Le professeur Jean-Claude LAFON (1961) a montré que la voix avait une constitution impulsionnelle. Pour démontrer ce fait, il ralentit progressivement un enregistrement sonore de bruit et constate que plus la vitesse de lecture de la bande diminue, plus le son perçu devient grave, un fort ralentissement allant jusqu’à le rendre inaudible.

En revanche, si le signal sonore est de la voix, la perception devient dans un premier temps de plus en plus grave jusqu’à dépasser le seuil d’intégration de l’appareil. Dans un second temps, l’auditeur perçoit un bruit de type « ploc », comme le ferait une bulle qui éclate en arrivant à la surface de l’eau. La parole est donc une succession de « ploc » qui sont en fait des impulsions. En ralentissant encore la bande sonore, les « ploc » sont perçus à intervalles de plus en plus longs.

Une impulsion est entendue, car elle contient toutes les fréquences.

Les informations temporelles et fréquentielles contenues dans un message sont intimement liées. C’est le physicien Joseph FOURIER qui, en 1812, a montré par le calcul que des sons périodiques complexes (ou sons musicaux) peuvent être décomposés en une succession de sons sinusoïdaux, appelés harmoniques, dont les fréquences sont toutes multiples d’une même fréquence F₀ appelée fondamentale.

Cette découverte, extraordinaire pour l’époque, permet de passer d’une représentation temporelle d’un son à une représentation fréquentielle ou l’inverse par l’utilisation d’un outil mathématique : la transformée de FOURIER ou son inverse.

La représentation d’un son pur sera donc différente en fonction de la référence utilisée. Un son pur sera représenté par une sinusoïde sur un axe temps–intensité, alors qu’il sera représenté par une raie caractéristique de la fréquence du signal sur un axe fréquence–intensité.

GRAPS propose une alternative à la transformée de FOURIER pour expliquer notre capacité à gérer la variabilité du signal de parole. C’est la théorie des ondelettes (wavelets transformation). Cette méthode repose sur le principe de l’appariement entre un signal physique de forme variable et un référent. Par des méthodes mathématiques qui consistent à transformer la représentation spectrographique du signal à la fois dans le domaine spectral et temporel, on peut apparier des signaux de parole variant sur ces deux dimensions avec une représentation normalisée.

On trouve dans le domaine de la vision des propositions alternatives telles les cônes généralisés MARR (1982) ou les géons BIEDERMAN (1987). Le principe consiste à utiliser un nombre restreint de formes (cônes ou géons) pour décrire une scène visuelle. En prenant un nombre suffisant de cônes par exemple, on peut reproduire une scène visuelle par la combinaison de ces cônes, en faisant varier leur taille et leur disposition respective.

Il reste à identifier en mémoire le ou les objets qui correspondent à cette combinaison de cônes. C’est la configuration des cônes entre eux qui permet de récupérer l’objet en mémoire.

Par la théorie des ondelettes, il est possible d’arriver à une représentation spectrographique d’un signal sonore en utilisant une multitude de petites ondes selon le même principe. Ce procédé est utilisé à l’heure actuelle pour la reconnaissance automatique de la parole. Il n’existe par contre pas de modèle cognitif de traitement de la parole réalisé par cette méthode.

Bien que les notions de fréquence et de temps soient intimement liées, ce sont les variations de temps qui seront traitées dans ce chapitre.

Lorsqu’on stimule une fibre auditive avec un signal sinusoïdal, celle-ci émet des potentiels d’action successifs dont la période d’émission est l’inverse de la fréquence.

Par exemple, si la fréquence du son pur stimulant est de 408Hz, la période entre deux potentiels d’action sera de 2,4ms (1/408 = 2,45).

Ce codage fonctionne ainsi jusqu’à 1000Hz, délivrant pour cette fréquence un potentiel d’action toutes les 1ms. Au-dessus de cette fréquence, on atteint la période réfractaire de la fibre auditive et le rythme des potentiels d’action ne peut plus augmenter. Le codage temporel ne peut donc fonctionner qu’en dessous de 1000Hz.

Cependant, la durée d’amortissement d’une impulsion par la cochlée est de 60ms (équivalent à 17Hz).

En conséquence, au-dessus de 1000Hz, le rythme d’émission n’est plus modifié et en dessous de 17Hz, tout est distinct et donc successif. Entre les deux, plus on s’approche de 17Hz, plus le signal perçu correspond à la notion de l’analyse d’une durée.

On comprend ainsi pourquoi certains auteurs définissent l’enveloppe temporelle comme l’ensemble des modulations d’amplitude inférieures à 50Hz, alors que d’autres la situent plus précisément comprise entre 4 et 16Hz. Ces approximations sont directement liées aux capacités de transmission des voies auditives.

Il est important de ne pas confondre enveloppe spectrale et enveloppe temporelle.

L’enveloppe spectrale est définie comme la courbe qui enveloppe le signal sur sa représentation fréquentielle ou spectrale sur un axe fréquence/intensité.

L’enveloppe temporelle est définie comme la courbe de plus faibles variations qui enveloppe le signal sur sa représentation temporelle sur un axe temps/intensité. L’enveloppe temporelle correspond à l’intégration de la courbe.

Pour passer d’une représentation à l’autre, on utilise la transformée de FOURIER ou son inverse.

Au niveau de la cochlée, le codage de la fréquence étant tonotopique (chaque zone géographique codant pour une fréquence donnée), il paraît donc judicieux de penser que le codage de l’information temporelle l’est aussi.

Sur la figure 4.1, l’équipe de Frank LEFÈVRE, Émeric KATONA et Stéphane LAURENT propose une analyse de l’enveloppe temporelle par bande filtrée :

Dans cette étude, ce sont les variations d’amplitude de chaque bande de fréquence qui sont analysées et non l’information fréquentielle à proprement parler. La comparaison se fait sur la première syllabe qui est bien synchronisée.

Le phonème /ʃ/ étant plus intense que le phonème /f /, une perte auditive sélective dans l’aigu sera source de confusion sur le plan temporel, et cela indépendamment de la perte de l’information fréquentielle.

Cette représentation temporelle des éléments de la parole permet, tout comme la représentation fréquentielle plus habituelle, d’expliquer les confusions phonétiques lors d’une perte auditive.

En pratique, on se rend compte que les informations fréquentielle et temporelle sont intimement liées et que chaque auditeur utilisera des informations différentes, rendant l’analyse du message unique.

De nombreuses études dans le domaine cherchent à percer le fonctionnement du cerveau. Selon D. POEPPEL et al. (2001), le cortex auditif échantillonne le signal acoustique avec une fenêtre temporelle différente à droite et à gauche. La fenêtre temporelle serait de 20ms à gauche et de 200ms à droite.

Cette différence explique l’aptitude à une analyse privilégiée des contrastes phonétiques par l’hémisphère gauche (20ms ⇔ 50Hz), tandis que le droit serait davantage sensible à la mélodie, au rythme et à l’intonation, cet ensemble correspondant à la prosodie (200ms ⇔ 5Hz).

DEHAENE-LAMBERTZ et al. (2004) ont montré que l’information auditive n’était pas traitée de la même manière selon qu’elle était considérée comme un signal acoustique ou comme une syllabe, le traitement par le cerveau d’une syllabe étant plus rapide que le traitement d’un signal acoustique.

Il peut être tentant, pour améliorer le message vocal, de modifier la compression ou l’expansion pour rendre les informations temporelles plus présentes. Le résultat n’est malheureusement pas aussi prometteur que l’hypothèse. En effet, une compression trop importante lisse l’enveloppe temporelle et dégrade donc le message, tandis qu’une expansion de cette enveloppe n’améliore pas forcément les scores de reconnaissance et peut même dans certains cas les dégrader.

Alors que les résultats restent décevants lors d’une compression sur l’axe des intensités, on constate une amélioration lorsque la compression agit sur l’axe du temps, ce traitement correspondant à une augmentation du débit de parole.

Deux raisons expliquent cette amélioration. D’une part, la parole est redondante et reste donc intelligible après élimination de petits fragments. D’autre part, l’homme peut traiter l’information à un débit plus élevé que celui du langage parlé qui va en moyenne de 125 à 175 mots/min.

Pour réaliser cette compression, deux techniques existent : la plus simple consiste à augmenter la vitesse de lecture d’une bande, la deuxième à couper de petits fragments du message à intervalle régulier de 1 à 20ms.

Alors qu’en mode normal le débit moyen correspond environ à 135 mots/min, l’écoute accélérée permet de comprendre avec une intelligibilité supérieure à 90 % jusqu’à 202 mots/min et la compression temporelle jusqu’à 270 mots/min.

La parole comprimée est plus efficace, car elle permet d’accéder à la même quantité d’information dans un temps plus court. Elle n’a de plus pas l’inconvénient de la parole accélérée qui est plus aiguë d’une octave, ce glissement fréquentiel devenant rapidement insupportable.