Prosodie

La prosodie désigne tout ce qui, dans la parole, ne relève pas du choix des mots : le rythme, la durée des pauses, la mélodie de la phrase, les variations d'intensité, l'accentuation. Deux personnes lisant le même paragraphe produisent des sons différents sans changer un mot ; cette différence, c'est la prosodie.

Ce qu'un lecteur humain fait sans y penser

Il ralentit avant une information importante. Il marque une respiration après une citation, et une autre, plus courte, entre les éléments d'une énumération. Il monte légèrement en fin de question, redescend sur une incise, réattaque après. Il donne à une date la place qu'elle mérite dans la phrase. Rien de tout cela n'est écrit dans le texte : ce sont des décisions prises à la lecture, à partir du SENS.

Pourquoi les anciennes synthèses sonnaient mécanique

Les systèmes concaténatifs assemblaient des fragments enregistrés. La suite de sons était correcte et la mélodie plate, parce que rien dans le procédé ne modélisait la phrase entière. On reconnaissait la machine en trois mots, et c'est ce qui a durablement abîmé la réputation de la lecture automatique : la voix des anciens GPS et des serveurs vocaux.

Les modèles neuronaux ont appris la prosodie en s'entraînant sur de grands volumes de parole naturelle. Ils ne prononcent plus des mots les uns après les autres : ils génèrent le signal en tenant compte du contexte de la phrase. C'est ce basculement, plus que la qualité du timbre, qui explique qu'un auditeur ne se demande souvent plus s'il écoute un humain.

Ce que la prosodie ne répare pas

Elle ne corrige pas une erreur de lecture. Une voix magnifiquement modulée qui prononce « le un er mars » au lieu de « le premier mars » reste inutilisable : le problème n'est pas dans la voix, il est dans le texte qu'on lui a donné. C'est le travail de la normalisation du texte, et c'est là que se joue la lecture du français, pas dans le choix du moteur. La prosodie décide si on écoute ; la normalisation décide si ce qu'on entend est juste.