1Cet article a pour finalité l’approfondissement critique d’une idée reçue, désormais assez répandue parmi les spécialistes tout comme au sein du grand public : l’avenir des technologies numériques passerait par un abandon progressif des interfaces écrans, fondées sur une interaction œil-main, en faveur d’une interface sonore (même si souvent connectée à des dispositifs écraniques), et donc basée sur une interaction vocale (Negroponte 1995). Cela serait lié à des exigences d’authenticité (rapport étroit entre voix et subjectivité/individualité), de communication et d’interaction plus directes, moins médiées, plus transparentes. Dans ces pages, je vise plutôt à mettre en discussion un tel paradigme, pour montrer, au contraire, une continuité fonctionnelle entre l’écran et la voix ; et donc une interprétation différente de ces phénomènes propres aux cultures numériques contemporaines.
2Il est évident que, de plus en plus, la voix devient un protagoniste à part entière de nos expériences numériques : dans les communications entre les personnes – domaine où elle s’était déjà imposée avec le téléphone d’abord, et le téléphone portable ensuite – avec les appels en VoIP ou les appels vidéos, et les messages vocaux. Nous trouvons ensuite des contenus culturels construits autour de la voix, comme les podcasts. Et encore, la voix s’empare de l’espace des réseaux sociaux, où les photos sont remplacées par des vidéos, qui souvent jouent sur la dissociation entre les dimensions sonore et s visuelle, donnant ainsi une place particulièrement importante à la dimension vocale. Il s’agit de phénomènes tout à fait hétérogènes, ayant en commun le fait d’amplifier et reproduire la voix à travers des technologies numériques. C’est pourquoi, dans ces pages, je désignerai comme « voix numériques » toutes ces typologies de voix qui résonnent dans les environnements numériques et physiques. On peut en distinguer deux macro-catégories :
-
Il y a les voix humaines numériquement enregistrées : en reprenant la différenciation proposée par Pierre Schaeffer (1941), ces enregistrements peuvent être statiques, c’est le cas des appels, ou des diffusions en direct (livestreams), ou alors dynamiques – donc éditables et surtout reproductibles –, c’est le cas avec les podcasts, avec les messages vocaux, ou encore avec les contenus pour les réseaux sociaux. Il y a également le cas des voix humaines qui peuvent être enregistrées, transformées en données et reproduites par des logiciels, permettant de « parler » indépendamment des capacités physiques (par exemple, en thérapie pour la perte de voix) ou de la volonté de la personne, comme dans le cas des deepfakes.
-
Il y a ensuite des voix numériques artificielles, produites à partir de machines ou logiciels, donc des voix de machines, de plus en plus associées à des Intelligences Artificielles (IA), qui imitent la voix humaine.
3À mi-chemin entre les deux, on peut trouver des voix artificielles réalisées à partir des phonèmes prononcés par des voix humaines ; c’est le cas de plusieurs voix d’agents conversationnels artificiels, comme Siri, développé par Apple.
4Grâce aux innovations technologiques en matière d’intelligence artificielle, d’interaction humain-machine et de reconnaissance vocale, désormais la plupart des dispositifs numériques se sont dotés de Voice user interfaces (dorénavant VUIs) : il en existe des formes spécifiquement sonores – telles que les enceintes connectées –, mais ces dispositifs sont en grande partie encore à interfaces écraniques, comme les ordinateurs, les tablettes, les téléphones. En même temps, les dispositifs de communication et de messagerie prévoient la possibilité d’échanger des messages vocaux.
5Plusieurs études scientifiques l’affirment (voir par exemple Telner 2021), les VUIs promettent d’abord une interaction plus intuitive avec les dispositifs technologiques : si l’interface œil-main présuppose une connaissance du fonctionnement du dispositif utilisé – quoique minimale, grâce au progrès des interfaces user-friendly –, l’interface vocale propose d’interagir sans avoir aucune connaissance préalable, sauf celle du langage, en reproduisant donc la « spontanéité » de la communication orale pour des finalités toutefois radicalement différentes (on parle à des machines, on donne des instructions et on n’est pas censés instaurer, au moins en principe, un dialogue effectif avec celles-ci). Cela permettrait l’accès à des technologies numériques et leur utilisation à toute un groupe de personnes qui sont peu numériquement alphabétisées, ou qui ne le sont pas du tout, en inscrivant les VUIs dans cette dynamique de design user-friendly qui caractérise l’évolution des technologies numériques contemporaines (Mostafa et alii 2021). Une telle raison pourrait donc favoriser l’intégration des dispositifs technologiques dans les pratiques quotidiennes, concernant justement les appareils ménagers, les voitures, les dispositifs portables ou domestiques.
6L’interaction vocale promet également une personnalisation majeure de l’expérience au moins dans deux sens complémentaires : les dispositifs peuvent s’adresser à nous personnellement, en nous identifiant, à savoir en reconnaissant notre voix et, par là, notre identité, tout en associant à celle-ci nos habitudes, nos comportements, nos préférences et donc en construisant des expériences « personnalisées ». En même temps, les voix avec lesquels les dispositifs s’adressent à nous sont de plus en plus modifiables et, en ce sens, personnalisables, afin de répondre aux désirs, aux nécessités, aux fantasmes des utilisateurs.
7On pourrait identifier deux finalités apparemment opposées qui soutiennent l’affirmation des communications et interfaces vocales :
-
La plus évidente serait celle d’apporter des éléments d’humanité au sein de la « froide » communication numérique : l’unicité et l’authenticité de la personne, obtenues par le « grain de la voix », le ton et l’intonation, les émotions et les intentions que cela peut véhiculer. Il s’agit donc des voix dont les destinataires principaux seraient, encore une fois, des êtres humains et dont le message ne serait pas simplement dans sa composante verbale mais également non verbale.
-
Une finalité moins évidente, et qui semble s’opposer à la précédente, est celle d’obtenir de la voix humaine – élément instable, insaisissable, subjectif et changeant par excellence – des données objectives, des instructions précises, pour dialoguer avec le moins de marges d’erreurs avec des machines. Le langage – mais il se peut que d’autres éléments encore dans le futur proche – devient codifiable en données informatiques prises en charge au sein de l’interaction elle-même (Devillers 2021).
8Ce tournant, tel qu’il est décrit, s’inscrit également dans des dynamiques anthropologiques plus profondes qui caractérisent nos sociétés. Tout d’abord, on pourrait parler d’un nouveau chapitre de cette « nouvelle oralité » qui déjà dans les années 1980 avait été mise en évidence par Walter Ong (1982), et qui mettait en relation l’évolution des technologies de la communication (telles que le téléphone, la radio, la télévision) avec un dépassement du primat du texte et de la littéracie. Ong désignait le retour à certains caractères de cette oralité primaire qui avait caractérisé les premières phases de l’humanité, avant l’affirmation de l’écriture, tels que la spontanéité, l’interaction, l’émotivité. Cependant, la nouvelle oralité se distinguerait de l’oralité primaire d’abord par la capacité à intégrer certains éléments de la communication textuelle et ensuite par le fait d’agir à une échelle globale : le support de la voix se fait reproductible et amplifiable. C’est tout à fait le cas du passage actuel aux interfaces et aux interactions vocales, qui d’un côté renforcent le lien avec le texte écrit – toute conversation est en fait doublée dans un apparat textuel/informatique – et avec cette capacité d’amplification aussi des milliers de microconversations à une échelle globale, par exemple avec la caisse de résonance des réseaux sociaux.
9Une autre dynamique anthropologique qui, au moins à un premier regard, semblerait caractériser un tel tournant oral, est celle de la libération de la main, décrite par André Leroi-Gourhan (1964) : tout au long de la préhistoire humaine, la transition vers la bipédie aurait justement permis aux membres supérieurs de se dédier à des tâches manipulatives toujours plus complexes, comportant, en même temps que des transformations corporelles, un développement des capacités cognitives et des technologies.
10Enfin, une troisième dynamique anthropologique qui sous-tend ce tournant oral, pourrait être celle de la recherche de l’immédiateté. Reprenant la double logique de remédiation décrite par Bolter et Grusin (1999), le tournant oral produirait également des hypermédiations technologiques toujours plus sophistiquées et complexes, qui cependant s’invisibilisent et s’élident, afin de donner une impression croissante d’immédiateté. C’est justement une telle immédiateté hypermédiée qui nous autorise à entrer en relation à la fois plus spontanément et plus intuitivement à travers des interfaces ou des interactions orales.
11C’est sur la base de telles considérations que le paradigme d’interprétation discontinue entre l’écran et la voix peut prendre forme et s’élaborer : l’écran serait en effet encore le représentant d’une culture textuelle et visuelle, qui passe par une prédominance de la vue et du toucher ainsi que par une connaissance, bien que toujours plus minimale, des langages informatiques ou au moins de fonctionnement des logiciels. En outre, l’écran bien qu’également inscrit dans une dynamique d’immédiateté, qui voudrait le transformer en display qui présente tout, et à la fois rend tout présent (Casetti 2015), ne peut pas arriver à s’invisibiliser complètement, pas autant que la voix. C’est pourquoi l’écran et la voix sont donc souvent opposés, et que l’affirmation croissante de la voix semblerait déclarer la fin du régime des écrans.
12Il s’agit, pourtant, d’une interprétation au moins simpliste, peut-être même idéologique, qui demande à être déconstruite. Un des problèmes d’une telle interprétation est que les écrans, en tant que dispositifs de référence de notre époque, ont presque toujours été interprétés comme épiphénomène du tournant iconique. C’est pourquoi les Screen studies ont privilégié la dimension visuelle, en réduisant l’importance des autres dimensions écraniques, et manifestant ainsi un certain visio-centrisme et imago-centrisme (Sterne 2015, Carbone Lingua 2023). D’ailleurs, comme déjà l’observait Michel Chion à propos du cinéma (1990), les études cinématographiques ont toujours privilégié la dimension visuelle du cinéma, en négligeant sa nature audio-visuelle, et par conséquent, le rôle fondamental de la voix en lui. Les Screen studies ont poursuivi cette tendance, tout en l’appliquant à d’autres types de contenus et d’expériences propres à nos cultures numériques.
13Toutefois, peut-on vraiment séparer et opposer la voix au visuel ? Et, de manière encore plus significative, aux écrans ? Au lieu de penser l’interaction et la communication vocales comme un dépassement des écrans, je vais plutôt proposer une analogie entre la fonction de l’écran et celle de la voix : l’hypothèse avancée est qu’il n’y a pas de voix sans écran, mais en même temps, qu’il n’y a pas d’écran sans quelque chose comme une voix, à savoir quelque chose qui l’excède, lui échappe, le prolonge.
14Qu’est-ce qu’un écran ? Certes, il est inévitable aujourd’hui de penser à ces dispositifs technologiques face auxquels on passe la plupart de notre temps, d’abord le smartphone, l’ordinateur et encore la télévision. Il est inévitable de penser également au cinéma, qui reste encore, dans l’imaginaire commun, emblématiquement associé au mot écran. Sur la base des travaux du groupe Vivre par(mi) les écrans (Bodini et alii 2016a, 2016b, 2018, 2020, 2024), dont je fais partie, je ne veux pas pourtant offrir une définition essentialiste de l’écran : certes, tous ces exemples ont quelque chose en commun qui nous permet de les identifier comme des écrans, mais ce n’est pas quelque chose de l’ordre de l’objet ni de sa matérialité. Je voudrais plutôt en proposer une définition fonctionnelle : l’écran est un dispositif – au sens large que Foucault (1977) et Deleuze (1988) donnent à ce terme – qui agence des dimensions hétérogènes en répondant à une stratégie. Carbone et Lingua (2023) mettent en évidence la dimension anthropologique d’une telle fonction, en l’inscrivant dans l’histoire et la préhistoire de l’humanité et des relations fondamentales que les humains entretiennent avec l’environnement et autrui.
15Comment décrire les caractères de cette fonction à la base des stratégies écraniques ? La plupart des théoriciens de l’écran (Carbone 2016, Chateau 2016, Casetti 2024, Huhtamo 2004) soulignent une ambiguïté constitutive qui est au fondementde la fonction-écran tout au long de son histoire et même de sa préhistoire : les écrans se définissent par la capacité de conjuguer monstration et dissimulation, mais aussi protection (l’étymologie d’écran renvoie justement à une surface de protection) et exposition (Bodini 2020 ; De Cesaris 2020). En se proposant de développer une anthropologie des écrans, Mauro Carbone et Graziano Lingua (2023) théorisent un véritable chiasme entre ces quatre opérations, pour résumer les combinaisons possibles des fonctions anthropologiques des écrans. Sur la base de ces études généalogiques, archéologiques et anthropologiques des écrans, on peut affirmer que l’écran n’est pas simplement cet objet technique qui nous permet de voir des contenus – soit par projection, soit par rétro-illumination – mais plutôt un dispositif qui agence ces quatre fonctions en élaborant des stratégies et des fonctionnements (Vitali Rosati 2024) qui répondent tous à une combinaison essentielle des modalités de présentation positives et négatives en même temps (Bodini 2024). En d’autres termes, l’écran est caractérisé par le fait de ne pas pouvoir séparer présentation et négation, monstration et dissimulation, exposition et protection, accessibilité et inaccessibilité.
16En ce sens, l’écran est un dispositif qui fonctionne fondamentalement selon une modalité que je qualifierais de « présentation négative » (Kant 1790), au sens où quelque chose est présenté à travers la négation de quelque chose d’autre. Ou, autrement dit, que la présentation se produit à partir d’une impossibilité de présenter. Il s’agit d’une modalité de présentation introduite par Kant pour décrire le sentiment sublime, et reprise par Jean-François Lyotard dans ses Leçons sur l’Analytique du sublime (1991) : « Cette tentative se solde par une “présentation simplement négative”. Quelle est-elle ? Elle n’est ni l’absence de présentation, ni la présentation du néant. Elle est négative au regard du sensible, mais en même temps elle est bien “un mode de présentation, eine Darstellungsart” ».
17Sur la base des réflexions de Kant reprises et précisées par Lyotard, nous affirmons que la fonction-écran décrit exactement ce type particulier de présentation « sublime », puisque l’écran fait écran à l’irreprésentable, mais ce faisant, se fait surface de monstration du fait qu’il y a de l’irreprésentable. En ce sens, il se fait écart : et en tant que résistance (Widerstand), et en tant que résidu, ce qui est mis à part, mis à l’écart, ce qui reste après le geste de retrait, d’effacement. L’écart, en d’autres termes, n’indique pas simplement une distance et une articulation, mais également une sorte d’excédence qui n’est pas transcendante, mais plutôt résiduelle (Bodini 2016).
18Si la fonction-écran est celle de présentation négative, mettons maintenant en évidence certains caractères fondamentaux de cette modalité de présentation : la production d’une excédence non transcendante, l’opacité de sa médiation et la réversibilité de son fonctionnement.
19Tout comme, dans le sentiment sublime, l’harmonie se produit en tant qu’une excédence par rapport au contraste initial entre les facultés de l’imagination et de la raison, la modalité de présentation négative produit également une excédence par rapport à ce qui est directement présenté. On peut retrouver ce type de fonctionnement dans les écrans, et plus précisément dans la description que Mauro Carbone élabore de l’archi-écran (2016). L’archi-écran serait en fait le thème (jamais donné en tant que tel) des variations historiques et préhistoriques de l’écran, et Carbone en résume ainsi les possibilités : « Comme surface cachant tout aussi bien que comme surface montrant, l’archi-écran surdétermine l’espace auquel il est relié. Ainsi, dans un sens ou dans l’autre, un archi-écran présente plus que lui-même, il présente en s’excédant lui-même. En ce sens, il s’avère que l’archi-écran ne peut être qu’un écran excédant » (Carbone 2016). Conformément à la modalité de présentation négative, la combinaison d’un écran positif et d’un écran négatif donne lieu à une surdétermination de l’espace qu’on a définie avec le terme d’excédence : face à une présentation écranique, en d’autres termes, il y a toujours un écart, un surplus, un quelque chose qui échappe et en même temps ne peut pas être séparé de la présentation effectuée.
20La description lyotardienne de présentation négative mettait en évidence un autre caractère fonctionnel de l’écran : la résistance du sensible, qu’on nommera ici opacité. L’écran, en fait, présente de manière fondamentalement opaque : on ne voit pas malgré le support – comme cela pourrait être le cas d’une fenêtre, ou d’un voile – mais on voit avec le support, grâce à lui, selon lui, l’écran.
21Revenons encore au sublime kantien. Lyotard remarque que la relation entre l’imagination et le sensible se donne, dans le sentiment sublime, à travers une résistance (Widerstand) : « Le concept critique de “résistance, Widerstand”, caractérise précisément le rapport du sentiment sublime avec “l’intérêt des sens” » (Lyotard 1991). Le sentiment sublime est le lieu où le sensible, et donc le monde, se révèle opaque par rapport à l’imagination humaine, qui ne peut pas l’appréhender complètement de manière positive, directe, transparente ; qui ne peut pas tout représenter.
22Malgré les injonctions de la médialité contemporaine à transformer les écrans en des displays qui montrent tout, de manière positive, à travers des mots d’ordres complémentaires comme transparence et surveillance, désintermédiation (Lingua 2024) et immédiation (Bodini, 2016 ; Citton, 2016), mettre en relief une telle résistance du sensible, en tant qu’élément incontournable du fonctionnement écranique, permet non seulement d’identifier un caractère éminemment écranique, mais également d’effectuer un retournement critique du fonctionnement des écrans.
23Un autre élément fondamental est la réversibilité propre aux fonctions des écrans et au chiasme qui les relie : au lieu d’opposer visible et invisible, sujet et objet, comme dans d’autres dispositifs optiques, tels que la fenêtre albertienne, emblème du régime scopique de la représentation, l’écran combine de manière essentielle ces deux dimensions, en créant un espace réversible, où l’écart entre visible et invisible, ou bien entre spectateur et spectacle, est toujours sur le point d’un renversement. En combinant les deux caractères précédemment décrits, la capacité de produire un écart, en même temps excédence et articulation, et l’opacité du sensible propre à la modalité de présentation négative, on peut donc inscrire le miroir au sein des variations écraniques, en faire une variation de l’archi-écran. Le miroir serait en fait à considérer comme lieu d’un retournement du visible sur soi-même, et en même temps comme découverte de la nature visible du voyant, d’une sorte de « narcissisme ontologique » (Merleau-Ponty, 1964, Gambazzi, 1999).
24Le miroir n’est pas à comprendre, premièrement, en tant que lieu de l’affirmation de la totalité du sujet, comme une interprétation superficielle du célèbre « stade du miroir » (Lacan 1949) pourrait le faire penser, mais plutôt comme moment de la découverte d’une exposition au monde qui est première par rapport au repliement subjectif dont le miroir constitue les conditions de possibilité. Le miroir, ainsi, serait le lieu d’une réversibilité imminente (Merleau-Ponty, 1964), qui se réalise dans l’articulation de l’écart.
25Le miroir en tant qu’archi-écran alors précède largement les variations plus contemporaines telles que l’écran du cinéma et les écrans numériques, qui tout de même reprennent ce principe de réversibilité et l’actualisent. Dans « L’acinéma » (1973), Lyotard compare l’écran cinématographique à un miroir quand il fonctionne de manière représentative, dans le cinéma mainstream, en opposant au miroir justement l’écran qui surgirait à la place du miroir lorsque celui-ci se fait trop opaque pour restituer une image spéculaire reconnaissable. Cependant, comme la lecture d’Idée pour un film souverain (1995) de Lyotard le suggère, nous pouvons plutôt interpréter l’écran et le miroir comme deux modulations d’un même fonctionnement écranique, les deux pôles de l’opacité (miroitier ou brouillant), en tant que modulations de la résistance du sensible. Plus en général, l’écran du cinéma a également été considéré comme un espace de réversibilité entre spectacle et spectateurs, même au-delà de la fonction de miroir (Carbone, 2016), avec le double rêve d’habiter l’écran ou bien d’en sortir.
26Les écrans numériques, à leur tour, se présentent constamment en tant qu’espace de réversibilité, comme en témoigne l’explosion de l’image de soi (Borradori, 2018 ; Bodini, 2021), rendue possible aussi grâce à l’innovation technique du fait de coupler l’écran avec une caméra, en produisant de véritables camécrans (Lenay 2024), ou écrans-caméras (Di Crosta 2016). Cet espace de réversibilité n’est pas simplement lié à l’élément visuel ou audio-visuel, mais comprend également les éléments textuels ou gestuels des interactions écraniques : il suffit de penser à la possibilité d’enregistrer l’écran (Aïm 2023, 2024), de scanner des éléments textuels, de reconnaître certains mouvements du corps de l’utilisateur.
27La réversibilité est donc une véritable propriété de la modalité de présentation négative, grâce au fait de refuser la présentation directe de la représentation, qui oppose frontalement sujet voyant et objet vu et d’articuler l’irréductibilité du présentable et de l’irreprésentable à travers l’institution d’un espace de réversibilité. Dans cet espace, et grâce à l’opacité qui lui est propre, s’inaugure la possibilité d’un enregistrement.
28Or, afin de déconstruire cette idée reçue qui oppose la voix à l’écran, nous chercherons à montrer les éléments qui font participer la voix de cette modalité de présentation négative typique de la fonction-écran. Pour le faire, je commencerai par une typologie particulière, mais significative de voix qui s’inscrit de manière évidente dans la modalité de présentation négative, ce que Pierre Schaeffer et Michel Chion ont défini la voix acousmatique : une voix dont on ne peut pas identifier (visuellement) l’origine directe. Il s’agit, par ailleurs, d’une voix paradigmatique de la médialité contemporaine, de ces voix à l’écran qui font l’objet de cet article.
29La voix acousmatique est une voix qui nécessite un écran pour devenir telle. Cela devient encore plus explicite au cinéma, comme on peut l’apprécier par la définition d’« acousmêtre » élaborée par Chion :
« L’acousmêtre (néologisme signifiant : “être acousmatique”, avec un jeu de mot sur “maître”) est le personnage invisible que crée au cinéma l’écoute d’une voix acousmatique hors-champ […]. Dans le cadre du cinéma, l’acousmêtre […] est un personnage acousmatique se définissant par rapport aux limites du cadre, où il est sans cesse en instance d’apparaître, et devant à cette non-apparition dans le champ les pouvoirs qu’il semble exercer sur le contenu de ce dernier. À l’acousmêtre sont en effet couramment prêtés, dans l’imaginaire cinématographique, l’être-partout (ubiquité), le tout-voir (panoptisme), le tout-savoir (omniscience) et le tout-pouvoir (omnipotence) » (Chion 1991).
30Ces deux dispositifs acousmatiques tout à fait hétérogènes, où toutefois des « maîtres » se retrouvent à communiquer avec leurs auditeurs sans se montrer, ont des caractères communs : la voix écranisée s’impose comme voix faisant autorité, d’une certaine manière amplifiée par la présentation négative. Elle excède sa possible présentation positive, en ayant ainsi accès à d’autres énergies provenant de l’irreprésentable, de ce qui est en retrait.
31Or, si ces deux exemples pourraient suggérer l’idée que la voix acousmatique est un phénomène exceptionnel, Mladen Dolar affirme plutôt que l’être acousmatique est un caractère propre à toute voix : « Au final, il n’y a pas désacousmatisation. La source de la voix ne peut jamais être vue, elle découle d’une intériorité non ouverte et structurellement cachée, elle ne correspond jamais à ce qu’on voit » (Dolar, 2006). Toute voix, en somme, serait acousmatique, car est impossible le processus de désacousmatisation, à savoir l’identification d’une voix avec une subjectivité individuelle qui serait son origine. En d’autres termes, il serait impossible de penser la voix de manière représentative, selon une présentation positive et directe. La voix, comme l’écran, met en discussion l’espace représentatif, qui justement était un espace visio-centrique : « C’est comme si la voix était le véritable principe de division entre intérieur et extérieur » (Dolar, 2006).
32La voix est acousmatique, alors, car toute voix « est une voix à la recherche d’une origine, à la recherche d’un corps, mais même quand elle trouve un corps, il s’avère que cela ne fonctionne pas tout à fait, la voix ne colle pas au corps, c’est une excroissance qui ne correspond pas au corps » (Dolar, 2006). Tout comme dans le cas de la fonction-écran, qui présente négativement en surdéterminant l’espace et en produisant une excédence, la voix acousmatique est elle-même une excédence résiduelle, une « accrescence », ainsi que la définit Dolar, qui ne peut certainement pas être reconduite ou limitée à un corps individuel, organique : « Utiliser le terme français plus-de-corps, en même temps le surplus d’un corps, un excès du corps, et ce qui n’est plus corps, la fin du corporel, la spiritualité du corporel, de manière à incarner la véritable coïncidence de la quintessentielle corporéité et l’esprit » (Dolar, 2006).
33Si la tradition occidentale avait toujours senti la nécessité de désacousmatiser la voix, soit en la reconduisant à une identité individuelle spirituelle (Husserl, 1959 ; Derrida 1967), soit à une identité ou singularité corporelle (Cavarero, 2005), Dolar affirme l’impossibilité de ces deux processus de désacousmatisation : « La voix incarne la véritable impossibilité de cette division [entre corps et esprit], et agit comme son opératrice » (Dolar 2006), en vertu de sa présentation négative, d’un côté, et de l’irréductibilité de l’excédence que celle-ci produit. On ne peut pas penser la voix comme si c’était un « sujet », au contraire : « La voix comme objet apparaît précisément comme impossibilité de désacousmatisation. Ce n’est pas la voix spectrale qu’il est impossible de reconduire à une source ; plutôt, elle apparaît du vide duquel elle est censée découler mais qui lui est incompatible, un effet sans une véritable cause » (Dolar, 2006).
34On ne peut pas penser la voix, en d’autres termes, en dehors d’un paradigme écranique, sans l’écart qui soutient la modalité de présentation négative et l’excédence qui lui est propre. En ce sens, la voix « est un missile corporel qui s’est détaché de sa source, s’est émancipé et tout de même reste corporel. Ça c’est la propriété que la voix partage avec tous les objets de la pulsion : ils sont tous situés dans un domaine qui excède le corps, ils prolongent le corps comme une accrescence, mais ils ne sont pas simplement corps non plus » (Dolar 2006). On peut apprécier, ici, comme cet invisible, cet inaccessible, cet irreprésentable où la voix puise sa force et ses potentialités, est celui de l’inconscient, de l’énergie libidinale et, nous dirions plus généralement, de la dimension affective.
35Comme le mythe d’Écho le mettait déjà en évidence, le pendant de l’impossibilité essentielle de la désacousmatisation serait justement l’injonction à la répétition (Bodini, 2022). En d’autres termes, si la voix ne correspond pas à un sujet, mais est plutôt un « objet » excédant et résiduel, elle s’avère « le sous-produit d’une telle opération, son résultat secondaire (effet collatéral) dont la pulsion s’empare, tournant autour de lui en cercle, en revenant au même endroit dans un mouvement de répétition » (Dolar, 2006). Or, nous voudrions suggérer que c’est justement dans la répétition qu’on peut identifier les deux autres caractères propres à la fonction-écran de la voix, à savoir l’opacité du sensible et la réversibilité.
36La question de la voix comme répétition pourrait être approchée à partir d’innombrables points de vue ou d’écoute. Abordons-la ici à travers le problème de l’enregistrement, un procédé à la fois technique et symbolique essentiel dans la réalisation des voix numériques. Pierre Schaeffer (1946), on l’a vu, opère une différence entre deux types fondamentaux d’enregistrement, 1) statique, en direct ; 2) dynamique, manipulé, qui peut impliquer le mixage et le montage. Dans les deux cas, d’après Schaeffer, l’enregistrement produit une matière dont le statut est particulier, un « état intermédiaire du réel, qui n’est plus ni tout à fait le réel, ni sa représentation subjective à laquelle nous avaient habitués la touche du peintre, le crayon du dessinateur, la note du musicien. Ce n’est pas non plus l’objet matériel […]. L’objet [factice], désormais fixé aussi rigoureusement que le fait scientifique, possède sa trace sur une pellicule, mais il n’est pas non plus cette pellicule. Il est l’impression, la sensation qu’elle nous procure, répétable, lorsqu’il est retraduit, par un haut-parleur ou un projecteur » (Le Tinnier, 2014). L’enregistrement alors n’est pas une représentation, il ne coïncide ni avec le modèle qu’il reproduit, ni avec un objet qui en serait la copie – comme une icône, une bonne copie au sens platonicien du terme (Deleuze, 1967), ou même comme une reproduction au sens benjaminien (Benjamin 1939). Cela car l’expérience sonore ne correspond pas à la trace qui en est à l’origine, ni ne correspond l’objet qui serait à la source du son enregistré ; ce qui vaut a fortiori pour la voix. La voix enregistrée, autrement dit, n’est pas simplement acousmatique, n’est pas simplement excédante, mais elle est fondamentalement opaque puisqu’elle incorpore la réception sensible du son qui la compose. Comme le remarque Schaeffer lui-même, « [s]i le micro n’opère aucune transformation substantielle dans la matière sonore, il transforme la sensation sonore elle-même. L’image sonore diffère notamment de l’objet » (Schaeffer 1963). L’opacité de la voix enregistrée est alors celle du simulacre originaire, qui incorpore la déformation de la réception sensible (Deleuze, 1967).
37La voix serait donc acousmatique, excédante, répétitive et en ce sens opaque. Comme l’observe Michel Chion, « nous parlons d’ailleurs avec une voix qui n’a jamais été primitivement la “nôtre”, et qui est largement fondée sur l’incorporation d’autres voix, transposées par nous » (Chion, 1998). La voix est donc un phénomène de résonance échoïque (et réversible), qui incorpore les autres voix – en les répétant –, tout comme les espaces dans lesquels elle résonne, et encore aussi la réception de celle-ci : « On ne s’entend pas parler seulement, en effet, par l’intérieur, mais aussi par les réflexions du son de notre voix, que nous renvoie l’espace. La preuve en est que si nous avons l’occasion de parler dans un endroit totalement privé d’écho, nous nous sentons misérables, mis à nu » (Chion, 1998). Lorsque nous parlons, et nous nous entendons parler, la voix agit en tant qu’opérateur d’un écart et d’une réversibilité entre intérieur et extérieur, entre parler et écouter, entre moi et l’autre, qui radicalise celle du miroir. En ce sens, Chion montre combien d’un point de vue visuel il reste difficile de penser la réversibilité, car « l’image du miroir, à en croire Lacan, est totalisante, parce que totalisable » (Chion, 1998). Au contraire, d’un point de vue sonore, « l’image du “s’entendre parler” est non seulement non totalisable, mais aussi aliénée dans un vouloir-parler. Notre voix nous est largement étrangère – aussi bien quand elle est entendue de l’extérieur que quand elle l’est de l’intérieur » (Chion, 1998). La voix serait une variation de l’archi-écran encore plus radicale que le miroir.
38Revenons brièvement en conclusion de ce texte aux voix numériques, protagonistes des phénomènes de communication et d’interaction orales contemporaines, pour mettre en évidence ces fonctions écraniques que nous avons détaillées d’un point de vue théorique.
39Partons de la première typologie de voix numérique, à savoir la voix humaine enregistrée, et d’un phénomène assez répandu aujourd’hui, celui des messages vocaux sur les plateformes de messagerie instantanée. On a recours à ce genre de message pour pouvoir échanger plus spontanément, sans devoir réfléchir à ce que l’on veut écrire, mais également pour ajouter un ton et une intention aux mots, pour prévenir d’une certaine manière les malentendus qui se passent par une communication écrite en compensant les éléments verbaux avec d’autres non verbaux. L’idée serait donc d’offrir une communication plus complète et transparente dans ses intentions ainsi que dans ses contenus par rapport à l’échange textuel, sans renoncer à la rapidité et au bas niveau d’engagement de la messagerie instantanée par rapport, par exemple, à un appel téléphonique. Il s’agirait, en somme, d’une communication moins filtrée par l’écran, plus instinctive, plus directe.
40Or, il me semble qu’on peut, en revanche, identifier plusieurs éléments écraniques dans ce type de communication : tout d’abord, il s’agit d’une interaction avec l’autre dans laquelle on se protège de l’autre. Différemment d’un effectif dialogue avec autrui, nous ne pouvons pas être interrompu, nous ne pouvons pas être contredits ni agressés, nous pouvons suivre le fil de nos raisonnements, ou plus souvent, simplement suivre une sorte de flux de conscience (stream of consciousness) sans vraiment réfléchir à ce qu’on est en train de dire : nous sommes protégés par un écran. Cet aspect accroît évidemment le degré d’opacité de la conversation, et en même temps produit un objet, cette voix enregistrée désormais indépendante par rapport à notre corps, qui peut être lancée, tel un missile, dans l’espace numérique et dont on perd le contrôle. Elle peut être diffusée contre notre volonté, mal interprétée, éditée et manipulée. Elle devient, en ce sens, une excédence résiduelle, qui n’a pas forcément le statut du sujet qu’elle représente, même si elle reste reconductible à lui, éventuellement, mais elle n’a pas le statut d’un objet autonome non plus. Elle s’inscrit plutôt dans ce statut « intermédiaire » du réel de la voix enregistrée dont parlait Schaeffer.
41En outre, la manipulation de la vitesse d’écoute modifie le ton et l’intention de la voix, créant des malentendus. Cela déconstruit l’idée que la communication vocale est toujours plus transparente et directe.
42Un autre phénomène assez répandu dans la médialité contemporaine est celui des vidéos pour les réseaux sociaux avec des performances de lip-sync – une typologie de playback, selon laquelle la personne filmée double une voix enregistrée qui ne lui appartient pas (parfois un film, parfois une chanson, parfois un contenu devenu viral sur les réseaux sociaux), souvent en la déplaçant du contexte originaire pour offrir un autre niveau d’interprétation. La viralité des vidéos en lip-sync confirme, à notre sens, la centralité de la voix acousmatique dans le contexte numérique : si d’un côté la parole orale a toujours pris plus d’importance dans les contenus pour les réseaux sociaux, de l’autre il s’agit d’une parole qui n’est pas forcément subjective, mais qui joue plutôt sur l’impossibilité d’être complètement désacousmatisée. Une voix écranique, car un écart la sépare de la bouche qui la prononce pour la relier à d’autres lèvres. Slavoj Žižek (2008), dans sa célèbre interprétation du film de David Lynch Mulholland Drive, revient sur une séquence particulière où une chanteuse s’évanouit sur scène tandis que sa voix continue à chanter : il s’agit d’une performance en playback. Žižek suggère que c’est au moment où la voix devient acousmatique qu’elle arrive à transmettre cette excédence libidinale qui, dans le langage lacanien repris par Žižek lui-même, correspond à l’objet a (Lacan, 1990). Le lip-sync nous offre alors des voix qui nous hantent, qui tournent en rond, comme la pulsion, qui s’imposent en tant que stéréotype mais aussi en tant que fétiche, qui détourne la vocalité de cette conviction naïve qui l’associe à l’expression la plus directe et la plus authentique de la subjectivité (Husserl, 1959).
43Le problème est lié à la nécessité d’identifier la voix avec une identité subjective à laquelle la voix doit appartenir. En d’autres termes, si une voix et surtout une voix numérique est fondamentalement une voix acousmatique dont la source est cachée, inconnue, non identifiable, une telle narration nous pousse à entamer forcément des processus de désacousmatisation pour faire correspondre cette voix à une identité déterminée. Ces processus, cependant, peuvent s’avérer problématiques : cela devient particulièrement évident lorsqu’on applique cette logique à la deuxième typologie de voix numériques, celles artificielles, employées par des agents conversationnels et désormais des intelligences artificielles. Dans ces cas, on finit par substantialiser dans une identité personnelle et subjective, cette voix artificielle et purement opérationnelle avec laquelle on interagit.
44Il s’agit d’un véritable paradoxe, comme suggère Liz Faber dans The Computer voice (2020), car d’un côté l’interaction avec ces voix devrait nous aider à nous familiariser avec la possibilité d’effectuer des processus de désacousmatisation de la voix non subjectifs, non individuels, non identitaires et non humains, en nous ouvrant à la fois à une nouvelle compréhension de la voix elle-même (et de son lien avec l’identité personnelle). En même temps, ces voix artificielles reproduisent souvent des stéréotypes rigides, surtout de genre, qui donc sous-tendent forcément des processus de désacousmatisation identitaires et individuels.
45Plus généralement, on affirme, presque sans exception, qu’il est dangereux et mauvais de subjectiviser de telles voix artificielles (CNPEN 2021) ; cependant, pour rendre la relation plus efficace, ou plus facilement codifiable, ou encore exploitable, on finit par instituer des relations qui présupposent des processus de subjectivation. Dit en d’autres termes, d’un point de vue d’une ontologie essentialiste, on proclame la non-identité de ces agents, de ces voix, on leur donne un statut intermédiaire, non simplement non humain mais non individuel ; cependant, d’un point de vue relationnel, on les constitue comme de véritables identités, en profitant des biais et des stéréotypes culturels que ces relations impliquent. Il semble que, dans le sillage des ontologies relationnelles ainsi que des théories de la médiation (Grusin 2015), c’est la relation qui institue l’identité, et donc qu’une relation d’un tel type finit inévitablement par contredire la définition essentialiste qu’on peut donner de quelque chose en amont de la relation elle-même.
46Il devient très clair, dans le texte de Liz Faber, lorsqu’elle prend l’exemple de Siri – une voix artificielle qui a par ailleurs une source humaine. Le processus de désacousmatisation est exploité afin de produire l’illusion d’une subjectivité, obtenue tout d’abord à partir de son identité de genre. Faber nous montre combien cela est stratégique pour exploiter les non-dits et les biais qui sont liés à une telle identification de genre : le paradoxe de Siri est donc qu’on la traite à la fois comme une chose et comme une personne, et en même temps, on la traite comme une subordonnée, une assistante puisqu’on l’identifie à une femme, en exploitant les préjugés de genre propres aux sociétés patriarcales. Faber nous aide ainsi à mettre en évidence que les problèmes éthiques et politiques liés aux processus de désacousmatisation de la voix, ne concernent pas avant tout notre rapport à la technologie, mais les principes éthiques et politiques qui sous-tendent les relations entre humains tout comme entre humains et non-humains, et dans lesquelles rentrent également celles avec les voix numériques.
47Une compréhension écranique de la voix, telle celle proposée dans cet article, reviendrait justement à aller dans cette direction : au lieu de reconduire les nouveautés relationnelles introduites par l’interaction et la communication vocales à travers les technologies numériques à des modèles anthropocentriques et individuels, qui finissent par identifier la voix avec une subjectivité authentique, identitaire, et par instituer une relation transparente, nous invitons à réfléchir sur la voix comme présentation négative. Ce qui comporte toujours un non-dit, un invisible, un irreprésentable qui, même s’il ne peut être présenté directement, doit être pris en compte (c’est le cas, par exemple, de biais de genre auxquels fait référence Faber par rapport aux assistantes vocales). Une telle modalité de présentation négative finit inévitablement par produire une excédence, à savoir quelque chose qui nous échappe, qui surdétermine l’espace de l’interaction et de la communication, une excédence qui se fait également porteuse de ce surplus – affectif, libidinal, imaginaire – qui incarnerait justement l’irreprésentable. En outre, une telle modalité de présentation ne va pas dans la direction d’une communication plus immédiate, et donc transparente et directe ; au contraire, la voix est un facteur d’opacité du sensible, justement en vertu de cette modalité négative de présenter, modalité sublime qui contre l’intérêt des sens, et qui destitue également l’idée d’un sujet transcendantal, unitaire, capable de représenter de manière directe et transparente le monde. Ce qui comporte, enfin, une mise en discussion de la séparation dualiste entre sujet et objet : la voix inaugure toujours un espace réversible où la distinction entre sujet et objet ne peut pas être donnée. Les voix numériques emphatisent à notre sens de tels caractères écraniques de la voix, qui déjà demeuraient, bien qu’avec moins d’évidence, dans les pratiques orales précédentes. En d’autres termes, les voix numériques peuvent nous aider, justement en vertu de leurs fonctions écraniques, à concevoir différemment la voix elle-même, à arrêter les processus de désacousmatisation subjective, individuelle, identitaire, stéréotypée, et à inaugurer des désacousmatisation fragmentaires, partielles, opaques et réversibles.