Efficacité de la reconnaissance automatique de phonèmes sur une tâche de production de pseudo-mots
Résumé
Contexte : Les modifications anatomiques consécutives à un cancer oral ou oropharyngé conduisent à s’intéresser à la production fonctionnelle de parole au niveau segmental (Mlynarek et al., 2008), pour analyser les liens entre anatomie oro-pharyngée et reconnaissance des phonèmes (Lazarus et al., 2013). L’utilisation de systèmes automatiques de décodage acoustico-phonétique permet cette analyse, mais nécessite d’étudier leur qualité de reconnaissance dans un contexte de parole pathologique (Halpern et al., 2022). Objectif : Étudier l’efficacité de la reconnaissance automatique phonémique sur une tâche de production de pseudomots après cancer oral ou oropharyngé. Méthode : Quatre-vingts sujets traités pour un cancer oral / oropharyngé ont été enregistrés en produisant une liste phonétiquement équilibrée de 52 pseudomots (moyenne : 4,6 phonèmes, Ghio et al., 2022). Chaque pseudomot a été transcrit par trois systèmes automatiques : un TDNN-HMM et deux transformers CTC (avec et sans fine-tuning). Un clinicien a également effectué en temps réel une transcription et a jugé perceptivement la sévérité du trouble de parole (0 : trouble majeur, 10 : absence de trouble). La qualité de la reconnaissance a ensuite été évaluée par le calcul : d’une part, d’un taux d’erreur de phonèmes (PER : rapport entre somme des erreurs de reconnaissance - délétions, insertions, substitutions - et nombre de phonèmes cibles) et d’autre part, d’un score global de déviation phonologique perçue (PPD, Ghio et al., 2022) correspondant au nombre de traits phonologiques d’écart moyen par phonème entre la reconnaissance et la cible. Résultats : 4 107 pseudomots ont été analysés (exclusions : problèmes d’enregistrement, données manquantes). La transcription humaine offre la meilleure efficacité de reconnaissance (PER et PPD les plus faibles). Parmi les systèmes automatiques, le Transformer CTC-fine-tuné présente le PER significativement le plus faible, mais le TDNN-HMM présente les moindres PPD. Chez l'humain comme chez les systèmes automatiques, les erreurs (PER et PPD) augmentent lorsque le trouble devient plus sévère. Les systèmes automatiques convergent davantage vers l’humain, avec un rapport plus favorable, lorsque l’on isole les sujets moins sévères (10). Cela interroge sur la nature des erreurs, notamment sur les insertions, fréquentes pour ce type de systèmes de reconnaissance automatique (Transformer CTC : 0,80 phonèmes / pseudomot). Elles pourraient ainsi dégrader rapidement les performances de reconnaissance dès que la parole s’éloigne d’une cible typique proche des données d’apprentissage. L’analyse des rapports humain / automatique questionne également sur des effets de restauration phonémique humaine dès que la parole est dégradée. Conclusion : Les systèmes de décodage acoustico-phonétique automatiques appliqués à la parole après cancer présentent encore une efficacité moindre qu’un expert humain. La qualité des erreurs dépend de l’architecture de ces systèmes, possiblement en lien avec les insertions fréquemment commises. De même, des événements sonores dans le signal (bruits de bouche…) peuvent perturber la qualité de la reconnaissance automatique contrairement à un humain. La réflexion doit être poursuivie pour étudier le lien entre la qualité de ces erreurs et les déficits analytiques présentés par les patients, afin d’éclairer les mécanismes de production et d’optimiser les stratégies de réadaptation de ces patients.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |