L'IA peut-elle distinguer les voix ? Reconnaissance du locuteur et clonage vocal expliqués

Qui parle en ce moment ? Lors d’une conférence classique, la question se pose à peine : une personne parle, le public écoute. Sur une table ronde, c’est différent. Plusieurs personnes se relaient, s’interrompent ou parlent en même temps. Pour une interprétation simultanée assistée par IA, cela crée une tâche supplémentaire : le système doit non seulement comprendre ce qui est dit, mais aussi, si possible, reconnaître qui est en train de parler. C’est précisément l’objet de la reconnaissance du locuteur. Dans cet article, nous expliquons comment fonctionne la Speaker Diarization, pourquoi la parole superposée est si exigeante, ce que le Voice Cloning pourrait signifier pour l’interprétation – et quelle responsabilité implique la reproduction de voix humaines.

De la conférence à la table ronde : pourquoi la question « Qui parle ? » devient importante

Humain ou IA : pour toute interprétation, le format fait une grande différence. Lors d’une keynote dans un congrès ou d’une présentation lors d’un événement d’entreprise, la source est claire : le micro du pupitre ou le micro-casque de la personne sur scène. On sait sans ambiguïté qui parle.

Lors d’une table ronde, les choses changent. La modération pose une question, un invité répond, un deuxième le contredit, un troisième complète en plein milieu d’une phrase. Ces échanges sont voulus, ils rendent un débat vivant. Pour un système d’IA, ils signifient toutefois que deux tâches doivent être résolues simultanément :

• Que dit-on ? C’est la base de toute interprétation.
• Qui le dit ? Cette information aide à distinguer les interventions et à rendre les enchaînements compréhensibles.

Celui qui suit un débat en interprétation a besoin que les changements d’intervenantes et d’intervenants restent perceptibles. Sinon, les arguments et contre-arguments se fondent rapidement en un seul flux.

Reconnaissance du locuteur par IA : ce que permet la Speaker Diarization

Le terme technique désignant l’attribution temporelle de segments de parole à différents locuteurs est Speaker Diarization. Un tel système analyse les propriétés acoustiques du signal et tente de distinguer les différentes voix les unes des autres.

Le résultat est une structure temporelle. De manière simplifiée, elle peut se présenter ainsi :

• le locuteur A parle dans le premier segment,
• le locuteur B prend le relais,
• le locuteur C prend la parole,
• puis le locuteur A parle de nouveau.

Un point important est souvent négligé : la Speaker Diarization n’est pas la même chose que l’identification des personnes. Le système ne doit pas nécessairement savoir quelles personnes réelles se cachent derrière les voix. Il suffit qu’il reconnaisse la voix A et la voix B comme des voix différentes. Que A soit la modératrice et B le membre du directoire reste, pour cette tâche, une question ouverte dans un premier temps.

C’est précisément cette capacité qui est pertinente pour une interprétation simultanée. La seule information qu’une autre personne parle maintenant peut déjà aider à restituer un débat de manière plus compréhensible.

Quand tout le monde parle en même temps : séparation des locuteurs en cas de parole superposée

La situation devient particulièrement difficile lorsque plusieurs personnes parlent en même temps. Dans une table ronde animée, cela arrive régulièrement – une brève interjection, un mot d’approbation, deux réponses qui se chevauchent.

C’est là qu’interviennent les procédés d’Audio Source Separation. Ils visent à séparer les uns des autres différents signaux vocaux qui se superposent. Dans le meilleur des cas, un mélange redonne des voix individuelles et intelligibles.

La qualité de ces procédés dépend toutefois fortement du matériau de départ et des conditions acoustiques. Plus les voix individuelles sont nettes dans le signal, mieux elles peuvent être distinguées. Ce qui s’est déjà perdu dans le son ne peut pas être récupéré de manière fiable, même par une séparation sophistiquée.

Ce que cela signifie pour votre organisation

Pour les organisateurs, cela signifie : la question de savoir dans quelle mesure une IA peut distinguer les locuteurs est toujours aussi une question de technique son. Nous avons décrit en détail comment la prise de son sur les tables rondes pose les bases de toute interprétation dans l’article Interprétation par IA et technique audio : pourquoi tout commence au micro. Si vous prévoyez une interprétation simultanée pour une table ronde, il est utile de régler le son ensemble suffisamment tôt.

Voice Cloning : une interprétation peut-elle conserver la voix ?

Un second champ de recherche va encore plus loin. Il porte sur la reproduction synthétique de voix humaines, souvent appelée Voice Cloning.

La synthèse vocale moderne peut reprendre certaines caractéristiques d’une voix et les utiliser pour de nouveaux contenus linguistiques. Cela ouvre de nouvelles possibilités pour l’interprétation : un orateur pourrait être restitué dans une autre langue tout en conservant en partie les caractéristiques propres à sa voix.

Le mot « en partie » est choisi délibérément. Il ne s’agit pas de copier entièrement une personne, mais de faire en sorte que l’interprétation ne sonne plus comme une voix étrangère et porte des traits de l’original.

En combinaison avec la reconnaissance du locuteur, le potentiel devient visible : si un système reconnaît que c’est le locuteur B qui parle et conserve les caractéristiques de sa voix dans la langue cible, une table ronde interprétée pourrait être nettement plus facile à suivre. Des questions similaires se posent pour la transmission de l’intonation et de l’expression – pour en savoir plus, lisez notre article L’IA peut-elle traduire les émotions ?

Possibilités techniques et questions éthiques

Aussi passionnante que soit la technique : la reproduction de voix humaines implique une responsabilité considérable. Une voix est quelque chose de très personnel. Celui qui la génère de manière synthétique évolue dans un domaine sensible.

Trois conditions sont, selon nous, essentielles :

• Consentement : la personne dont la voix est reproduite doit y consentir.
• Transparence : dans un contexte professionnel en particulier, il doit être clair quand une voix synthétique est utilisée. Le public doit savoir qu’il entend une interprétation et non la personne elle-même.
• Protection contre les abus : les voix reproduites ne doivent pas être utilisées en dehors de la finalité convenue.

Pour les entreprises, les associations et les institutions publiques, ces questions ne sont pas abstraites. Lors d’une assemblée générale, d’une conférence spécialisée ou d’une séance publique, il doit être possible à tout moment de savoir qui a dit quoi – et sous quelle forme cela est restitué.

La perspective de MILA sur la reconnaissance du locuteur et la conservation de la voix

Pour les futurs systèmes d’interprétation par IA, la reconnaissance du locuteur et la conservation de la voix sont des axes de développement importants. Lors des tables rondes en particulier, une attribution fiable des interventions à chaque locuteur pourrait améliorer la compréhension. C’est pourquoi nous suivons ces technologies avec attention.

Notre critère reste le même : l’innovation technique doit apporter une réelle valeur ajoutée à la communication. Pour nous, une nouvelle fonction n’a de sens que si elle aide vos invités à mieux suivre un événement.

Pour votre événement, nous misons aujourd’hui sur ce qui peut être planifié de manière fiable. L’interprétation simultanée par IA fonctionne en local sur notre propre équipement sur le lieu de l’événement, sans cloud – les paroles prononcées ne quittent pas l’événement. Nous paramétrons à l’avance les termes techniques et les noms propres du programme. Chaque langue est transmise sur un canal dédié dans le système d’interprétation ou l’équipement de conférence existant, et, sur demande, avec des récepteurs et des casques pour les invités. Et un technicien système est toujours présent sur place : il planifie avec vous, installe le matériel, assure le suivi de l’interprétation pendant l’événement et démonte ensuite.

Vous prévoyez un congrès, une conférence ou un événement d’entreprise avec une table ronde et souhaitez savoir comment mettre en place l’interprétation ? Vous trouverez tous les détails sur la technique et le déroulement sur notre page Prestations. Nos domaines d’intervention présentent les formats que nous accompagnons – n’hésitez pas à nous contacter.