1Comme celle de tout objet que l’on peut qualifier de « complexe » selon la terminologie d’Edgar Morin (Morin, 2005), l’étude de la voix se confronte rapidement à la nécessité d’une approche pluridisciplinaire, exploitant la complémentarité entre sciences exactes et sciences humaines. Un nombre croissant de musicologues s’intéresse donc aujourd’hui aux outils d’analyse spectrale pour aborder l’interprétation vocale : permettant une visualisation acoustique du son, ces outils pallient les limites et l’inadaptation de la partition musicale en rendant possible l’analyse de phénomènes musicaux extrascoraux et l’objectivation de caractéristiques interprétatives longtemps considérées comme échappant à la théorisation : variations agogiques du rythme ou de la mélodie, timbre, etc. Dans cette perspective, l’utilisation d’outils tels que le logiciel Audioscuplt de l’IRCAM, autorisant à la fois la visualisation du son – sous forme de sonagrammes et de différentes courbes –, son annotation et sa manipulation, s’avère particulièrement riche.
- 1 « Chant numérique avec contrôle temps réel » (ANR-13-CORD-0011). Site web du projet : https://chant (...)
2Cependant, ce type d’échange entre musicologue et informaticien–acousticien est souvent à sens unique : le musicologue exploite, à des fins musicologiques, les outils logiciels développés antérieurement par les informaticiens, acousticiens et chercheurs en traitement du signal. L’expérience que nous allons présenter dans cet exposé a la particularité de mettre en œuvre une collaboration simultanée entre chercheurs en traitement informatique du signal et musicologues au sein d’un projet transdisciplinaire dans lequel les deux champs de compétences s’associent dès l’origine dans un objectif commun. Elle s’inscrit dans le cadre du projet ANR « ChaNTeR1 », qui vise à l’élaboration d’un système de synthèse du chant de haute qualité pouvant reproduire la diversité des « styles vocaux » interprétatifs, tout en conservant une simplicité d’utilisation accessible au grand public musicien.
3Les travaux présentés ici s’appuient sur la convergence de deux champs de recherche autour de la voix chantée. D’une part, des recherches en informatique et traitement de signal menées sur la modélisation et la synthèse de la voix chantée et, d’autre part, des recherches en musicologie portant sur l’interprétation vocale et les styles interprétatifs dans la chanson populaire francophone.
4Après un recensement des caractéristiques pertinentes pour définir les styles interprétatifs suivant un protocole musicologique et l’élaboration d’un corpus analysé et annoté, un algorithme d’apprentissage permet, par l’extraction des données issues de ces annotations, de modéliser les différents styles de chants étudiés. Ces annotations servent notamment à décrire les contextes d’utilisation des effets interprétatifs rencontrés. Après une première phase, les résultats obtenus par la synthèse sont évalués et les corrections et améliorations nécessaires sont effectuées, dans un processus itératif. Cette approche donne un exemple de la manière dont deux disciplines – la musicologie et les sciences informatiques – peuvent collaborer fructueusement pour s’informer et s’enrichir mutuellement.
Figure 1 : Schématisation du processus de collaboration innovante mis en place dans ce projet
- 2 Corpus constitué d’enregistrements originaux de chanteurs emblématiques de chaque style vocal plutô (...)
5La description des styles, dans ce projet, passe par l’analyse d’interprétations chantées issues d’enregistrements commerciaux. Il s’agit d’une démarche inductive (de l’exemple au modèle) : l’analyse d’un corpus d’interprétations enregistrées conduit à l’élaboration d’un modèle stylistique. Le choix d’un travail sur corpus réel plutôt que sur corpus expérimental2 répond à une volonté d’être au plus près de la réalité, mais complexifie la tâche d’analyse et d’annotation, qui ne peut se faire automatiquement car la présence d’un accompagnement instrumental brouille le fonctionnement des algorithmes d’analyse du signal audio.
6La synthèse est ensuite une démarche déductive, qui utilise le texte (paroles) et le fichier MIDI (partition) comme entrées pour synthétiser une interprétation vocale selon l’un des modèles stylistiques élaborés. À partir des informations prescriptives de la partition, il s’agit de délimiter un champ virtuel de réalisations possibles afin de reconstituer une interprétation conforme à un style.
7Le premier préliminaire consistait à définir la notion de style. Ensuite, il fallait parvenir, à travers le nombre infini de données de la performance vocale enregistrée, à opérer une schématisation et une hiérarchisation des effets observés afin d’extraire du flux sonore un nombre limité d’éléments pertinents pour la caractérisation d’un style.
8L’interprétation vocale peut être considérée comme l’articulation entre un degré de contraintes, de prévisibilité (obéissant à différents modèles : respect de la partition, conformation à des canons stylistiques génériques ou à l’identité stylistique personnelle du chanteur, etc.) et une part d’imprévisibilité, d’indétermination, liée aux choix de l’interprète qui constitue un parti pris motivé par une intention particulière (convaincre, émouvoir, valoriser un mot…) et dont la fonction va bien au-delà de la simple restitution de l’œuvre. Selon René Guitart (Guitart, 2006 : 139-140), l’interprétation est une « prise en charge » de l’œuvre abstraite : « Ce qui est pris en charge, ce sont des éléments non déterminés, qui ne sont pas mis en compte d’avance ». C’est à l’interprète d’achever l’œuvre en comblant la part de « non-dit » laissée par la partition.
9Une des difficultés inhérentes à ce projet est cette tension entre la liberté interprétative et le processus de systématisation indispensable à l’établissement d’un modèle, systématisation qui tend à réduire l’interprétation à ce qui relève du déterminisme. La réalisation d’un arbre de contextes a permis de surmonter cette difficulté, en proposant de manière plus subtile un éventail d’effets vocaux possibles pour chaque contexte interprétatif, autorisant ainsi une part d’aléatoire (des tirages aléatoires sont effectués quand plusieurs effets vocaux sont possibles pour un même contexte ; l’utilisateur du synthétiseur pourrait également spécifier l’emplacement d’un effet particulier par une annotation de la partition).
10Les éléments déterminés, dans une interprétation vocale, relèvent de différents « modèles référentiels » qui se superposent. On distingue au moins trois références, qui constituent trois niveaux identificatoires :
-
La « partition » ou, plus exactement, les macrostructures mélodiques et rythmiques de la chanson en tant que composition abstraite. Elle détermine aussi la tessiture ou le degré de virtuosité (intervalles disjoints, diversité rythmique…). Selon les conventions stylistiques ou génériques auxquelles l’interprète se conforme, le rôle prescriptif de la partition est plus ou moins affirmé ou autorise une marge de liberté (respect des rythmes, durées, hauteurs…).
-
Le style générique, qui rassemble les normes interprétatives propres à un genre ou un courant. Il s’agit d’un catalogue de comportements et d’effets dans lequel l’interprète peut puiser pour s’inscrire dans un style particulier ou s’identifier à un genre (par exemple : le cri et la voix gutturale dans le rock ; la théâtralisation du chant, la proximité avec la parole déclamée et l’emphase expressive dans la chanson réaliste ; le swing dans la chanson jazzy, etc.). Ce sont des caractéristiques communes à un groupe de chanteurs présentant des similarités interprétatives. C’est ce type de styles que nous souhaitons modéliser.
-
Enfin, le style de l’interprète, qui concerne la singularité interprétative d’un chanteur dans ce qu’elle a de constant et d’identifiable. Il s’agit de pratiques ou d’effets récurrents qui permettent de le distinguer au sein du genre. Ce style individuel peut évoluer au fil du temps, par exemple vers une exacerbation de la typicité (ex. : Gréco ou Gainsbourg).
Figure 2 : Les trois niveaux de références auxquels s’identifie une interprétation vocale enregistrée
11Dans une interprétation vocale enregistrée, ces trois références sont si étroitement intriquées qu’il est difficile de les dissocier. En effet, le style générique dicte en partie le comportement de l’interprète face à une partition (comportement interprétatif face à une situation ou un contexte donné, variantes, type d’ornementation ou de transition entre deux notes…). Réciproquement, toute chanson (partition) n’est pas compatible avec tous les styles génériques et interprétatifs, car son écriture conditionne en partie le style : en effet, si certaines chansons sont peu marquées stylistiquement et peuvent facilement se couler dans divers moules génériques (ex. Les Feuilles mortes) d’autres sont plus typées, et présentent déjà des caractéristiques stylistiques intrinsèques (par exemple, le style de la chanson littéraire, ou « Rive gauche », privilégie des rythmes simples et répétitifs – accumulation de croches –, une mélodie en mouvements conjoints dont l’intonation s’inspire des inflexions de la parole et une utilisation récurrente du recto tono, tandis que le style « belting » privilégie un ambitus plus large avec des intervalles disjoints). Il existe donc des corrélations entre le « style générique » et la partition qui le préfigure virtuellement. Des éléments inducteurs font de la macrostructure de la chanson une réserve d’esquisses interprétatives, d’amorces incitatives qu’on ne peut négliger totalement. Dans le projet, les styles modélisés pourront, théoriquement, être appliqués à toute partition. Donc, cette cohérence entre la partition et le style choisi sera à la discrétion de l’utilisateur du synthétiseur et de ce choix dépendra en partie le réalisme du résultat obtenu.
12Les styles à modéliser couvrent les diverses expressions chantées en langue française, incluant les répertoires savants et populaires. Une autre difficulté rencontrée est liée à ce second répertoire : contrairement aux musiques vocales de la tradition savante occidentale, qui obéissent souvent (à l’exception du chant contemporain) à des normes strictes et clairement définies, les chansons populaires francophones au sens large du terme se singularisent par une grande hétérogénéité des usages de la voix, incluant et exaltant des procédés vocaux qui seraient prohibés dans un autre contexte.
13Ainsi, rien ne peut être a priori exclu, et les chanteurs populaires peuvent faire usage de tous les extrêmes : chanté faux (Lapointe, Lenorman), voix cassée, voilée (Béart, Moustaki), éraillée (Vigneault), criée (Ferré, Magny), susurrée (Birkin), articulation négligée (Gainsbourg, Biolay), utilisation d’un vibrato hors normes (Sanson, Jonasz), etc., peuvent être des spécificités consciemment choisies et cultivées par l’artiste ou contraintes physiologiquement et assumées qui participent de la construction d’une identité esthétique. En plus des styles préconfigurés, le synthétiseur de chant devra donc laisser à l’utilisateur une marge de manœuvre importante pour personnaliser chaque paramètre, de l’utilisation normée à l’extrême (ex : vibrato hors normes, glissandi très amples, voix très bruitée), afin de couvrir tous les possibles de la voix humaine dans les musiques populaires et de ne pas imposer une standardisation et une uniformisation schématisante.
- 3 Pour plus de détails sur ces différents paramètres et sur la méthodologie musicologique d’analyse d (...)
14Parmi les éléments typologiques qui peuvent jouer un rôle dans la description d’un style interprétatif générique, nous distinguons ceux relatifs au temps, à la fréquence fondamentale (l’intonation), à la dynamique, au timbre, et ceux impliquant plusieurs de ces dimensions3 :
Tableau 1 : Inventaire des principaux aspects interprétatifs à prendre en compte dans la description d’un style
|
TEMPS
|
Traitement rythmique interprétatif
|
Régularité et irrégularité du tempo (rubato)
À l’intérieur du tempo, degré de conformité à la partition : décalages agogiques inspirés du rythme de la déclamation, ralentissement et accélération de débit, retards et anticipations…
Interprétation syncopée (swing)…
|
|
Temporalité
|
Respect des durées de notes écrites : courtes ou tenues.
|
|
FRÉQUENCE FONDAMENTALE
|
Attaques glissées (« portamento »)
|
Évaluation de l’intervalle entre note de départ et note cible, durée et forme du glissando, proportion d’attaques présentant cet effet…
|
|
Transition entre les notes
|
Distinction des types de transitions : liée, en portamento, détachée, avec une impulsion intonative sur chaque syllabe…
|
|
Ornementation mélodique
|
Diversité des ornementations : trilles, notes de passage, appogiatures… Présence, absence, récurrence de ces effets.
|
|
Justesse intonative
|
Voix juste, qui détonne, qui tremble…
|
|
Vibrato
|
Présence ponctuelle ou généralisée du vibrato (sur toutes les syllabes ou seulement sur les syllabes longues, les notes aiguës, les tenues en fin de phrase).
Caractéristiques du vibrato et coïncidence éventuelle avec un tremolo (amplitude et fréquence de la vibration, forme, régularité…).
|
|
DYNAMIQUE
|
|
Degré d’homogénéité ou de versatilité des effets dynamiques, amplitude des variations et durée des phases de crescendo et de decrescendo.
Effet de tremolo constant ou ponctuel.
|
|
TIMBRE
|
Timbre général (« Timbre identité »)
|
Caractéristiques timbrales liées à l’utilisation d’un registre de voix (registre résonantiel : fry, poitrine, fausset, belting…)
Voix plus ou moins timbrée : dans le souffle, gutturale, forcée et tendue, relâchée, éraillée… Caractéristiques souvent liées à un type d’énonciation (chuchoté, murmuré, conversationnel, déclamatoire, crié…).
Renforcements formantiques (singing formant)
Incidence des paramètres technologiques : proximité de la prise de son, etc.
|
|
Effets ponctuels
relatifs au timbre
(« timbre qualité »)
|
Effets présents sur certaines syllabes : growl, expulsion d’air (ex. sur une attaque ou une fin de tenue), passage en voix de tête (jodel), raucité ou éraillement ponctuel…
|
|
ÉLÉMENTS PLURI DIMENSIONNELS (TEMPS, F0, DYNAMIQUE, TIMBRE…)
|
Effets à l’attaque
d’une note ou à la coupure d’un son
|
Effet ponctuel ou généralisé d’attaque ou d’extinction dans le souffle, en coup de glotte, en fausset, en fry… Impliquant simultanément des variations de dynamique, de la f0 et du timbre.
|
|
Éléments paralinguistiques et extralinguistiques
|
Inspirations audibles (durée, intensité) et découpage de l’énoncé en groupes de souffle de longueur variable. Phrasé et position des sons inspiratoires.
Effets paralinguistiques ponctuels : imprégnation du sourire, distorsion du timbre (ironie…), labialisation…
|
|
Traitement phonétique
|
Durée consonantique et vocalique (allongement ou euphémisation des consonnes…)
Prononciation particulière (accents sociaux ou régionaux, R roulés…)
Traitement des e muets en fin de vers (articulés ou élidés, en accord ou non avec la partition musicale)
Ajout d’élisions, de diérèses ou de synérèses non écrites sur la partition.
Traitement des liaisons (prononcées ou non)
Sur-articulation ou négligence articulatoire
|
|
Autres aspects transversaux
|
Emphase expressive, interprétation homogène ou contrastée.
Variabilité dans les réitérations structurelles de la chanson (ex : entre les différentes récurrences d’un refrain).
Proximité avec la voix parlée (imprégnation intonative ou rythmique de la parole conversationnelle ou déclamatoire, qui peut impliquer une instabilité de l’intonation, une absence de vibrato, des notes non tenues…)
|
15Dans la démarche de définition des styles, une autre difficulté est de passer de l’analyse d’exemples concrets à une généralisation, c’est-à-dire à un « style générique » commun à plusieurs chanteurs présentant des similitudes. Deux possibilités s’offrent alors : soit étudier différents chanteurs appartenant à un même style et distinguer les éléments communs – méthode difficile, car les effets utilisés, même voisins, sont toujours légèrement différents d’un artiste à l’autre et fusionner leurs caractéristiques en une sorte de « valeur moyenne » ne donne pas forcément des résultats concluants et réalistes ; soit choisir un interprète particulièrement emblématique d’un style, le considérer comme une forme d’archétype et partir d’une modélisation de son style vocal. C’est cette seconde option qui a été choisie.
16Il s’agissait aussi d’établir une liste de styles génériques. Nous nous sommes concentrés sur l’étude de quatre styles, à travers quatre chanteurs emblématiques : chanson réaliste (É. Piaf), chanteur de charme (S. Distel), chanson Rive gauche ou chanson littéraire (J. Gréco), chant lyrique style mélodie française (F. Leroux). Le choix de ces premiers styles et chanteurs était en partie motivé par l’existence, pour chacun d’eux, d’une interprétation enregistrée des Feuilles mortes ; l’utilisation d’une même chanson permet de discerner plus facilement ce qui relève du style interprétatif.
Nous illustrerons ces propos par l’exemple d’Édith Piaf, en nous concentrant sur les caractéristiques stylistiques relevant de la fréquence fondamentale.
17Nous nous sommes appuyés sur l’étude ponctuelle de diverses interprétations enregistrées d’Édith Piaf et sur l’analyse et l’annotation complète de trois chansons, qui servirent à l’apprentissage automatique et à la modélisation du style : La Foule, L’Hymne à l’amour, Les Feuilles mortes. Ce choix a été dicté par leur représentativité et leur grande parenté stylistique.
18Les trois chansons ont été ainsi annotées : segmentation en phonèmes, courbe de fréquence fondamentale (F0) et notes MIDI alignées sur l’interprétation. Le choix d’enregistrements commerciaux a nécessité, à cause de la présence de l’accompagnement instrumental, le traitement manuel de ces différentes annotations.
Figure 3 : Extrait de l’interprétation de l’Hymne à l’amour avec les trois types d’annotations
D’autres types d’annotations sont en cours de réalisation, afin d’affiner la modélisation de la F0 ou d’évaluer les corrélations avec d’autres paramètres (courbe d’intensité, étiquettes syntaxiques des mots…). Chaque nouvelle annotation permet d’approcher l’objectif ultime : reproduire le plus fidèlement possible une interprétation naturelle et expressive.
19De manière générale, le vibrato est présent sur les notes longues (souvent la dernière note du vers) et prend place sur la partie stable de la tenue, après la transition ou l’attaque glissée, une fois la hauteur cible atteinte (la simultanéité d’un vibrato et d’un glissando est plus rare). D’autre part, la première syllabe de la phrase présente presque systématiquement un glissando ascendant sur toute la durée de la note.
Le tableau suivant répertorie quelques effets interprétatifs récurrents dans les interprétations de Piaf et leurs contextes d’apparition :
Tableau 2
|
CONTEXTE
|
DESCRIPTION DE L’EFFET OBSERVÉ
|
|
Note courte en cours de vers, mouvement mélodique conjoint et ascendant (3 possibilités)
|
Toutes les notes sont incluses dans un même mouvement de glissando ascendant. Phrasé lié. Rôle sémiologique : élan lyrique, emphase.
|
|
Chaque note présente une intonation de forme bombée : le phrasé semble plus détaché, chaque syllabe est mise en relief. Rôle sémiologique : effet de focalisation sur chaque syllabe, souvent utilisé pour créer un renforcement, une surenchère, sur une réitération du refrain.
|
|
Plus rarement : intonation plate sur chaque note successive. Rôle sémiologique : impression d’un phrasé moins emphatique, plus neutre, souvent utilisé lors d’une réitération du même contexte, pour varier les effets et ne pas créer d’accoutumance.
|
|
Dernière syllabe de phrase, valeur longue, suivie d’un silence.
|
Dans tous les cas, la note est tenue avec vibrato, mais avec une différence de traitement selon qu’il s’agit de la dernière syllabe caduque ou non caduque du groupe et que le mot est mono ou plurisyllabique :
|
|
Si la dernière syllabe du vers est une syllabe réelle (et non une syllabe caduque articulée) (2 possibilités)
|
Hauteur stable avec un vibrato sur toute la durée ou un léger glissando ascendant en début de tenue. Le vibrato peut arriver en cours de tenue.
ou
|
|
Note pouvant débuter par un ample glissando ascendant non vibré avant une phase vibrée à hauteur stable.
|
|
Si la dernière syllabe du vers est une syllabe caduque articulée ou la syllabe finale d’un mot pluri-syllabique
|
Pénultième du mot avec un glissando ascendant sur toute la durée. Dernière syllabe tenue sur une hauteur stable, vibrée, sur toute la durée vocalique. Effet particulièrement présent quand la pénultième et la dernière syllabe sont chantées sur une même note.
|
|
À la fin de la strophe
|
Mise en valeur plus affirmée de la dernière syllabe, par un glissando descendant à la fin de la syllabe qui la précède (glissando descendant doublé d’un decrescendo).
|
20Afin de faciliter l’apprentissage automatique d’un style et de permettre la comparaison de toutes les occurrences d’un même contexte, nous avons constitué un « arbre des contextes » qui associe à chaque note de la partition un certain nombre de données liées à la macrostructure de la chanson et pouvant être déduites d’un fichier MIDI ou d’annotations manuelles ajoutées par l’utilisateur. La pertinence et l’impact de chaque contexte seront définis différemment selon le style à analyser (les branches à prendre en compte dans l’arbre diffèrent).
Figure 4 : Extrait de l’arbre décrivant le contexte de chaque note de la partition
21Plusieurs questions se posent quant à l’apprentissage automatique du style à partir de l’arbre et à la constitution du modèle, par exemple dans le cas très courant où l’on trouverait deux effets interprétatifs différents pour un même contexte. Deux solutions sont alors possibles pour l’élaboration du modèle : faire une moyenne de ces deux effets, ou conserver les différentes possibilités et procéder à un tirage au sort lorsque la condition se présente. Nous avons choisi la seconde option, qui a pour avantage d’être plus proche de la réalité interprétative et de restituer en partie la diversité d’une interprétation, puisque la variabilité des effets dans un contexte similaire est une caractéristique discriminante d’un style interprétatif.
22Si l’importance de cerner des contextes est évidente, il faut toutefois noter leur relativisme et leur incomplétude : le degré de variabilité, le caractère non-systématique des choix de l’interprète est un constituant essentiel de la richesse interprétative. Si certains artistes répètent les mêmes effets à chaque retour d’un même contexte et privilégient ainsi la jouissance de la réitération (ex. Piaf : une note longue aiguë en fin de phrase engendre une attaque glissée suivie d’une tenue vibrée), d’autres vont au contraire opter pour une esthétique du changement en variant largement les effets, en particulier sur les parties répétitives pour éviter la monotonie. Dans de tels cas, notre approche tente d’identifier en priorité les effets les plus constants et, pour les autres, la variabilité est assurée par le tirage aléatoire. D’autre part, la description des contextes ne peut faire abstraction du sémantisme textuel, facteur déterminant dans les choix interprétatifs : nous travaillons à l’enrichissement de l’arbre des contextes par un étiquetage grammatical et syntaxique qui permettra, notamment, d’appliquer des effets particuliers aux mots porteurs de sens.
- 4 Méthode décrite dans (Ardaillon, 2017).
- 5 Voici trois extraits sonores de voix chantée synthétique (homme, femme en belting et chant lyrique (...)
23Le synthétiseur développé ici s’appuie sur une approche par concaténation et transformations d’unités4. La fig. 5 présente le principe de cette méthode de synthèse : une base de données de voix est enregistrée par un chanteur, qui chante une série de mots sur une note prédéfinie ; les enregistrements produits sont ensuite segmentés en petites unités phonétiques appelées « diphones », segments sonores qui seront finalement concaténés, afin de reconstituer un énoncé en fonction du texte souhaité5. Les différents paramètres de la séquence sonore obtenue pourront ensuite être modifiés, en appliquant par exemple au son une fréquence fondamentale particulière ou en modifiant le timbre de la voix pour lui donner un caractère plus naturel et expressif.
Figure 5 : Principe de fonctionnement de la synthèse de chant par concaténation de diphones
24Pour produire ces synthèses, nous avons également besoin de ce qu’on appelle le « modèle de contrôle », qui a pour but, à partir de la partition, de générer l’ensemble des paramètres nécessaires à la synthèse – en particulier les variations de hauteur au cours du temps, les durées des phonèmes, les variations d’intensité et les éventuelles variations de timbre. Celui-ci doit permettre un contrôle intuitif de l’expressivité par l’utilisateur, en lui donnant la possibilité d’interagir avec le modèle pour corriger le résultat, afin d’atteindre l’objectif voulu et de synthétiser différents styles de chant.
25Il est alors nécessaire d’établir un ensemble de représentations et de règles qui décrivent et déterminent ces paramètres – courbe de fréquence fondamentale, etc. – et fournissent, dans l’idéal, un cadre général capable de reproduire l’ensemble des différentes stratégies interprétatives des chanteurs. Il s’agit ainsi de trouver un compromis entre généralité, flexibilité et contrôlabilité, pour capter l’essentiel dans un cadre commun.
Figure 6 : Schématisation du rôle du « modèle de contrôle » dans le processus de synthèse à partir d’une partition musicale
26Si nos recherches ont été consacrées en premier lieu à la modélisation de la fréquence fondamentale (f0), c’est qu’elle porte la mélodie, mais aussi un grand nombre de caractéristiques stylistiques (vibrato, attaques, transitions…), comme nous l’avons vu précédemment avec l’exemple de Piaf. Il a été décidé, pour cela, d’utiliser un modèle paramétrique, qui a l’avantage de pouvoir représenter ces variations, de les caractériser et de les quantifier avec un jeu de paramètres restreint.
- 6 Selon la convention utilisée en Traitement automatique de la parole, nous entendons par « phrase » (...)
27Le modèle utilisé pour la représentation des variations de fréquence fondamentale repose sur une segmentation temporelle de la courbe de F0 en cinq types de segments élémentaires (Ardaillon et al., 2015) : les attaques (caractérisées par une montée de la fréquence fondamentale en début de phrase6 musicale, après un silence), les sustains (parties stables des notes, portant le vibrato), les transitions (entre deux notes successives), les releases (possibles baisses de la F0 en fin de phrase, avant un silence) et les silences. Chacun des quatre premiers types de segments est caractérisé par un jeu restreint de paramètres propres : l’attaque et le release sont représentés, par exemple, par deux paramètres, de durée L (en secondes) et de profondeur D (en cents). Les transitions ont des paramètres de durée et d’amplitude (pour décrire d’éventuelles inflexions en début ou fin de transition). Dans la phase de sustain, le vibrato est paramétré par une fréquence de vibration Fvib (en Hertz), une amplitude de vibration Amp et une courbe d’amplitude, de type attack-sustain-release (ASR).
Figure 7 : Paramètres associés à la description de chacune des quatre unités élémentaires
|
Attaque
|
Transition
|
Sustain
|
Release (identique à l’attaque, en renversé)
|
|
Durée : L (s)
Profondeur : D (cents)
|
Durées : dL et dR (s)
Amplitudes des inflexions : AL et AR (cents)
|
Fréquence du vibrato : Fvib (Hz)
Amplitude du vibrato : Avib (cents)
Enveloppe d’amplitude : Ta, Tr (s)
|
Durée : L (s)
Profondeur : D (cents)
|
Figure 8 : Paramétrisation des différents segments du modèle de F0
Attaque (1), transition (2) et sustain (3), selon le modèle paramétrique précédemment décrit. Pour la signification des paramètres, se reporter à la figure précédente.
28Afin de représenter une courbe de F0 extraite d’un enregistrement à l’aide de ce modèle, une segmentation semi-automatique avec correction manuelle de cette courbe est effectuée selon les cinq segments du modèle. Puis, pour chacun de ces segments, les paramètres sont estimés à partir de la courbe. On peut alors reconstruire, à partir de ces paramètres extraits, une version approximée de la courbe originale, comme le montre la figure 9. Celle-ci présente une courbe de fréquence fondamentale originale en sombre, tandis que la courbe claire correspond à sa reconstruction à l’aide des paramètres du modèle. Nous remarquons la grande similitude entre les deux courbes. Les barres verticales délimitent les différents segments du modèle (A pour « attaque », S pour « sustain », T pour « transition », et R pour « release »).
Figure 9 : Reconstruction de la F0 avec les paramètres du modèle
Sur un extrait de L’Hymne à l’amour d’Édith Piaf
- 7 Nous pouvons écouter le résultat de la modélisation et le comparer avec l’original dans les deux ex (...)
- 8 Ce modèle est présenté plus en détails dans (Ardaillon et al., 2015) et (Ardaillon, 2017).
29La proximité entre les deux sons7 confirme l’aptitude du modèle à décrire fidèlement les variations de la F0 et à capturer les principales caractéristiques expressives contenues dans cette courbe8.
Cette étape accomplie, il est maintenant question de trouver comment, automatiquement et à partir de la seule partition, choisir les bons paramètres pour générer une courbe de F0 correspondant au style interprétatif souhaité.
30Nous l’avons vu, les choix interprétatifs des chanteurs ne sont pas aléatoires et leur imprévisibilité n’est que partielle, une partie d’entre eux étant plus ou moins inféodée à des contextes de la partition, avec souvent la récurrence de mêmes effets quand des conditions similaires sont réunies. Ces contextes ont été encore peu pris en compte par les chercheurs, comme le révèle l’état de l’art (Ardaillon et al., 2016).
- 9 Le mot « phrase » désigne un « groupe de souffle », l’ensemble des syllabes chantées entre deux sil (...)
31L’automatisation partielle de la modélisation des styles utilise les enregistrements annotés décrits précédemment et permet de ne pas avoir à établir un système de règles complexes ou d’analyses poussées à chaque synthèse d’un nouveau style. Un apprentissage est réalisé à partir de conditions précisées dans l’arbre des contextes, par l’extraction semi-automatique des paramètres et des contextes associés. Dans l’état actuel, quatre niveaux sont utilisés dans la description des contextes : les caractéristiques de la note courante (hauteur MIDI, durée), des notes voisines (précédente et suivante : hauteur MIDI, durée, intervalle et différence de durée avec la note courante), de la phrase (position relative des notes dans la phrase – première, dernière ou avant dernière note – position mélodique des notes dans la phrase – note la plus haute, la plus basse, pic ou vallée mélodique), et les caractéristiques phonétiques (caducité des notes courantes et suivantes : e muet prononcé en fin de phrase9). La macrostructure de la chanson (couplet, refrain, etc.), la position d’une note au sein de la mesure et la structure syntaxique du texte de la phrase ne sont actuellement pas traitées, car difficilement déductibles de la partition.
Figure 10 : liste des caractéristiques prises en compte pour chaque note de la description des contextes
|
Note :
|
Hauteur, Durée
|
|
Notes voisines :
|
Hauteurs, Durées, Intervalles, Différences de durées
|
|
Phrase :
|
Position relative de chaque note de la phrase (première, dernière, avant-dernière note)
Position mélodique (note la plus haute, la plus basse)
|
|
Phonétique :
|
« Caducité » (e muet)
|
32À ce stade, une nouvelle question se pose : comment choisir, pour un style donné, les paramètres adaptés ? À partir des enregistrements, il s’agit d’établir une base d’exemples appris, constituée d’extraits de ces enregistrements. Pour synthétiser une partition dans un style donné, il suffira ensuite de choisir l’exemple qui correspond au contexte le plus proche. Mais l’évaluation du degré de proximité entre deux contextes n’est pas chose aisée : nous avons vu que les caractéristiques des contextes relèvent de dimensions très différentes – hauteur, durée (mesures absolues en Hertz ou en secondes) et valeurs binaires (première note ? dernière note ? syllabe caduque ? « oui » ou « non »). La comparaison entre ces différentes valeurs est d’autant plus difficile que l’importance respective de chaque paramètre dans l’identification du style ne sera pas forcément la même d’un style à l’autre. La solution est alors de classer automatiquement ces contextes par ordre d’importance : pour cela, nous nous fondons sur une méthode d’apprentissage automatique qui utilise des « arbres de décision ».
Figure 11 : Principe de fonctionnement de l’arbre de décision
33L’arbre de décision pose une série de questions successives sur chaque aspect contextuel et évalue les similitudes interprétatives entre toutes les occurrences d’un même contexte et d’une même combinaison de contextes. L’objectif est de parvenir à isoler les combinaisons de contextes (branches de l’arbre) présentant la plus faible variabilité interprétative entre les différentes occurrences analysées, afin de distinguer les aspects contextuels qui seront les plus déterminants dans le choix d’un effet interprétatif particulier. Si nous prenons l’exemple du vibrato, nous isolons d’un côté tous les exemples qui n’ont pas de vibrato et, de l’autre côté, les exemples présentant un vibrato important, puis l’arbre de décision pose des questions afin de décrire les éléments contextuels communs au sein de chacun des deux groupes d’exemples, de manière à établir les contextes qui vont influer particulièrement sur la présence de vibrato. Les contextes sont classés hiérarchiquement, selon leur capacité à discriminer la présence de vibrato. Au moment de la synthèse, une fois l’arbre construit, il suffira ainsi, en fonction de la partition, de parcourir cet arbre et de récupérer les paramètres correspondant à chaque combinaison de contextes jugée pertinente dans le style considéré.
Figure 12 : Schéma de la procédure générale : choix des paramètres dans la base d’exemples annotés, à partir de la partition et des arbres de décision précédemment constitués
34La figure 12 reprend la procédure générale, avec la première phase d’apprentissage à partir du corpus annoté dont est extraite la base d’exemples : nous représentons ici, par exemple, différentes transitions qui utilisent un jeu de paramètres, associées à un extrait de partition. À partir de cette base, le processus d’apprentissage est lancé pour la construction des arbres de décisions. La base, avec ces arbres, va constituer le modèle de style. Enfin, pour la synthèse, nous pouvons entrer une partition, en extraire certains contextes, et choisir de manière aléatoire, dans la base, un des exemples parmi ceux correspondant le mieux à ce que l’on souhaite.
Figure 13 : Vibrato chez Édith Piaf
Contextes : « durée de la note » et « position = dernière note », classés en haut de l’arbre. Les valeurs sur la figure sont des valeurs normalisées.
- 10 La procédure présentée ci-dessus est également décrite plus en détails dans (Ardaillon et al., 2016 (...)
35La figure 13 présente un arbre construit automatiquement avec l’algorithme qui vient d’être décrit, pour le modèle d’Édith Piaf10. On observe que, pour le vibrato, l’algorithme a automatiquement classé en haut de l’arbre les contextes les plus pertinents : la durée de la note et sa place en dernière position ou non. Les conclusions tirées de l’arbre permettent de corroborer les critères déduits par l’analyse musicologique concernant le rapport au vibrato chez Piaf.
- 11 Écoutes comparatives de l’interprétation originale d’Édith Piaf et de la voix de synthèse à partir (...)
36Pour finir, nous nous proposons de présenter quelques résultats des synthèses produites avec le modèle construit pour le style d’Édith Piaf, réalisé à partir de deux chansons : L’Hymne à l’amour et La Foule. La chanson synthétisée à partir de ce modèle est Les Feuilles mortes, afin de pouvoir comparer cette synthèse à l’original, enregistré par Piaf. L’écoute successive des deux enregistrements (original et synthèse) révèle que, même si la voix de synthèse n’est pas la voix de Piaf, nous avons réussi à capturer les caractéristiques de son glissando et de son vibrato avec un résultat assez comparable11.
37Il nous importe tout d’abord de mettre en évidence la complémentarité fructueuse qui peut exister entre la musicologie et les sciences informatiques : l’apport et l’enrichissement réciproques sont à la mesure de la spécificité des optiques de chaque discipline, pour aborder le même objet : l’interprétation vocale. La première permet d’émettre certaines hypothèses musicales, de privilégier des pistes d’approche, d’établir des inventaires de phénomènes signifiants, la seconde prend appui sur ces préliminaires pour élaborer le modèle de synthèse. Les résultats de cette synthèse sont évalués et peuvent être confirmés ou affinés par chacun des intervenants.
38Mais, comme il est certain que la voix dans les musiques populaires, nous l’avons vu, oscille entre respect du style générique et personnalisation de l’interprétation, cette tension se retrouve entre sciences exactes, qui impliquent une généralisation à partir d’un catalogue fini de possibilités présélectionnées, et musicologie, qui a tendance à privilégier le cas particulier, l’inattendu et la variation, plus que la répétition à cause de l’orientation esthétique et sémiologique qui est la sienne. La confrontation de ces deux optiques et la négociation nécessaire qui en découle sont profitables pour les deux parties, dans la mesure où elles favorisent une modélisation qui ne soit pas schématisante d’une part, et une saisie dans un esprit de synthèse des éléments les plus fondamentaux de l’interprétation d’autre part.
39Les perspectives sont évidemment de modéliser de nouveaux paramètres, de nouveaux styles, d’effectuer des évaluations subjectives des résultats à partir de tests d’écoutes, le tout dans la perspective – peut-être utopique – d’intégrer dans les styles interprétatifs modélisés une part de surprise et de créativité – cela rejoint la question fondamentale des possibilités virtuelles de création de la machine, au centre des préoccupations actuelles de la recherche dans ce domaine.
Flux RSS
