Fig. 3.1 - Schéma des 3 niveaux d'écrémage. Les boites grisées représentent des segments de parole. Les boites blanches des segments de bruits de fond. Les pointeurs indiquent les segments valides pour les fonctions de saut.
Quelques études ont été menées afin de faciliter la prise de connaissance et la manipulation d'un document sonore. Elles tentent, pour cela, soit d'accélérer la restitution d'un enregistrement, soit de lever la séquencialité du son en offrant des mécanismes permettant un déplacement rapide et intelligent dans un enregistrement. Ces méthodes ne sont nullement incompatibles ; et il semble évident qu'une utilisation conjointe de ces deux techniques ne peut qu'accroître leur efficacité.
SpeechSkimmer est un système développé par Barry Arons au MIT media laboratory [Aro93]. L'objectif premier est d'accélérer la prise de connaissance d'un document de parole enregistrée. Bary Arons part du fait que la parole est lente à écouter et difficile à parcourir. Pour supprimer ces obstacles, son idée est de compresser la parole. Le terme compression ne doit pas être pris ici dans son acception la plus courante, bien établie en traitement d'images, et qui induit une réduction de taille en nombre de bits. La réduction ne se fait pas ici pour le stockage mais pour la restitution du signal sonore. En effet, SpeechSkimmer met à profit les connaissances des processus de la communication parlée en exploitant les caractéristiques, la structure et les redondances inhérentes dans la parole spontanée. Son système segmente automatiquement le flot de parole et élimine, suivant différents algorithmes, des morceaux d'informations redondantes ou non pertinentes. Ces techniques permettent d'accélérer (ou de ralentir) le débit de la parole tout en maintenant la qualité de la voix et l'intelligibilité.
Pour illustration :
Un enregistrement peut simplement être joué avec un taux d'horloge plus rapide. Ce changement de fréquence déforme la voix et résulte en une détérioration indésirable de l'intelligibilité .
Une autre méthode consiste à supprimer, à intervalles réguliers, de courts segments. Les segments sont, de 30 à 50 ms ; plus longs qu'une période fondamentale mais plus courts qu'un phonème.
Une variante à cette méthode consiste à émettre les segments non supprimés dans une oreille et les morceaux supprimés dans l'autre oreille.
La suppression des pauses peut également être utilisée comme compression de temps.
Trois niveaux d'écrémage ont été définis dans le système SpeechSkimmer. Le plus bas niveau d'écrémage consiste à restituer la parole enregistrée sans modification. Dans le niveau 2, les pauses sont sélectivement écourtées ou supprimées. Les pauses de moins de 500 ms sont éliminées, les autres sont fixées à une taille de 500 ms. Cette méthode accélère l'écoute tout en conservant les principales pauses. Le niveau 3 est le niveau d'écrémage le plus élevé. Il est basé sur le fait que les plus longues pauses indiquent un changement de sujet ou de locuteur. Il y a de fortes chances pour que les informations sémantiquement importante suivent ces pauses. Ce niveau 3 va donc tenter d'isoler les segments de contenu sémantiques distincts. Seules les deux secondes de parole numérique déjà compactée suivant la pause de plus de 900 ms vont être jouées. Il est à noter que ce processus de segmentation est sujet aux erreurs mais fournit un aperçu rapide du document.
Fig. 3.1 - Schéma des 3 niveaux d'écrémage. Les boites grisées représentent des segments de parole. Les boites blanches des segments de bruits de fond. Les pointeurs indiquent les segments valides pour les fonctions de saut.
Le système SpeechSkimmer permet de changer rapidement et interactivement de niveau de compression. Il fournit, de plus, à chaque niveau, une fonction de saut qui permet de passer d'une pause à l'autre et donc de passer d'un segment à l'autre. Des combinaisons astucieuses telles qu'un retour au début du segment avec passage en mode normal pour une consultation plus attentive, peuvent être imaginées.
SpeechSkimmer n'a pas la prétention de constituer une application à lui tout seul, mais plutôt d'être incorporé dans l'interface de toute application utilisant de la parole enregistrée. Il a pour vocation de rendre la parole facile d'accès.
DIGIBOOK [DIG] est un consortium regroupant des commerciaux, des utilisateurs et des chercheurs. Il a une origine européenne puisqu'il fait partie des projets COPERNICUS qui englobe les pays de l'Europe communautaire étendue aux pays de l'est. Il regroupe les pays suivants : Belgique, Italie, Lituanie, Hongrie et Russie.
Son principal objectif est d'améliorer l'accessibilité aux informations textuelles pour les personnes handicapées visuelles. Ce système est basé sur la capacité auditive de l'utilisateur puisqu'il propose le passage du texte au livre parlant. Cependant, il introduit un dérivé du livre parlant : le livre hybride [ABBV96].
Pourquoi l'utilisation du terme " hybride " ? Le livre est composé, à la fois, d'un support textuel et sonore. En effet, on dispose initialement d'un document textuel. Puis, le livre est enregistré numériquement pour être ensuite découpé en morceaux contenant chacun un paragraphe.
Le texte est structuré en utilisant un formalisme de balisage proche du langage de balisage hypertexte HTML (Hypertext Markup Language). Des balises sont rajoutées au début de chaque paragraphe pour lier les fichiers sonores contenant la version parlée du paragraphe. Le texte structuré gouverne donc la synchronisation entre le texte et le son.
|
Processus utilisés : |
structuration de document de type SGML |
||
|
numérisation de la parole |
|||
|
Techniques utilisées : |
support de stockage CD-ROM |
||
|
méthode de compression du son |
ADPCM |
25h/CD |
|
|
MPEG1/2 |
50h/CD |
||
|
balisage HTML légèrement modifié |
|||
L'approche du système DIGIBOOK n'est pleinement efficace que pour certains types de livres : les fictions, les cours et certains livres techniques. Elle ne pourra pas cependant être utilisée avec des livres de nature particulière comme les annuaires, les dictionnaires ou autres.
La préparation d'un livre se décompose ainsi :
- structuration du texte automatique par un convertisseur du format RTF vers le formalisme HTML ;
- enregistrement continu en utilisant une carte Sound Blaster à 16 kHz dans un format non compressé ;
- segmentation manuelle en unités paragraphiques puis compression dans des petits fichiers au format ADPCM ;
- pose manuelle des balises dans le texte vers les fichiers sonores des paragraphes, des notes de bas de page, des descriptions d'images, des renvois.
Le livre se compose, au final, d'un fichier texte structuré et d'une multitude de petits fichiers sonores.
Des prétraitements ont été effectués à des fins d'amélioration :
- la structure du livre et son contenu sont séparés dans des fichiers distincts ;
- les petits fichiers sonores sont regroupés en un unique grand fichier.
En conclusion, le principe fondamental de consultation réside dans le fait que la navigation se fait à partir du texte structuré. Le support textuel est beaucoup plus simple à manier et ses techniques de traitement sont beaucoup mieux connues que celles du son.
Cependant, cette solution nécessite beaucoup de travail pour la mise au point d'un livre hybride. L'automatisation de la synchronisation du texte pendant la phase d'enregistrement n'a pas été étudiée.
Le choix de l'approche de DIGIBOOK repose sur la volonté d'allier les puissantes fonctionnalités de navigation du support électronique textuel et une grande qualité de voix.
Le système numérique de livre parlant DAISY (Digital Audio Information System) veut être un concept général pouvant être utilisé pour concevoir des systèmes d'information variés dont le principal media d'information est du son numérisé sous forme de parole. Il est à l'initiative de la TPB, la bibliothèque suédoise du livre parlant et du braille, qui a pour vocation de produire des ouvrages sonores ou brailles principalement pour des étudiants visuellement handicapés d'un niveau d'étude élevé.
Le système a été mis en œuvre par une société suédoise consultante en informatique, Labyrinten Data AB [Lab].
Avec ce projet, la TPB n'a pas seulement la volonté de répondre à ses propres besoins mais également de promouvoir le concept DAISY auprès de tous les producteurs de livre parlant à travers le monde. Le but principal est de proposer une méthode d'enregistrement, de stockage et de restitution de document à base de parole enregistrée. Ce système comprend :
- la spécification d'un format de données supportant le stockage d'ouvrages de natures différentes. La TPB suggère l'adoption de ce format comme standard commun aux développeurs d'applications utilisant des documents sonores numériques pour une meilleure compatibilité entre différents systèmes ;
- une plate-forme d'enregistrement " DAISY Professional Recording Studio " , constituée d'un logiciel d'enregistrement, qui fournit les outils nécessaires à l'élaboration d'un livre parlant ;
- un logiciel de transfert qui permet le passage du support analogique des cassettes actuellement utilisées au support numérique dans le format DAISY. Ce processus est grandement automatisé et peut fonctionner à une vitesse deux fois plus rapide que la vitesse normale ;
- un logiciel de restitution " DAISY Playback for Windows " qui offre des fonctionnalités de navigation avancées pour faciliter l'accès à l'information et une compression de temps intelligente pour accélérer la lecture du document.
La famille des logiciels du projet DAISY utilise les capacités d'un ordinateur PC standard équipé d'une configuration multimédia : un lecteur de CDROM et du matériel d'entrée/sortie sonore.
Les enregistrements de parole sont automatiquement segmentés au niveau de la phrase. Des algorithmes utilisant la durée des plages de silence, comme ceux vu dans le système SpeechSkimmer, isolent des blocs de parole correspondant, à peu près, aux phrases (1).
Ces blocs constituent l'unité minimale à laquelle l'utilisateur pourra accéder.
Un livre parlant DAISY est constitué de plusieurs fichiers [Col96] (cf. figure 3.2) :
- des fichiers de données sonores (DTBF pour DIASY Talking Book Format). La spécification RIFF (Ressource Interchange File Format) est utilisée pour organiser les informations ;
- des fichiers d'index (BOOK et PAT). Ces fichiers contiennent uniquement des caractères ASCII. Ils utilisent la présentation de fichiers INI de l'environnement Windows. Chaque fichier consiste en une ou plusieurs sections (ou registres) ; chaque section consiste en une ou plusieurs entrées. Chaque entrée consiste en un nom suivi de données séparées par un séparateur.
Le fichier BOOK constitue un index principal pour l'intégralité du livre parlant. Il contient la table des matières du livre qui consiste en une liste de références à des sections. Il y a un seul fichier BOOK par livre.
Le fichier PAT (Phrase Access Control) est un index dont les entrées pointent sur les fichiers DTBF contenant l'unité de données à restituer. Ce n'est pas forcément de la parole enregistrée mais on peut également référencer un bloc de texte, une image graphique, ... Il y a autant de fichiers PAT que d'éléments dans la table des matières (en général beaucoup).
Fig. 3.2 - Organisation des données du format DAISY.
La figure 3.2 présente les relations entre les différentes représentations structurelles et les fichiers du système DAISY.
DAISY Playback propose un certain nombre de fonctionnalités facilitant la navigation à l'intérieur d'un livre sonore. Une table des matières, qui existe également sous forme textuelle, offre des liens directs à tous les chapitres et sous chapitres. La forme textuelle permet une recherche automatique dans la table des matières. Une fonction d'information fournit à tout moment le titre de la section actuellement consultée ou le titre de la section parente s'il s'agit d'une sous section. Une autre commande indique le numéro de la section courante. Des raccourcis permettent de se déplacer de section en section ou par groupe de sections. A l'intérieur d'une section, on peut se déplacer de phrase en phrase ou par groupe de phrases (en avant ou en arrière). On peut également atteindre la première ou la dernière phrase de la section courante. Dix marqueurs peuvent être posés à n'importe quel endroit du texte. La vitesse de diction peut être modulée suivant cinq positions : lente, normale, " vive " , rapide ou " turbo " . L'application propose également une aide visuelle et sonore.
Le système PlexTalk est un produit de la société japonaise Plextor [Ple], spécialisée dans la production de CDROM.
PlexTalk est une solution matérielle pour la consultation de livres parlants numériques. C'est un lecteur de CDROM muni de fonctionnalités avancées. PlexTalk permet de lire des CDROM au format DAISY, tout en tirant profit des fonctions d'indexage et d'information de ce format, et permet également la lecture de CDROM musicaux. Il mesure 25 cm de long, 29 de profondeur et 8 de hauteur et pèse 2,5 kg. Il fournit les fonctions d'avance et de retour rapide d'un lecteur de cassettes standard. A tout moment, un navigateur vocal indique à quelle position on se trouve dans le texte. Quatre fonctions de référence sont disponibles : le mode arbre, le mode page, le mode temps, le mode marque page [Ple96].
Il est disponible durant l'écoute du livre. Il fournit un indexage suivant la table des matières. Il permet de changer de niveau dans la hiérarchie des titres de la table des matières pour ensuite pouvoir passer d'une entité à l'autre. Par exemple, pour atteindre le chapitre 3.5.1, il faut procéder ainsi : passer au niveau 1 (le plus élevé), et se placer sur le chapitre 3 ; puis passer au niveau 2 et se déplacer jusqu'au cinquième sous chapitre.
Cette fonction est uniquement disponible si elle est supportée par le livre. Elle permet de connaître le numéro de la page courante et d'accéder directement à une page en indiquant son numéro.
Il énonce des informations temporelles :
Il permet un déplacement suivant un argument temporel.
PlexTalk possède 2 types de marque-page : le marque-page simple et un ensemble de marqueurs.
- Le marque-page simple est unique et permet de repérer l'endroit auquel la lecture devra reprendre lors de la session suivante ;
- une vingtaine de marqueurs peuvent être posés à l'intérieur du texte pour fournir un accès direct à la position marquée. Le système indique " marque n posée " .
Ce système a été élaboré par VisuAide [Vis] sous l'égide d'Arkenstone [Ark]. Toutes les deux sont des organisations à but non lucratif ayant pour objectif de concevoir des outils de haute technologie à destination des personnes handicapées visuelles.
Cette solution, comme le système PlexTalk présenté à la section 3.4, propose un appareil dédié à la lecture de documents sonores. Il est un peu plus compact que son homologue, puisqu'il mesure 19 cm de long, 11,5 de large et 4 de hauteur et ne pèse que 1 kg. Il utilise des disquettes standards (3 pouces et demie) d'une capacité de 1,44 Mega-octets, qui lui permettent de stocker jusqu'à 45 minutes d'information vocale.
Lui aussi se veut simple d'utilisation. Il offre les fonctionnalités de base d'un magnétophone courant, plus des fonctions d'aide à la consultation :
Il utilise des techniques de codage, développées par l'Université de Sherbrookepour, pour minimiser l'espace nécessaire au stockage de la parole.
Il permet une accélération de la vitesse de diction : jusqu'à quatre fois la vitesse d'origine.
Outre ces fonctions de consultation, il offre des utilitaires d'aide à l'organisation tels que :
Il propose à l'utilisateur une aide vocale contextuelle. Le choix entre cinq langues est possible. Il est à noter, également, la possibilité d'une saisie alphanumérique avec un clavier braille.
Pour information, nous signalons l'existence de deux projets récemment débutés.
Le système Dynamique Soundscape est une extension du projet AudioStreamer. Ces deux systèmes utilisent l'effet " cocktail party " qui exploite notre capacité à sélectionner une source sonore en présence d'autres sources simultanées. Dynamique Soundscape s'appuie sur deux idées : une présentation simultanée et une spatialisation du son. Pour plus de détails se rapporter à l'article présenté lors de la conférence CHI'97 [KS97].
Ce projet, qui a débuté en août 1996, veut utiliser la forme textuelle du document parallèlement au fichier son. Le texte est codé suivant le formalisme HTML et le son est au format WAVE. Le système fonctionne avec un ordinateur multimédia standard. L'interface a été conçue pour les systèmes d'exploitation Windows. Le CD-ROM a été retenu comme support de stockage.
La production de livres devrait débuter au moment où nous écrivons ces lignes. Nous ne connaissons pas encore de référence bibliographique concernant ce projet (encore trop jeune).
Ces projets sont à suivre, car ils influenceront, peut-être, la suite des recherches dans le domaine des livres parlés.
Le tableau suivant présente, de manière synthétique, un comparatif des différents systèmes suivant les choix effectués concernant :
- la ou les modalité(s) de restitution ;
- la norme de représentation des données ;
- les techniques d'accès à l'information ;
- le mode de consultation du document ;
- le matériel requis par le système.
|
SpeechSkimmer |
DAISY Plextalk |
DIGIBOOK |
Magnum |
|
|
Modalité |
Son |
Texte/Son |
Texte/Son |
Son |
|
Norme de Représentation |
segmentation propre au système |
Fichier de type INI ADPCM |
HTML ADPCM |
? |
|
Technique d'accès à l'information |
par élimination des pauses |
segmentation et adressage |
segmentation et adressage |
indexage |
|
Mode de consultation |
séquentiel + sauts locaux |
à partir de la table des matières |
hypertexte |
table des matières |
|
Matériel |
ordinateur |
DAISY: ordinateur. PlexTalk: boîtier extérieur |
ordinateur |
boîtier extérieur |
1: Il existe une nuance, en langue anglaise, entre les mots phrase et sentences. Phrase possède un sens plus général est pourra désigner une proposition ou un court paragraphe. 
2: si ce n'est la capacité de stockage (1.4 Mo c'est vite utilisé !).
 |
 |
 |