Le point de vue Phonétique
L’idée fondatrice
Le projet Lectura repose sur une conviction : la représentation phonétique du français est un point de factorisation naturel pour des problèmes qui, en apparence, relèvent de domaines très différents. La technologie vocale, l’apprentissage de la lecture et la compréhension de la grammaire partagent un même socle : le langage parlé, formalisé en phonétique IPA.
Plutôt que de traiter ces problèmes séparément, Lectura les aborde à travers ce même prisme.
Factoriser la technologie vocale
La synthèse vocale (TTS) et la reconnaissance vocale (STT) sont traditionnellement traitées comme deux problèmes distincts, avec des architectures et des données d’entraînement séparées. Pourtant, ils partagent un même espace intermédiaire : la transcription phonétique.
Le pipeline d’ingénierie vocale de Lectura peut ainsi se résumer de la façon suivante :
- Le TTS (Text-To-Speech) transforme du texte en phonèmes, puis des phonèmes en audio.
- Le STT (Speech-To-Text) transforme de l’audio en phonèmes, puis des phonèmes en texte.
Cette approche va à contre-courant de la tendance actuelle, qui privilégie les architectures end-to-end : un seul modèle massif qui apprend directement la correspondance texte ↔ audio. Ces systèmes donnent d’excellents résultats, mais au prix de modèles volumineux, de corpus d’entraînement considérables et de matériel coûteux (clusters de GPU).
L’architecture modulaire de Lectura fait le pari inverse : développer, tester et améliorer chaque couche séparément, et combiner librement les briques selon le besoin (TTS, STT, ou tout pipeline hybride).
En isolant la couche phonétique, Lectura tente de factoriser le problème au bon niveau. En épurant le langage textuel de sa couche orthographique, le modèle acoustique, en amont ou en aval, n’a plus qu’à gérer la correspondance entre phonèmes et signal sonore, qui a pour avantage d’être bijective. De plus, le Phonémiseur (texte → IPA) et le Graphémiseur (IPA → texte) deviennent des briques réutilisables indépendamment de la modalité audio (voir projet Correcteur).
Les bénéfices sont concrets :
- Des modèles légers, rapides et portables. Chaque brique ne résout qu’une partie du problème, ce qui permet d’utiliser des architectures modestes. Le phonémiseur (1,75M paramètres, 1,8 Mo en ONNX INT8) et le graphémiseur (3,2M paramètres, 4,4 Mo) tiennent sur n’importe quel appareil. Le modèle TTS (29 Mo) et le décodeur CTC (38 Mo) peuvent tourner en local sur des appareils modestes (smartphone, Raspberry Pi) pour une qualité sensiblement comparable aux moteurs de référence.
- Moins de données nécessaires. Des modèles spécialisés plus petits s’entraînent sur des corpus plus modestes que leurs équivalents end-to-end.
- Moins de matériel. L’entraînement de chaque brique ne nécessite qu’un GPU léger (une simple carte NVIDIA RTX 3060), là où les systèmes end-to-end demandent souvent des grappes de GPU et des semaines de calcul.
Entraînement des modèles : le phonémiseur comme socle
La stratégie d’entraînement de Lectura découle directement de cette architecture centrée sur la phonétique.
La première étape a été de développer un phonémiseur de qualité, capable de transcrire fidèlement du texte français en phonétique IPA, avec la morphologie, les liaisons et la prosodie. C’est le socle sur lequel tout le reste repose.
Une fois ce phonémiseur fiable, il devient possible de phonémiser les grands corpus textuels et vocaux existants :
| Corpus | Nature | Utilisation |
|---|---|---|
| Wikipedia FR | Texte | Corpus texte ↔ phonétique pour le G2P et le P2G |
| Common Voice | Voix + texte | Corpus audio ↔ phonétique pour le TTS et le STT |
| SIWIS | Voix studio | Corpus audio haute qualité pour le TTS |
| LibriVox | Voix + texte | Corpus audio multilocuteur pour le STT |
Le point clé : ces corpus annotés en phonétique sont réutilisables dans les deux sens. Un corpus texte-phonétique sert à entraîner le phonémiseur (texte → IPA) et le graphémiseur (IPA → texte). Un corpus voix-phonétique sert à entraîner le TTS (phonèmes → audio) et le STT (audio → phonèmes). La factorisation au niveau phonétique se retrouve jusque dans les données d’entraînement.
Un langage sous-jacent à l’apprentissage de la lecture
Le français est une langue opaque du point de vue orthographique : un même son peut s’écrire de dizaines de façons différentes (le son /o/ s’écrit o, au, eau, ô, ot, os, op, aud, aux, ault…). Cette opacité est le premier obstacle de l’apprentissage de la lecture.
L’approche syllabique, largement utilisée en pédagogie, consiste à décomposer les mots en syllabes pour faciliter le déchiffrage. Mais la syllabe elle-même repose sur la phonétique : c’est la structure sonore du mot qui détermine ses frontières syllabiques, pas son orthographe. La phonétique est le langage sous-jacent au point de vue syllabique.
L’approche phonétique de Lectura rend explicite ce qui est implicite dans l’orthographe :
- Quel son produit chaque lettre ou groupe de lettres ?
- Quelles lettres ne se prononcent pas ?
- Comment les mots se connectent-ils à l’oral (liaisons, élisions) ?
- Où se situent les frontières syllabiques ?
Ces informations, triviales pour un lecteur expert, sont précisément ce que l’apprenant doit construire. C’est l’objectif du pipeline de lecture augmentée de Lectura : produire un texte que l’on peut voir, entendre et explorer à différents niveaux de granularité.
La phonétique comme clé de la grammaire
C’est peut-être l’enseignement le plus surprenant du projet. Le pipeline P2G (phonèmes → texte) est capable d’étiqueter correctement la morphologie des mots (catégorie grammaticale, genre, nombre, conjugaison) à partir de la seule transcription phonétique de la phrase.
Autrement dit : le signal du langage parlé suffit à comprendre la grammaire et, en grande partie, l’orthographe d’une phrase, à condition de disposer de suffisamment de contexte. Le modèle P2G, entraîné uniquement sur des séquences phonétiques, retrouve les accords, distingue les homophones et reconstruit l’orthographe avec une précision d’environ 95%.
Ce résultat ouvre des perspectives concrètes, notamment pour la correction orthographique. Si un modèle peut retrouver l’orthographe correcte à partir de la phonétique, alors un correcteur peut s’appuyer sur la même logique : convertir la phrase en phonétique, puis vérifier si la graphie choisie par l’utilisateur est cohérente avec ce que le modèle attendrait. C’est l’une des approches explorées dans le projet Correcteur.
En résumé
La représentation phonétique est un point de factorisation efficace à trois niveaux :
| Niveau | Problème | Apport de la phonétique |
|---|---|---|
| Technologique | TTS et STT traités séparément | Couche commune phonémiseur/graphémiseur, modèles acoustiques indépendants |
| Pédagogique | Opacité de l’orthographe française | La phonétique rend explicite la logique sous-jacente aux syllabes et à la lecture |
| Linguistique | Grammaire et orthographe | Le signal phonétique suffit à retrouver la morphologie et l’orthographe en contexte |
C’est cette idée, placer la phonétique au centre, qui structure l’ensemble du projet Lectura et en constitue un axe de recherche à part entière.