à VoxSigma. Tenant ses promesses, le logiciel (STT) fournit un environnement sémantique général tout à fait fiable autour du « défi climatique »18 :
Figure 1 : Extrait 1 STT
Crédits illustration : Marine Kneubühler
36La forme générale de l’interaction, entre le présentateur bavard et le public absent, et donc muet, auquel le premier s’adresse, est similaire entre les rendus STT et AC ; les deux transcriptions produisent une forme visuelle en un bloc de texte :
Figure 2 : Extrait 1 AC
Crédits illustration : Marine Kneubühler
37On pourrait s’attendre à rencontrer cette forme également pour un journal télévisé. Dans le détail, il apparaît que l’activité discursive performée dans le format débat n’est toutefois pas exactement la même, puisqu’elle consiste, non pas à présenter une liste de thématiques, mais à présenter une seule thématique avec une liste d’invités et de points de vue. Cela donne à voir les problèmes rencontrés par le logiciel avec les noms propres (T15). Ici, plus d’un nom propre sur deux est faux ou non reconnu comme tel.
38Les autres erreurs commises par le logiciel relèvent uniquement des sources de type 1. Il s’agit des problèmes de langue (T4) – « Swiss Youth for Climate » (AC21) devient « Swiss Youssoupha clarinette » (STT16) –, de certains acronymes (T2) – « COP » (AC6) est transcrit « COB » (STT5) – et de prononciation (T9). On trouve deux exemples de cette dernière sorte ici : le tout premier mot énoncé comporte une forte intonation montante, il est tronqué en son centre et la fin est fortement accentuée (« no/- (.)tre » AC3) – le logiciel l’ignore (STT2) – et le chiffre 24 après « COP » (« vingt-qua::tre » AC6) est prononcé avec un allongement syllabique et se termine par une accentuation – le logiciel propose « vendu 15 votre » (STT5). Par ailleurs, les événements acoustiques (T8) non langagiers (générique musical et applaudissements AC1-2) ne sont pas signifiés par le logiciel.
39Le deuxième extrait intervient quelques secondes après cette introduction. Par contraste, il rend visible l’effacement de l’interaction dans les transcriptions automatiques. Dans la version STT, cet extrait se lit en deux blocs reliés à deux locuteurs masculins :
Figure 3 : Extrait 2 STT
Crédits illustration : Marine Kneubühler
40Il y a bien deux locuteurs masculins qui échangent à ce moment-là de l’émission. En revanche, la forme de l’interaction ne correspond pas à deux prises de parole clairement distinguables l’une de l’autre. La transcription AC restitue l’interaction sous une tout autre forme que le STT, autorisant même à distinguer plusieurs types d’activités et de séquences qui se jouent entre les deux interlocuteurs. Au niveau sémantique, STT1-11 renvoie à AC1-14 et STT12-17 à AC16-30.
Figure 4 : Extrait 2 AC
Crédits illustration : Marine Kneubühler
41Visuellement, il est très clair que les deux blocs rendus par le STT mélangent l’alternance des tours de parole des deux locuteurs. Tout d’abord, on observe dans la version AC que le présentateur initie au sein de son tour une séquence de salutations composée de deux « paires adjacentes » (Sacks et al., 1974, p. 710) avec un invité désigné (AC2-8). Il introduit cette séquence en faisant d’abord allusion à l’invité par la mention indirecte de sa présence et de son statut de « prix Nobel » (AC2-3). Puis, il ouvre une paire de salutations en l’interpellant nommément : « bonsoir Jacques Dubochet » (AC4). L’invité complète cette paire adjacente et ratifie l’interpellation en répondant « mais bonsoir » (AC5). Sans pause, le présentateur produit une nouvelle paire adjacente liée de type question/réponse avec « vous allez bien/ » (AC6), aussi ratifiée par l’invité qui répond « très bien » (AC7), permettant ainsi au présentateur de clore cette séquence (« tant mieux » AC8). Après une pause, il peut alors entamer la formulation d’une plus longue question sur le topic du débat. Cette séquence interactive a complètement disparu dans la version du STT et les mots qui la composent sont proposés linéairement dans le tour du présentateur (STT3-5).
- 19 Une « transcription multimodale » (Mondada, 2007, p. 151) montrerait que l’invité utilise aussi son (...)
42Il en va de même pour l’autre séquence qui correspond à une activité à réaliser sur le plateau, au moment où l’invité complète la nouvelle paire de question/réponse ouverte sur le topic du débat. Pour l’invité, il s’agit de faire comprendre au présentateur que c’est le moment d’afficher un graphique pour accompagner son explication, un graphique qui n’est pas encore « là » (AC18). De façon intéressante, le déictique, qui renvoie typiquement à la dimension située du langage, est absent de la version STT (15). Sans entrer dans le détail conversationnel, auquel on devrait ajouter une dimension multimodale pour compléter l’analyse19, on remarque déjà que l’absence du graphique qui « devrait être là » fait produire aux deux locuteurs des chevauchements (AC18-19 ; 20-21 ; 22-23 ; 25-26) et des enchaînements de tours rapides (AC27-29) que le STT ignore. Comme pour la séquence de salutations, le logiciel fond les mots captés dans un seul tour de parole (STT12-17) qui est différencié du premier bloc, probablement en raison du temps de pause (AC15) que l’invité marque avant de produire sa réponse. Le STT reconnaît seulement que le locuteur qui précède la pause n’est pas le même que celui qui reprend ensuite la parole.
43Le troisième extrait est fort intéressant parce que sa version STT montre une alternance de tours de parole plutôt rapide qui, visuellement, évoque une forme interactive entre plusieurs locuteurs, d’une durée de 1’34 minutes. Le logiciel distingue neuf blocs qui seraient produits par cinq locuteurs différents, deux femmes (FS9 et FS8) et trois hommes (MS16, MS14 et MS3) ; deux hommes se voient attribuer trois blocs chacun (MS16 et MS14).
Figure 5 : Extrait 3 STT
Crédits illustration : Marine Kneubühler
44La version AC restitue le fait qu’il s’agit d’un moment très intense de débat où quatre locuteurs – et non cinq, dont une seule femme – s’interrompent beaucoup, notamment après qu’un invité se soit auto-sélectionné (AC7) pour rebondir au propos d’une autre invitée (AC1), elle-même coupée par le présentateur (AC2-3). En fait, la machine a dédoublé deux locuteurs – PAX, identifié MS16 (STT5-6) et MS3 (STT38-40) et IAT, identifiée FS9 (STT1-2) et FS8 (STT32-35) – et en a fait disparaître un autre, IBG, aussi identifié MS16 (STT19 ; 27-29), comme PAX. IBR correspond plus ou moins à MS14 (STT9-10 ; 13-16 ; 22-24). Cette dernière approximation tient au fait qu’aucun de ces neuf blocs, à l’exception des deux blocs successifs de MS14 (STT9-10 et 13-16), ne correspond en réalité au tour d’un seul locuteur.
Figure 6 : Extrait 3 AC
Crédits illustration : Marine Kneubühler
45Habituellement, les participants à un échange font « en sorte qu’un seul locuteur parle à la fois » (Sacks et al., 1974, p. 729) et produisent « des mécanismes de réparation » (p. 701) quand ce n’est pas le cas. Le problème conversationnel qui se pose dans cet extrait tient au fait que l’auto-sélection d’un invité, rare dans le cadre d’un débat modéré par un présentateur, est autorisé par PAX : « oui Bernard Rüeger » (AC9). Il permet alors à IBR de développer la séquence la plus longue de l’extrait sans interruption (AC10-16). Cette exception ouvrira la voie à des tentatives multiples d’auto-sélection au lieu de faire place à des réparations.
46Ce genre de phénomène interactionnel extrême, y compris pour la conversation, fait généralement dérailler la machine. Celle-ci montre bien une forme interactive dans sa transcription mais génère en réalité une apparence d’interaction. Sept blocs de la version STT fondent en leur sein le contenu de plusieurs locuteurs différents : STT1-3 correspond à AC1-4 (IAT et PAX), STT5-6 à AC5-9 (PAX et IBR), STT19 à AC17-20 (PAX, IBG et IBR) – ici le STT confond donc trois participants dans une seule ligne – , STT22-24 à AC21-25 (IBR et PAX), STT26-30 à AC27-34 (IBR et IBG), STT31-36 à AC35-47 (les quatre locuteurs) et STT38-40 à AC49-52 (IBG et PAX). Deux lignes qui se trouvent dans la version AC (26 et 48) sautent complètement de la version STT ; les deux renvoient à des tentatives d’auto-sélection par IBG qui est ignoré par les autres locuteurs et le présentateur en particulier. Enfin, y compris au sein du seul tour sans interruption, le logiciel produit une bizarrerie et le divise en deux, alors même qu’il ne comprend pas une pause plus longue qu’ailleurs (le saut de ligne STT12 renvoie à la seconde micro-pause de AC11).
47Le dernier extrait sort de la forme débat et renvoie à une émission scientifique destinée aux enfants20. Toutes les transcriptions STT qui concernent cette émission-ci sont médiocres, voire très mauvaises. D’abord, parce qu’on y trouve beaucoup de voix d’enfants qui n’entrent pas dans les manières standardisées de parler, mais aussi parce que les locuteurs adultes y performent des séquences qui simulent des formes de conversation spontanée. Dans l’extrait en question, les deux protagonistes, l’animateur et une experte, produisent une explication ludique sur une technique pour compter des poissons dans un lac. Au niveau sémantique, on reconnaît la thématique de la pêche, mais elle se trouve mêlée à des termes n’ayant rien à faire là, par exemple « police » (STT21), « vaccins » (STT27) ou « Qatar » (STT31). Le logiciel, perdu par les transitions conversationnelles, fait des propositions probables pour remplir les blancs :
Figure 7 : Extrait 4 STT
Crédits illustration : Marine Kneubühler
48La version AC de cet extrait est plus courte que celle du STT présentée et s’arrête à STT7 :
Figure 8 : Extrait 4 AC
Crédits illustration : Marine Kneubühler
49À partir de ce court extrait AC, on perçoit déjà distinctement la disparition de la forme conversationnelle dans la version STT. Pourtant, il n’y a aucun chevauchement, ni aucune interruption, et les enchaînements rapides ne sont pas toujours la règle. En outre, c’est un échange non seulement très facile à comprendre – il est fait pour des enfants –, mais aussi à transcrire, en comparaison de l’extrait 3 qui est particulièrement exigeant pour le transcripteur humain. La suite de l’extrait AC, dans sa forme visuelle, aurait été très proche, avec un échange parfaitement équilibré entre l’animateur et l’experte. Or on voit dans la version STT que le logiciel ne reconnaît même plus la différence entre la voix féminine et la voix masculine et transcrit un échange erroné au niveau des tours de parole entre deux locuteurs masculins (STT10-32).
- 21 VoxSigma est pourtant jugé performant pour transcrire la « parole spontanée » (Tancoigne et al., 20 (...)
50Cet extrait est fort utile pour mettre en évidence la spécificité des problèmes de type 2 par rapport à ceux du type 1, deux types que la littérature computationnelle regroupe. À la rigueur, elle considère la conversation comme un amplificateur des problèmes de prononciation mais au même titre que les singularités vocales. Or on peut imaginer qu’une personne puisse s’entraîner à parler de façon standardisée – pour lisser son accent, sa prononciation et ne pas produire d’hésitations – afin de permettre au logiciel de mieux la transcrire. En revanche, l’extrait 4 montre que même une conversation manifestement préparée à l’avance et millimétrée dans son rendu, qui simule donc la dimension spontanée de l’échange, ne permet pas à la machine de mieux s’en sortir21.
51Dès lors, on peut qualifier ces problèmes de type 2 de séquentiels. Ils concernent cependant des séquences différentes de celles calculées par le modèle linguistique. En effet, l’unité de ces séquences-là est bien le mot, comme l’emploi d’un dictionnaire pour le système le suggère. Or le genre de séquence concerné par ce second type de problèmes est bien plutôt la séquence ayant pour unité d’analyse le tour de parole au sens conversationaliste, qui « n’est pas une unité grammaticale comme un énoncé, une phrase, mais une unité interactive co-construite par les conversants » (Relieu & Brock, 1995, p. 82). Ainsi, l’environnement sémantique, qui est l’objet à transcrire pour le logiciel, n’est pas l’environnement séquentiel que les transcriptions AC permettent de visualiser. Les séquences de mots probables calculées par le modèle linguistique du speech-to-text ne correspondent aucunement aux séquences interactives concrètes localement réalisées par les locuteurs. Bien plus, ce modèle les fait disparaître. Il est ainsi possible de saisir que les compétences langagières de la machine se situent dans un monde différent de celui des compétences humaines ; comprendre pour l’humain ne signifie pas « comprendre » pour la machine.
52En effet, d’un point de vue praxéologique, un discours produit en interaction est toujours exprimé de sorte à présenter une orientation et une sensibilité à son ou ses destinataires (Sacks et al., 1974, p. 727) et non à un décodeur. Dans la compréhension ordinaire du langage, l’organisation des tours de parole, déterminée de manière interactive, prime sur la compréhension des phrases (p. 728). L’extrait 2, avec l’allocation du tour à l’invité par le présentateur au sein de séquences de salutations et de question/réponse fait apparaître que ce qui importe pour les interactants à ce moment-là ne tient pas au contenu d’un message – qui en l’occurrence est strictement d’ordre phatique et sans importance pour le topic du débat – mais de rendre possible une prévisibilité (projectability) des tours suivants qui se compose sur le moment, dans ce cas, pour un public. Sacks et al. le disent bien : « quand une question adressée requiert une réponse de la part du participant concerné, c’est le système d’alternance des tours, plutôt que les fonctions syntaxiques ou sémantiques de la question, qui requiert une réponse qui vient ensuite » (p. 725).
53Cette prévisibilité est précisément ce qui permet la construction du tour de parole comme unité pertinente pour les interactants :
La caractéristique principale des unités qui servent à construire un tour est donc qu’elles permettent une projection de l’unité type en cours (une question, une réponse, une acceptation, etc.) ; le destinataire/locuteur suivant peut ainsi ‘analyser’ au fur et à mesure de la production du tour ce en quoi il consiste et quelle est sa fin possible ; le locuteur en cours peut ainsi livrer par avance des indications sur l’emplacement possible d’un changement de locuteurs (Relieu & Brock, 1995, p. 82).
- 22 Ainsi, dans les règles listées par Sacks et al. (1974) plusieurs ont cette forme : « … n’est pas fi (...)
54Prévisibilité ne veut pas dire programmé ou programmable, parce que cette forme d’anticipation a toujours lieu de manière endogène à l’action. Ainsi, contrairement au premier type, il semble que ce problème ne puisse être résolu par une amélioration des modèles actuellement implémentés dans le système automatique. En effet, l’interaction n’obéit pas à la logique épistémologique qui prévaut à leur conception ; elle a trait à un tout autre système, celui de l’« alternance des tours de parole » qui « est un système pour des “séquences de parole” » (Sacks et al., 1974, p. 710) ; celles-ci résistent aux définitions a priori, car elles relèvent d’un « accomplissement pratique des membres » (Mondada, 2008, p. 888). Ce système interactionnel a beau être appelé « machinerie » (Sacks et al., 1974, p. 725) en raison de sa systématicité, la mise en pratique de ses règles constitutives peut difficilement être anticipée « de manière exogène » (Mondada, 2008, p. 888), comme l’exigerait toute machine programmée selon un modèle de communication épistémologique. Autrement dit, la spécificité de ces règles se loge dans leur possibilité d’être reconnue dans le déroulement même de l’échange tout en pouvant connaître de nombreuses variations en fonction de la singularité de chaque situation22. La question se pose alors : dans quelle mesure pourrait-on concevoir des modèles informatiques selon une logique praxéologique, capable d’embrasser ce point de vue endogène à l’interaction ?
55Ces deux types de problèmes rencontrés par le logiciel clairement identifiés, il reste un cas à examiner qui est difficilement classable par l’un ou l’autre : les erreurs dues à l’énonciation d’un nom propre (T15). Ce problème relève a priori d’une question de vocabulaire, et donc du type 1. Pour une part, cela semble être le cas. Ainsi les personnes célèbres sont avantagées (Bredin et al., 2012, p. 387), parce qu’elles sont susceptibles d’être référencées dans les dictionnaires de prononciation. C’est certainement le cas de Jacques Dubochet, par exemple, qui, en tant que Prix Nobel de chimie est bien transcrit (voir extraits 1 et 2). Cependant, il peut aussi arriver que des célébrités voient leur nom propre écorché.
56La transcription automatique des noms propres constitue un problème majeur et largement considéré par la littérature computationnelle, qui rapporte des taux d’erreurs énormes en comparaison des transcriptions manuelles, allant de 17 % d’erreurs pour ces dernières jusqu’à 75 % pour les logiciels (Bredin, Roy et al., 2014, p. 2 ; Bredin, Laurent et al., 2014, p. 1). Poignant et al. (2014) identifient trois sources d’erreurs probables : la prononciation, la « détection des noms proches de mots de la langue courante » et « la difficulté d’extraire le nom complet d’une personne alors qu’une partie seulement a été prononcée (par exemple, seulement le prénom) » (p. 49). La transcription automatique des noms propres est traitée séparément dans la littérature parce qu’elle est intimement liée à la problématique de l’identification des locuteurs, qui touche plutôt aux problèmes de type 2. On a bien vu que les changements de locuteurs relevaient de la problématique conversationaliste de l’alternance des tours de parole et que le logiciel n’était pas fiable sur ce point, non seulement pour identifier le tour comme une unité, mais aussi pour labelliser le tour automatiquement reformaté, en l’occurrence en fonction du genre supposé du locuteur.
57Vocapia le souligne, poser un label par rapport à une voix (speaker recognition) ne relève pas du même type de travail informatique que la reconnaissance vocale qui transcrit un discours. Ainsi, le terme voice recognition devrait être évité pour qualifier le travail du speech-to-text23. La labellisation relève d’une tâche spécifique, appelée speaker diarization, qui consiste à dégager automatiquement une structure du flux des voix en regroupant les tours d’un même locuteur, ce qui est utilisé notamment à des fins d’archives (Tran et al., 2011, p. 28). Dans un même document audio, il serait ainsi possible de connaître tous les endroits où un locuteur particulier intervient. Bredin, Roy et al. le précisent, cette tâche ne se préoccupe pas de l’identité réelle d’un locuteur, qui reste anonyme, car elle répond à un problème de regroupement (clustering) des tours de parole (2014, p. 9).
58La diarization n’est dès lors pas suffisante pour l’identification des locuteurs et la littérature regorge de solutions inventives et complémentaires pour procéder à cette identification. Quatre modalités sont utilisées : la diarization à partir des fréquences acoustiques de la voix ; le nom prononcé qui se trouve dans les transcriptions automatiques ; le nom écrit en superposition sur les images ; et les visages via des logiciels de reconnaissance faciale (Bredin et al., 2012, pp. 386-387). La mise en commun de ces quatre modalités est complexe, car chacune dispose de sa propre temporalité (p. 390), le nom prononcé ne correspondant pas nécessairement à la personne qui parle ou à celle que l’on voit à l’écran. Certaines recherches visent ainsi à calculer la probabilité qu’un nom prononcé se réfère au tour en cours, au suivant ou au précédent (Bredin, Laurent et al., 2014, p. 3). On imagine bien les limites qu’une telle probabilité peut rencontrer quand on sait comment le logiciel gère avec difficulté les tours de parole.
59Différentes combinaisons de ces modalités ont été testées dans la littérature. L’option qui fonctionne le mieux sur le plan statistique consiste à combiner la voix, le nom écrit et le visage (Bredin et al., 2012). Les chercheurs soulignent unanimement que le nom prononcé, qui doit recourir aux transcriptions d’un speech-to-text est la moins fiable. Cette solution est même systématiquement écartée des combinaisons. Certains testent une solution alternative, qui obtient toujours de meilleurs résultats, comme les extractions automatiques des textes superposés aux images (Poignant et al., 2012) et d’autres utilisent les transcriptions manuelles des données analysées afin de, tout de même, intégrer les noms prononcés dans des combinaisons avec la voix et les noms écrits (Bredin, Roy et al., 2014).
60Pour contourner ce problème lié aux difficultés du speech-to-text avec les noms propres, Roy et al. (2015), eux, proposent de s’intéresser aux rôles des locuteurs – par exemple journaliste – qui pourraient être identifiés dans les transcriptions automatiques à partir de l’environnement sémantique général. Ils obtiennent de meilleurs scores en termes d’identification des locuteurs par rapport à la méthode recueillant les noms prononcés. Cette solution les amène d’ailleurs à observer deux phénomènes intéressants : les singularités vocales, telles que les hésitations et les « euh » ou « hum », que le logiciel lisse par défaut, ont une grande importance pour l’identification d’un locuteur (p. 1380) ; les logiciels sont configurés comme s’il n’y avait qu’une seule personne qui pouvait parler à la fois à un instant t (p. 1385). Ils touchent ainsi du doigt à la fois à la problématique de la standardisation du langage et à celle de la conversation, mais sans relever leurs spécificités.
61En somme, les informaticiens s’efforcent de résoudre cette problématique du nom propre et de l’identification des locuteurs en cherchant des solutions externes au speech-to-text, manifestement parce que ce n’est pas un problème de type 1 qui pourrait être résolu en agissant directement sur les modèles informatiques. On peut ainsi émettre l’hypothèse que cette problématique relève d’un problème séquentiel pour la machine. Ainsi, l’extrait 1 montre que les noms propres sont souvent prononcés dans le cadre d’activités spécifiques localement situées : dans ce cas, produire une énumération (T11) pour informer un public. Or les énumérations apparaissent au sein d’un environnement séquentiel donné. Dans l’extrait 1, il s’agit d’une séquence préliminaire spécifique dans le cadre d’un échange médiatique et institutionnel : présenter les intervenants à un débat et indiquer à quel titre ils vont parler, leurs institutions de rattachement et le point de vue qu’ils vont défendre (Relieu & Brock, 1995, p. 104). À l’inverse, les énumérations ne correspondent pas à la composition d’une phrase standard. De façon générale, l’on peut aussi supposer que la mobilisation d’un nom propre répond à des règles séquentielles, que ce soit pour produire une interpellation ou pour faire référence à un tiers absent ; ce qui pourrait expliquer qu’ils soient si mal gérés par le logiciel, en plus des raisons de type 1 évoquées par Poignant et al. (2014).
62Partant des enjeux qui entourent les transcriptions, cet article s’est efforcé de les penser comme des formes de traduction de la parole orale afin d’appréhender les conséquences de ces traductions quant à leurs usages. La mise en vis-à-vis de deux techniques divergentes de transcription des mêmes sources a permis de mettre en lumière les conséquences essentielles des choix effectués sur la production et l’analyse des données. Ainsi, il ne pourrait être raisonnable de prétendre proposer une analyse interactive à partir de textes qui, précisément, font disparaître l’interaction, en redoublant l’automation du langage d’une autonomisation à l’égard de son énonciation. En revanche, ces transcriptions automatiques, qui dessinent un monde sémantique fidèle, ont permis de mener à bien la recherche pour laquelle cette évaluation a été menée, le logiciel CompaSciences faisant reposer son analyse sur des unités sémantiques. En outre, l’équipe de cette recherche a trouvé, tout comme les auteurs rencontrés au point précédent, une solution externe au speech-to-text pour gérer la question du nom propre des experts, qui sont au cœur des « cartes sémantiques » développées : utiliser les métadonnées des transcriptions pour être en mesure de se passer des noms prononcés et fautivement transcrits. Pour reprendre le mot de Goody, tout est question de « conscience des limites et des possibilités inhérentes aux diverses techniques de l’intellect » (1979, p. 57).
63La problématique s’était ouverte sur la mise en visibilité des « chaînes de médiations » (Latour, 2006, p. 125) du logiciel, de manière à éviter un effet « boîte noire » pour les usagers des speech-to-text. C’est pourquoi j’ai choisi d’ouvrir cette boîte pour donner à voir les coulisses informatiques du logiciel, par le moyen d’une analyse des sources des erreurs commises, mais aussi grâce à la mise au jour du modèle épistémologique qui préside à sa conception. Il est apparu que la machine informatique transforme avec succès les règles grammaticales d’une langue en séquences de mots par le biais de son modèle linguistique. En revanche, elle demeure encore incapable de ressaisir la « machinerie de la conversation » produite grâce à un « ensemble de méthodes » incarnées qui permettent aux êtres humains de faire varier l’« environnement séquentiel » qu’ils coproduisent en s’ajustant mutuellement les uns aux autres en situation. Ce sont là deux modèles de la communication diamétralement opposés. Pour l’un, la conversation est un élément perturbateur au regard des modalités d’énonciation qui permettent un compte rendu selon les règles standardisées d’une langue. Pour l’autre, la conversation est considérée comme le système élémentaire de règles d’alternance des tours de parole sur lequel se fondent tous les autres systèmes d’échange plus contraints (Sacks et al., 1974, p. 729). Ainsi, ce n’est sûrement pas un hasard si l’analyse de conversation s’est développée dès le départ à partir de conversations téléphoniques et que celles-ci constituent, à l’inverse, la bête noire des informaticiens travaillant avec des speech-to-text.
64On l’a vu, les passages conversationnels animés, parfois exigeants à transcrire, étaient néanmoins accessibles à l’auditeur humain. Or Vocapia affirme que les difficultés rencontrées par le logiciel en regard de certains « styles de discours » posent également des problèmes aux « êtres humains » : « Les humains sont habitués à comprendre le langage, pas à le transcrire, et seul un discours qui est bien formulé peut être transcrit sans ambiguïté »24. En un sens, il est correct de dire que certaines compétences de transcription s’acquièrent par la pratique. En revanche, cet article montre qu’il existe une véritable asymétrie entre les compétences du logiciel et les compétences humaines au regard du langage : celle-ci relève de l’opposition entre les modèles épistémologiques et praxéologiques. Cela est vrai tant pour les phénomènes conversationnels que pour les singularités vocales qui, pour la large majorité d’entre elles, ne posent aucun problème à la perception humaine, qu’il s’agisse de comprendre ou de transcrire. Cette asymétrie est d’autant plus vraie qu’un humain peut s’entraîner et ainsi prendre l’habitude de transcrire certains phénomènes complexes. La machine peut elle aussi être entrainée mais, on l’a vu, son apprentissage et sa compréhension demeurent bornés aux limites de ses modèles informatiques, d’ordre épistémologique, et l’habitude conversationnelle constitue, au mieux, un horizon lointain pour elle.
65Par conséquent, bien que le questionnement de cet article ait pris pour fil conducteur les réflexions de Latour, je propose de terminer sur une conclusion contre l’anthropologie symétrique de Latour et son anti-phénoménologie. En effet, celui-ci définit son programme de recherche comme étant incompatible avec la phénoménologie « en raison du poids excessif des sources humaines de l’action chez les phénoménologues » (2006, p. 88). Latour semble toutefois émettre une erreur de catégorie dans sa prise de position : fondamentalement, il ne s’agit pas d’une question d’action – et méthodologiquement, le travail de transcription du logiciel a bien été mis sur le même plan que l’acte de transcrire de la sociologue. Ce qui est en jeu relève d’une question de perception, que Latour rejette en nous incitant à laisser « tomber toute cette opposition entre ‘point de vue’ et ‘vue de nulle part’ » (p. 211). Se débarrasser de la perception et, par conséquent, de la perspective, c’est le prix à payer pour mettre les objets au même niveau ontologique que les êtres humains. Or les objets n’ont pas d’yeux, ni le(s) sens de l’interaction, les logiciels non plus. Cela ne signifie pas qu’ils n’ont aucun rôle à jouer en tant qu’actant pour le travail scientifique, bien au contraire, cet article en rend compte.
66Les analyses proposées par cet article ont été réalisées à partir d’une perception humaine à même d’effectuer le dé-pliage technique que Latour appelle de ses vœux. On pourra rétorquer que c’est un point de vue sociologique particulier qui n’est pas celui des informaticiens, capables de saisir le point de vue du logiciel. Néanmoins, ce sont eux qui implémentent leur point de vue dans celui de la machine à partir de possibilités techniques et qui suspendent leurs compétences de conversationnalistes ordinaires, en pensant pour elle, sur la base d’une conception épistémologique de la communication. En ce sens, cette suspension peut bien être vue comme une action du logiciel sur les humains, mais elle reste une suspension de compétences qui ne sont pas interchangeables avec celles de la machine. D’ailleurs, ces mêmes compétences de membre, les informaticiens les retrouvent lorsqu’ils procèdent aux corrections nécessaires de leurs logiciels. Ils le disent eux-mêmes : la seule manière d’être sûrs que les erreurs sont bien dues à des ambiguïtés inhérentes au signal vocal et non à des modélisations inexactes consiste à confronter la reconnaissance des erreurs par les logiciels à celle réalisée par les humains (Lamel et al., 2011, p. 128).
67Enfin, de façon ironique, il est possible de conclure avec Latour – et contre lui :
L’objet technique a ceci d’opaque et, pour tout dire, d’incompréhensible, qu’on ne peut le comprendre qu’à la condition de lui ajouter les invisibles qui le font exister d’abord, puis qui l’entretiennent, le soutiennent et parfois l’ignorent et l’abandonnent. […] sans les invisibles pas un objet ne tiendrait et surtout pas un automate ne parviendrait à ce prodige de l’automation. […] on omet toujours d’ajouter aux objets techniques ce qui les instaure sous prétexte, ce qui est vrai aussi, qu’ils se tiennent tout seuls une fois lancés, sauf qu’ils ne peuvent jamais demeurer seuls et sans soin (2010, p. 26).
68La question à poser est qui ajoute ces invisibles, qui les voit et qui en prend soin ? On le sent, c’est une question appelant une réponse phénoménologique qui a trait à la perception. La perception d’un être en chair et en os qui, à défaut de voir réapparaître l’interaction, la voit disparaître au fil de ces transformations par l’objet technique.
Cet article n’aurait pas pu voir le jour sans le soutien financier de l’Institut for Media Innovation ni sans les échanges passionnants qui se sont tenus avec Boris Beaude, Agathe Chevalier, Matthieu Devaux et Ulrich Fischer dans le cadre du projet CompaSciences. Je tiens à remercier particulièrement Philippe Gonzalez, également membre de ce projet, qui a contribué à rendre ce texte plus percutant grâce à ses conseils et ses relectures méticuleuses. Je remercie enfin les évaluateurs anonymes de la revue qui m’ont permis de clarifier et valoriser mon propos. Le résultat final n’engage que moi.