1. INTRODUCTION
1.1 La grille métrique
Dans la communauté des chercheurs en prosodie, il y a accord sur le fait que mettre au jour le profil prosodique d'un énoncé dans une langue revient notamment à dégager sa structure rythmiqueFootnote 1 (Dell, Reference Dell, Dell, Hirst and Vergnaud1984), structure que l'on a coutume de représenter, depuis Prince (Reference Prince1983), sous la forme d'une grille métrique:
Les syllabes de l'énoncé analysé dans la figure 1, transcrites en API dans une couche dédiée (une « tire » d'annotation), sont toutes potentiellement accentuables, et donc accompagnées d'au moins un astérisque. Aux syllabes effectivement accentuées sont associées au moins deux astérisques. Le nombre d'astérisques associé à la syllabe est relatif à sa force perceptive, i.e. à son degré de proéminence (Halle et Vergnaud, Reference Halle and Vergnaud1987).
Figure 1. Grille métrique étiquetée associée à l'énoncé il donne le sentiment d'avoir cédé à la pression ambiante (For-Lec).
1.2 La méthode traditionnelle pour construire la grille
Traditionnellement, les phonologues travaillant sur le français proposent, pour mettre au jour la grille métrique associée à un énoncé donné, de la « dériver » à partir d'indices syntactico-sémantiques et informationnels, tout en considérant les contraintes métriques propres à cette langue. Nous n'avons pas ici la place d'entrer dans les détails des règles existantes pour prédire la localisation et la force des accents dans la phrase (voir cependant notre partie 3 où nous commentons trois exemples de règles métrico-syntaxiques traditionnelles). Aussi nous contenterons-nous de dire qu'en ce qui concerne le français, les spécialistes partent de l'idée selon laquelle le système accentuel du français est ‘bipolaire’ (cf. Di Cristo, ce volume). Un accent, dit ‘final’ (ou ‘primaire’ dans certaines terminologies), obligatoire, frappe la dernière syllabe masculine (syllabe dont le noyau n'est pas un schwa) des groupes de mots contenant au moins un morphème lexical et les clitiques qui en dépendent. L'autre accent, dit par opposition ‘non-final’ (ou ‘secondaire’) et dont la présence est motivée par des contraintes de régulation rythmique, essentiellement, frappe n'importe quelle autre syllabe du groupe ponctué à sa droite par l'accent primaire. Il est très difficile de prédire la place de ces deux accents en français: si dans la théorie les indices morphosyntaxiques de segmentation en chunks peuvent aider à prédire les syllabes porteuses d'un accent, dans la pratique les choses ne sont pas si simples, des contraintes rythmiques liées au débit des locuteurs, à la formation de groupes métriquement équilibrés, etc., venant contraindre les prédictions établies par la morphosyntaxe (cf. Lacheret-Dujour et Beaugendre, Reference Lacheret-Dujour and Beaugendre1999 pour un aperçu exhaustif de l'ensemble de ces règles et des références sur le sujet). Pour déterminer le degré de proéminence d'une syllabe accentuée, les chercheurs prennent en considération le degré d'enchâssement syntaxique du constituant syllabique en question (plus un constituant est enchâssé dans la phrase, moins son degré de proéminence est important; de deux constituants dominés par le même nœud, c'est celui de droite qui porte la proéminence la plus forte (cf. Dell, Reference Dell, Dell, Hirst and Vergnaud1984 et les contributions réunies dans ce volume pour des revues) et, plus récemment, les indices informationnels, relatifs à l'articulation fond/focus et au degré de saillance des topiques (la frontière droite du focus est la plus forte de l'énoncé, un topique déjà introduit n'est pas nécessairement fortement accentué, etc. (cf. Delais-Roussarie, Reference Delais-Roussarie2005; Delais-Roussarie et Post, Reference Delais-Roussarie2008). Considérons à titre d'illustration l'exemple ci-dessus. Chacune des syllabes terminales des mots lexicaux délimite un ‘groupe accentuel’. Ainsi, l'énoncé est formé de cinq groupes accentuels (il donne) (le sentiment) (d'avoir cédé) (à la pression) (ambiante) Footnote 2. Seul le second groupe est porteur d'un accent initial (sentiment). La force des proéminences finales qui ponctuent les groupes permet de distinguer trois niveaux dans la structure prosodique (trois niveaux de ‘phrasé’ dirait Di Cristo, ce volume): celui du ‘syntagme accentuel mineur’, celui du ‘syntagme accentuel majeur’ et celui du ‘syntagme intonatif’ (nous reprenons les termes en usage dans les travaux de Selkirk, Reference Selkirk, Frota, Vigário and Freitas2005). Le syntagme intonatif est le plus haut dans la hiérarchie: il englobe un syntagme accentuel majeur, qui lui englobe à son tour au moins un syntagme accentuel mineur (voir Portes et Bertrand, ce volume). Dans l'exemple ci-dessus (fig. 1), l'ensemble de la phrase forme un seul et unique syntagme intonatif, composé de quatre groupes accentuels majeurs (syllabes alignées avec des colonnes formées de 3 astérisques au moins) et de cinq groupes accentuels mineurs (2 astérisques au moins sur les syllabes finales).
1.3 Objectifs de cet article
Mettre au jour de façon semi-automatique la structure rythmique des énoncés que l'on trouve dans les corpus de français parlé constitue un enjeu majeur pour les chercheurs. Pour autant, dans une perspective descriptive, la démarche décrite sous §1.2. est extrêmement coûteuse et difficile à appliquer en l'état. Elle nécessite en effet que l'on contrôle un certain nombre de facteurs, et qu'on ait une connaissance fine de la façon dont ils interagissent, ce qui est loin d'être le cas aujourd'hui. Concrètement, on ne sait pas encore très bien dans quels contextes précis les contraintes rythmiques peuvent contrebalancer les prédictions morphosyntaxiques: une frontière de constituant syntaxique majeur (typiquement un ajout à la phrase matrice, tel qu'un constituant extraposé ou disloqué) peut-elle être effacée si les contraintes rythmiques l'autorisent? Ce genre de segment, censé revêtir un statut informationnel bien précis (jouant le rôle de topique ou de post-focus), est-il obligatoirement entouré de frontières prosodiques fortes ? Les réponses à de telles questions sont loin d'aller de soi, et si on a pu apporter il y a quelques années des éclairages intéressants dans le cadre de la théorie de l'optimalité (Delais-Roussarie, Reference Delais-Roussarie2005), des travaux plus récents portant sur l'analyse de constructions à l'interface de la syntaxe et du discours dans la parole spontanée ont montré que les contraintes rythmiques sont en fait plus importantes que ce que l'on avait pu croire jusqu'alors (Dehé, Reference Dehé2009; Avanzi, à par. a et b), la langue parlée non-préparée non-lue s'affranchissant parfois des règles de bonne formation propres à la parole lue (Guaïtella, Reference Guaïtella1997; Astésano Reference Astésano2001: 26; Lacheret-Dujour, Reference Lacheret-Dujour2003; Simon, Reference Simon2004). Pour ces deux raisons, nous avons préféré, plutôt que de dériver la structure prosodique des énoncés de français spontané à partir d'indices extra-phonologiques (syntaxiques, sémantiques et informationnels) et métriques, suivre une approche inverse en vue de modéliser semi-automatiquement la structure prosodique des énoncés du français. Cela veut dire que nous avons cherché à faire émerger de la substance les corrélats acoustiques des proéminences accentuelles sans préjuger au départ des contraintes fonctionnelles qui pourraient les sous-tendre afin de mettre au point un algorithme capable de les identifier et de les catégoriser automatiquement par la suite. Dans la section suivante, nous présentons la démarche que nous avons suivie pour ce faire. Le corpus sur lequel nous appuyons nos analyses est le corpus PROSO_FR, présenté dans l'introduction de ce volume (cf. Avanzi et Delais-Roussarie, ce volume).
2. PRÉSENTATION DE L'ALGORITHME D'IDENTIFICATION ET DE CATÉGORISATION AUTOMATIQUE DES PROÉMINENCES
Une proéminence est en général définie comme une entité syllabique qui se détache de son environnement comme une figure sur un fond en vertu d'un certain nombre de paramètres acoustiques et perceptifs (Terken et Hermes, Reference Terken, Hermes and Horne2000 et Avanzi, à par. b: chap. III, pour une synthèse et des références). D'après cette définition, la notion de proéminence est proche de celle d'accent, mais elle s'en distingue dans la mesure où elle correspond davantage à un fait phonétique (de substance) que phonologique (grammatical), et qu'elle ne préjuge pas de la place et d'une fonction a priori de l'événement dans la phrase. Elle est donc relativement neutre d'un point de vue théorique, et en ce sens, synonyme de la notion de battement (beating), à la base de la construction des grilles métriques de Prince (Reference Prince1983).
2.1 Identification automatique des proéminences
Nous présentons ici la méthode que nous avons suivie pour mettre au point un détecteur de proéminence robuste. Outre la définition très générale proposée ci-dessus, nous sommes partis de l'idée que (i) la proéminence était syllabique; (ii) que la proéminence était un phénomène local (donc qu'il fallait définir une fenêtre restreinte pour identifier les variations prosodiques); (iii) que si les paramètres impliqués dans la perception de la proéminence étaient nombreux, les variations de fréquence fondamentale et de durée étaient les plus importants pour le français (cf. déjà Delattre, Reference Delattre1938, ainsi que Goldman et al., Reference Goldman, Avanzi, Lacheret-Dujour, Simon and Auchlin2007).
2.1.1 Calcul des paramètres acoustiques
Afin d'identifier les syllabes proéminentes, il nous a fallu dans un premier temps délimiter une fenêtre contextuelle pertinente à l'intérieur de laquelle l'algorithme allait procéder au calcul des variations prosodiques significatives. Dans une étude précédente (Avanzi, Lacheret-Dujour et Victorri, Reference Avanzi, Lacheret-Dujour and Victorri2010), nous avions montré qu'une fenêtre contextuelle trop étroite tendait à la sur-détection de proéminences, alors qu'une fenêtre contextuelle trop large tendait à la sous-détection. En conséquence, une fenêtre telle que le groupe accentuel, unité de taille intermédiaire, semblait un bon compromis. Pour nous rapprocher du syntagme accentuel sans faire intervenir de critères grammaticaux (le syntagme accentuel, défini comme un regroupement prosodique minimal de syllabe ponctué par un accent primaire, constitue un ensemble formé d'un mot lexical et des clitiques qui gravitent autour, cf. supra §1.2.), nous avions proposé de prendre comme contexte pour le calcul des variations prosodiques les trois syllabes qui précèdent et les trois syllabes qui suivent la syllabe dont on cherche à déterminer si elle est proéminente ou non, ce qui revient à travailler dans un intervalle de sept syllabes (sept étant le nombre de syllabes du syntagme accentuel maximal selon Wioland, Reference Wioland1985; Martin, ce volume).
La procédure de détection de proéminence a été implémentée sous Matlab par B. Victorri dans une interface logicielle nommée Analor (Avanzi, Lacheret-Dujour et Victorri, Reference Avanzi, Lacheret-Dujour and Victorri2008 et Reference Avanzi, Lacheret-Dujour and Victorri2010). Dans la figure 2, nous voyons (i) l'évolution de la f0 (en traits noirs). Cette dernière peut être mesurée en demi-tons (en filigrane, la distance entre deux lignes fines vaut 1 demi-ton, la distance entre deux traits épais une quarte (4 demi-tons)) ou en hertz (les valeurs numériques sont affichées sur la gauche); la durée des segments étiquetés est donnée en millisecondes au dessus de la bande dans laquelle évolue la courbe de f0. Les chiffres plus foncés au-dessus indiquent le temps en secondes du segment par rapport à l'enregistrement du fichier total. Les différentes couches d'alignement, importées directement depuis les fichiers d'alignement au format textgrid (Praat) sont affichées en dessous de cette bande, en l'occurrence, de haut en bas: les phonèmes et les syllabes en alphabet SAMPA, et la tire des mots graphiques (cf. Avanzi et Delais-Roussarie, ce volume).
Figure 2. Copie d'écran Analor. Illustration de la détection de proéminence. Analyse de l'énoncé: il donne le sentiment d'avoir cédé à la pression ambiante (For-Lec).
Pour identifier les saillances syllabiques, nous avons décidé de considérer quatre variables (cf. figure 2). Pour chacune des syllabes de l'énoncé, (i) le logiciel procède au calcul de la moyenne de hauteur relative de la syllabe-cible par rapport à la moyenne de hauteur de tous les points de f0 des trois noyaux vocaliques des syllabes qui précèdent (S−3, S−2, S−1), et des trois qui suivent (S+1, S+2, S+3); (ii) il mesure également la moyenne de durée de l'ensemble des syllabes dans ce même empanFootnote 3; (iii) il regarde ensuite si le noyau vocalique de la syllabe est porteur d'un glissando montant, et calcule l'amplitude de ce glissando, le cas échéant (sur l'exemple ci-dessus, cela ne concerne que la syllabe [m
], les noyaux des autres syllabes ne portant pas de glissando montant); (iv) enfin, il prend en compte la présence d'une pause silencieuse qui suit directement la syllabe, peu importe la durée de cette pause (l'étiquetage des pauses silencieuses ayant été effectué lors de la phase de transcription et d'alignement semi-automatique du signal de parole, il n'y a aucune chance pour que les silences pré-occlusifs ou autre « fausses pauses » soient considérés comme des marques de fin de groupe). Alors que les valeurs de f0 sont données en demi-tons, les valeurs de durée sont sans unité (une syllabe est n fois plus longue ou plus courte en moyenne que ses voisines). En outre, on remarquera que la relativisation peut être bloquée dans certains contextes: quand la syllabe est suivie d'une pause silencieuse, comme c'est le cas de la syllabe finale de ambiante dans l'exemple ci-dessus, les valeurs de f0 et de durée relatives sont calculées par rapport aux trois syllabes qui précèdent.
2.1.2 Algorithme
Pour chacun de ces quatre paramètres, la méthode pour fixer les valeurs des seuils consistait à réaliser un apprentissage supervisé utilisant un corpus préalablement annoté, l'objectif étant d'optimiser une mesure de la performance du système en comparant les résultats obtenus sur ce corpus avec les données des annotateurs humains. Le corpus que nous avons employé pour ce faire est le corpus C-PROM. Cette base de données, dont la procédure de constitution et le contenu sont décrits en détail dans Avanzi, Simon, Goldman et Auchlin (Reference Avanzi, Lacheret-Dujour and Victorri2010), se compose d'un ensemble d'enregistrements d'une durée de 70 minutes, comprenant sept paquets d'enregistrements de 10 minutes, chacun constituant un genre de discours spécifiqueFootnote 4, et comprenant des locuteurs francophones de France métropolitaine, de Suisse romande et de Belgique wallonne. Il a été transcrit et aligné semi-automatiquement en phonèmes, syllabes et mots graphiques. Les syllabes proéminentes et les syllabes dysfluentes (annotées pour ne pas gêner les relativisations des durées syllabiques, cf. Avanzi, Simon, Goldman et Auchlin, Reference Avanzi, Simon, Goldman and Auchlin2010 et Avanzi, à par. b pour les détails) ont été identifiées sur la base d'une analyse perceptive conduite par deux experts en prosodie.
L'algorithme, utilisé pour l'apprentissage, est basé sur une recherche aléatoire locale, à pas décroissant, dans l'espace des paramètres à partir d'une valeur initiale pertinente (l'explication complète est donnée dans Avanzi, Lacheret-Dujour et Victorri, Reference Avanzi, Simon, Goldman and Auchlin2010 et Avanzi, à par. b). Cet algorithme d'apprentissage n'étant efficace que si les valeurs initiales des paramètres sont suffisamment proches des valeurs optimales, les valeurs initiales pour l'entraînement ont été fixées sur la base d'une expertise linguistique préalable. À partir de travaux sur la perception des variations prosodiques, nous avions proposé les valeurs suivantes. Pour la hauteur relative, le seuil a été fixé à 1.5 dt (Rossi et al., Reference Rossi, Di Cristo, Hirst, Martin and Nishinuma1981; Rietveld et Gussenhoven, Reference Rietveld and Gussenhoven1985; ‘t Hart et al., Reference Hart, Collier and Cohen1990). Quant aux valeurs de durée relative, nous avons fixé ce seuil à 1.5 (ce qui revient à considérer qu'un allongement est significatif s'il dépasse 50% de la durée moyenne des syllabes environnantes), conformément aux observations de Rossi et al. (Reference Rossi, Di Cristo, Hirst, Martin and Nishinuma1981) et Lacheret-Dujour (Reference Lacheret-Dujour2003). Enfin, en ce qui concerne le seuil initial de glissando, nous avons suivi Rossi et al. (Reference Rossi, Di Cristo, Hirst, Martin and Nishinuma1981) et Mertens et d'Alessandro (Reference Mertens and Alessandro d'1995) et fixé le seuil à 3dt (demi-tons). Considérant que la présence d'une pause silencieuse est un indice fort de fin de groupe (Lacheret-Dujour et Beaugendre, Reference Lacheret-Dujour and Beaugendre1999), quelle que soit la durée de cette dernière, nous n'avons pas eu à entraîner ce seuil (cf. Avanzi, Lacheret-Dujour et Victorri, Reference Avanzi, Lacheret-Dujour and Victorri2008 pour une justification).
Après entraînement sur la totalité du corpus C-PROM, la performance du logiciel était de 80.96% de f-mesure, performance tout à fait honorable, surtout quand on sait que le taux d'accord entre deux annotateurs humains s'élève à 82.6% de f-mesure (Avanzi, Simon, Goldman et Auchlin, Reference Avanzi, Simon, Goldman and Auchlin2010 pour les détails de l'étude). Bien entendu, les valeurs optimales des seuils que nous avions obtenues différaient pour chacun des genres composant la base de données C-PROM. Aussi, pour l'étude du corpus PROSO_FR, nous nous sommes servis des seuils suivants, obtenus après entraînement sur des échantillons de dix minutes de textes lus et de dix minutes d'indications d'itinérairesFootnote 5, soit, (i) pour le texte lu: hauteur relative = 1,43 dt; Durée relative = x1,61; Glissando montant = 2,07 dt; (ii) pour la prescription d'itinéraire: hauteur relative = 2,6 dt ; Durée relative = x1,71 ; glissando montant = 2,47 dt. Les deux autres enregistrements du corpus PROSO_FR n'ont pas été exploités dans le cadre de cet article.
À noter enfin que pour qu'une syllabe soit détectée proéminente, il faut qu'au moins un des quatre paramètres soit activé. Dès lors, la syllabe apparaît en rouge dans la tire syllabique dupliquée juste en-dessous du tracé mélodique (cf. figure 2). On peut également visualiser les résultats de l'analyse automatique dans la tire « Pauto » (en dessous de la tire des syllabes). Pour chaque intervalle syllabique, un « p » est affiché si le seuil d'un seul des quatre paramètres est dépassé, un « P » est affiché si au moins deux paramètres sont activés. Dans l'énoncé analysé dans la figure 2, les syllabes donne, cédé et pression sont étiquetées « p » car le seuil de hauteur est le seul à avoir été activé. Quant aux syllabes sentiment et ambiante, elles sont notées « P » dans la mesure où leur identification a mobilisé au moins deux paramètres. L'intervalle reste vide si la syllabe n'a pas été détectée proéminente.
2.2 Catégorisation
Une fois identifiées les proéminences, il reste à trouver un moyen pour estimer leur degré de saillance. La perception des proéminences n'est pas un phénomène binaire: dans une phrase donnée, une syllabe n'est pas proéminente ou non proéminente. Il y a différents degrés de proéminence (Terken et Hermes, Reference Terken, Hermes and Horne2000). Au moment où nous écrivons ces lignes, il n'existe pas de corpus annotés manuellement pour rendre compte de cette perception continue et permettant d'entraîner des systèmes d'apprentissage: aussi avons-nous dû choisir une autre façon de procéder afin de mettre au point un algorithme qui permette d'estimer le degré de saillance d'une syllabe donnée.
2.2.1 Hypothèses
Nous sommes partis de l'hypothèse suivante: plus le nombre de paramètres acoustiques entrant en jeu dans l'identification des proéminences est important, et plus les seuils fixés sont dépassés, plus la proéminence est perçue. Nous nous fondons sur l'hypothèse suivante: plus le locuteur mobilise les paramètres pour actualiser une saillance syllabique, plus il a des chances d'atteindre son objectif: faire comprendre à celui qui l'écoute l'importance perceptive de la syllabe en question (cf. le principe d'effort code de Gussenhoven, Reference Gussenhoven2002). Par ailleurs, il existe de nombreux phénomènes de compensation entre les paramètres acoustiques qui participent à la mise en valeur des syllabes. Par exemple, un allongement syllabique peut être équivalent à un écart de hauteur sur le plan de la perception des proéminences (Rossi et al., Reference Rossi, Di Cristo, Hirst, Martin and Nishinuma1981; House, Reference House1990). Il faut donc tenir compte de ces variations de stratégie de production dans les calculs.
2.2.2 Algorithme
En pratique, dans un premier temps, nous avons attribué une « note » à chacun des quatre critères utilisés pour statuer sur le caractère proéminent d'une syllabe (cf. §2.1.2. supra). Concernant les critères à seuil, cette note est calculée grâce à « la fonction de proéminence »:
où x est la valeur de la syllabe pour ce critère, s le seuil pour ce critère, et λ la pente de la fonctionFootnote 6. Pour le critère de pause adjacente, la note est de 10/10 en présence de pause adjacente, et de 0 sinon. La force de la syllabe est ensuite obtenue en faisant la moyenne pondérée des quatre notes obtenues, soit:
Ainsi, comme on peut le voir sur la figure 3, chacune des syllabes composant une phrase donnée se voit attribuer un score entre 0 et 10/10. On peut se figurer le détail de l'estimation du degré de saillance en cliquant sur les scores des syllabes, arrondi à l'unité prèsFootnote 7. Une fenêtre apparaîtFootnote 8, et affiche, de bas en haut: les valeurs et score de durée relative, de hauteur relative, de glissando montant et de pause. Pour la syllabe terminale du mot sentiment, ce sont les paramètres de hauteur et de glissando qui semblent jouer un rôle déterminant (5,48/10 et 8,48/10), la durée jouant un rôle moindre (0,99/10) et la syllabe n'étant pas suivie d'une pause silencieuse.
Figure 3. Copie d'écran Analor. Illustration de la catégorisation des forces de proéminence. Analyse de l'énoncé: il donne le sentiment d'avoir cédé à la pression ambiante (For-Lec).
Pour la syllabe finale de l'énoncé ambiante, les valeurs de f0 n'étant pas prises en compte (en l'état, le logiciel ne considère pas les valeurs d'écart négatives ou les configurations tonales descendantes comme des indices de proéminence, cf. §3.2.1. infra pour une discussion), c'est seulement en raison de la présence d'une pause silencieuse et d'un allongement de durée que l'on obtient une note de 6/10.
3. ILLUSTRATIONS SUR LE CORPUS
Dans cette dernière section, nous allons discuter de quelques exemples du corpus. Nous passerons en revue un cas où les prédictions faites par les règles phonologiques coïncident avec l'étiquetage proposé par le logiciel (§3.1), puis nous nous arrêterons sur trois autres exemples qui nous amènent à réfléchir sur la pertinence de certaines règles phonologiques existantes. Nous parlerons de la règle de dominance à droite (§3.2.1), de la règle du clash accentuel (§3.2.2) et de la règle des sept syllabes (§3.2.3).
3.1 l'étiquetage respecte les prédictions faites à partir des règles traditionnelles
On peut, sur l'exemple dont nous nous sommes servis jusqu'à présent, montrer que la grille métrique que le logiciel a permis de mettre au jour est similaire en de nombreux points à celle que l'on a pu construire à l'aide des règles traditionnelles de l'intono-syntaxe. Comparer la grille de l'énoncé « il donne le sentiment d'avoir cédé à la pression ambiante » proposée dans la figure 1, avec celle de la figure 4 ci-dessous, construite à partir des résultats obtenue avec le logiciel (cf. figure 3supra):
Figure 4. Grille métrique associée à l'énoncé il donne le sentiment d'avoir cédé à la pression ambiante (For-Lec), d'après la détection Analor.
Les différences reposent sur la mise au jour d'un accent initial sur sentiment, qui n'était pas forcément prévu par les règles traditionnelles (mais dont l'occurrence n'est pas non plus prédite comme impossible à cet endroit-là); et sur le degré d'appréciation des forces des frontières terminales de groupe: le logiciel laisse à penser que la hiérarchie entre les groupes accentuels qui composent la phrase est en fait plus complexe que ce que les règles syntaxiques auraient pu avancer. D'après le découpage proposée par l'algorithme, il a y une sorte de rupture après le deuxième groupe accentuel (il donne le sentiment // d'avoir cédé à la pression ambiante), ce qui donne l'impression que la phrase est réalisée en deux syntagmes intonatifs distincts, et non en un seul. Cela dit, la grille proposée ci-dessus, plus proche de la réalisation effective, est parfaitement grammaticale.
3.2 l'étiquetage automatique ne respecte pas les règles de la phonologie prosodique
Nous commenterons pour finir trois réalisations épinglées par le logiciel bloquées par les règles de la phonologie prosodique.
3.2.1 Non-respect de la règle de dominance droite
Dans les théories phonologiques du français, on trouve l'idée, formulée de diverses façons, que dans n'importe quel groupement de syllabes, c'est la syllabe la plus à droite qui porte la tête métrique du groupe, i.e. qui doit être la plus forte (Dell, Reference Dell, Dell, Hirst and Vergnaud1984; Lacheret-Dujour et Beaugendre, Reference Lacheret-Dujour and Beaugendre1999; Delais-Roussarie, Reference Delais-Roussarie2005; cf. aussi le Principe de Dominance Droite Systématique chez Di Cristo, ce volume). Soit l'énoncé et sa grille métrique présentée dans la figure 5:
Figure 5. Grille métrique associée à l'énoncé à vrai dire, ça l'était déjà depuis longtemps (For-Lec).
Selon les règles de la métrique standard, cet énoncé se réalise en deux groupes intonatifs. Le premier syntagme (à vrai dire) étant un adjoint à la phrase matrice (ça l'était depuis longtemps), on serait en droit de penser qu'il génère une frontière prosodique forte. On s'attendrait également à ce que la syllabe terminale de l'énoncé soit plus forte que toutes les précédentes, en raison du principe de dominance à droite. Or, les résultats de l'analyse automatique montrent autre chose:
Si le logiciel détecte bien une frontière forte sur le premier constituant, il ne détecte pas une frontière plus forte sur la syllabe terminale de groupe. Cette configuration métrique est « normale » dans les énoncés articulés en focus/post-focus, tels que les clivées: c'est toi / qui le demandes (For_Dia), où l'accent nucléaire, c'est-à-dire l'accent le plus fort de l'énoncé, frappe la syllabe toi, la fin de l'énoncé étant prononcée avec une intonation plate et peu modulée, typique des appendices (Delais-Roussarie, Reference Delais-Roussarie2005; Dehé, Reference Dehé2009). Or, ce n'est pas un problème de portée de focus ici: le constituant à vrai dire a une valeur thématique et non rhématique. Le problème vient du fait que la syllabe finale de longtemps ne présente pas un allongement significatif, propre aux tons de frontière descendant à l'infra-bas. En outre, l'absence de modulation de f0 est traitée par le logiciel comme une absence de proéminence.Footnote 9
Figure 6. Analyse par Analor de l'énoncé à vrai dire, ça l'était déjà depuis longtemps (For-Lec).
Figure 7. Grille métrique associée à l'énoncé à vrai dire, ça l'était déjà depuis longtemps (For-Lec), d'après la détection Analor.
3.2.2 Non-collision accentuelle
Une autre contrainte, bien connue des spécialistes, stipule que deux syllabes adjacentes, appartenant à deux mots lexicaux monosyllabiques distincts, ne peuvent être simultanément proéminentes. C'est la règle dite d'évitement de collision accentuelle (Garde, Reference Garde1968). Soit l'exemple suivant, et sa grille métrique (figure 8):
Figure 8. Grille métrique associée à l'énoncé ce fut hier dans le sud en Avignon (For-Lec).
On serait en droit d'attendre un accent sur fut, puisqu'il s'agit d'un mot plein, et donc générateur de groupe accentuel. Cependant, le fait qu'il soit suivi d'un adverbe monosyllabique en position finale de syntagme (hier, prononcé en une seule syllabe) entraîne sa désaccentuation. Ce mécanisme permet d'éviter que deux syllabes contiguës appartenant au même groupe soient toutes les deux proéminentes, pour éviter une collision d'accent. Cette résolution peut aussi prendre la forme d'un recul d'accent: auquel cas, la réalisation d'un accent secondaire sur le clitique ce pourrait être interprétée comme une réalisation « anticipée » de l'accent primaire attendu sur le verbe.
La détection automatique des proéminences permet de se rendre compte que dans la façon dont cet énoncé a été effectivement prononcé, la règle de non-collision accentuelle est enfreinte, puisque deux syllabes adjacentes (fut et hier) sont détectées proéminentes.
3.2.3 Règle des sept syllabes
Un dernier exemple nous permettra d'illustrer une autre règle traditionnelle dont les modèles phonologiques font état mais que les locuteurs peuvent transgresser. Soit l'énoncé de la figure 11:
La figure 11 donne une représentation de la structure métrique que n'importe quel modèle phonologique serait à même de prédire. Après analyse dans le logiciel (figures 12 et 13), on constate que si les constituants syntaxiques majeurs sont bien actualisés par des proéminences fortes (là qui part euh de Nef Chavant, là le boulevard qui passe à côté d'Habitat), on observe une tendance très nette à la désaccentuation à l'intérieur des deux syntagmes intonatifs. Cette désaccentuation n'a rien d'exceptionnel dans le premier syntagme. Les locuteurs ne sont pas obligés de réaliser des frontières de groupes accentuels aux frontières des groupes syntaxiques à partir du moment où l'espace entre les deux syllabes n'excède pas sept syllabes (Wioland Reference Wioland1985; Martin, ce volume). Partant, la façon dont est intoné le deuxième groupe intonatif est beaucoup moins « standard » de ce point de vue, puisque l'espace entre les deux proéminences n'est pas de sept syllabes mais de dix syllabes.
Figure 9. Analyse par Analor à l'énoncé ce fut hier dans le sud en Avignon (For_Lec).
Figure 10. Grille métrique associée à l'énoncé ce fut hier dans le sud en Avignon (For_Lec d'après la détection Analor.
Figure 11. Grille métrique associée à l'énoncé là qui part euh de Nef Chavant là le boulevard qui passe à côté d'Habitat (Infor-Iti).
Figure 12. Grille métrique associée à l'énoncé là qui part euh de Nef Chavant là le boulevard qui passe à côté d'Habitat (Extrait de Infor-Iti)
Figure 13. Grille métrique associée à l'énoncé là qui part euh de Nef Chavant là le boulevard qui passe à côté d'Habitat (Infor-Iti), d'après la détection Analor.
Ce genre de phénomène (ce qu'on appelle dans la littérature un lapse), fréquent dans la parole spontanée (Avanzi, à par. a), invite à se demander s'il ne faudrait pas plutôt reformuler la contrainte en tenant compte de la contrainte du temps, ce qui reviendrait à prendre non pas en compte le nombre de syllabes brut, mais le taux d'articulation, calculé en fonction du débit moyen du locuteur.
4. CONCLUSION
Dans cet article, nous avons présenté un système qui permet de mettre au jour de façon semi-automatique la structure prosodique, plus précisément la structure rythmique, des énoncés rencontrés dans les corpus de français parlé. À partir d'une transcription alignée en phonèmes et syllabes, l'algorithme procède à une détection des saillances syllabiques, et en estime le degré de force en se basant sur les paramètres acoustiques classiques que sont la f0, la durée et la pause silencieuse. Nous avons ensuite illustré les résultats de cette détection en analysant et en commentant des exemples du corpus PROSO_FR (cf. Avanzi et Delais-Roussarie, ce volume). Nous avons montré que si le système pouvait donner des résultats très proches de ceux que les règles métrico-syntaxiques permettent de prédire, nous avons aussi mis en exergue que la détection automatique invitait d'une part à problématiser l'apparente synonymie entre frontière et proéminence (§3.2.1.), d'autre part à questionner la pertinence de certaines règles phonologiques traditionnellement envisagées comme inviolables (non-collision accentuelle, cf. §3.2.2.; règle des sept syllabes, cf. §3.2.3.; cf. Lacheret-Dujour & Beaugendre, Reference Lacheret-Dujour and Beaugendre1999). L'intérêt d'un tel système, outre qu'il permet à des transcripteurs pas forcément experts de traiter de larges bases de données de façon rapide et cohérente, est qu'il offre un résultat relativement « objectif », puisqu'il se base uniquement sur les paramètres acoustiques, et ne fait pas entrer en ligne de compte le savoir phonologique que l'analyste a du système de sa langue. Au final, l'analyse de corpus de parole plus importants et plus variés avec un tel outil devrait permettre d'y voir plus clair dans la phonologie de la prosodie du français, et donc d'enrichir, en retour, les modèles formels existants.
5. REMERCIEMENTS
Les auteurs tiennent à remercier Corinne Astésano pour ses commentaires sur une version précédente de cet article, ainsi que les deux relecteurs anonymes de la revue JFLS. Cette recherche a bénéficié du soutien du Fonds National Suisse de la recherche scientifique (subsides n°PBNEP1–127788 et n°100012–126745, Université de Neuchâtel). Elle s'inscrit également dans le cadre de l'ANR Rhapsodie (ANR-07-CORP-030–01).
