Informaticiens, acousticiens et chercheurs en neurosciences distordent en tous sens les paramètres vocaux… pour synthétiser des voix « sur mesure ». Au risque d’un détournement, si des escrocs s’emparent de ces outils à des fins de « deepfakes » ?
Une folle arnaque a récemment défrayé la chronique. En septembre dernier, le Wall Street Journal révélait qu’en mars des aigrefins avaient ravi la coquette somme de 220 000 euros à une entreprise britannique. Comment ? En simulant la voix du dirigeant de la maison mère allemande. La victime britannique avait reçu un appel téléphonique de son – faux – patron, lui ordonnant d’effectuer en urgence un virement sur un compte hongrois. Cette voix artificielle imitait l’accent germanique du patron et ses intonations. « Le résultat n’est pas parfait, mais peut faire illusion dans un environnement sonore perturbé », confiait au Monde Jean-Baptiste Mounier, salarié d’Euler Hermes, l’assureur qui a divulgué l’affaire au Wall Street Journal.
Les escrocs ont-ils eu recours à une intelligence artificielle (IA) pour créer une voix de synthèse ? Ont-ils fait appel à des procédures de deep learning (« apprentissage profond »), à partir d’un discours enregistré dudit patron ? Les experts n’y croient guère – notamment parmi ceux qui ont fait profession de manipuler en tous sens la voix humaine.
Un ballet de musiciens-chercheurs
Place Igor-Stravinsky, à Paris. La clé de sol veille, flanquée de la monumentale Nana et des grands automates de métal. Baigné par l’ombre tutélaire du Centre Pompidou, l’Oiseau de feu les contemple. L’Amour, de sa bouche écarlate, nous invite à plonger en sous-sol. Nous voici donc sous la fameuse fontaine de Jean Tinguely et Niki de Saint Phalle. Nous pénétrons dans les laboratoires de l’Ircam (Institut de recherche et de coordination acoustique-musique). Là, tout un ballet de musiciens-chercheurs s’active. Sous terre, pour limiter tout bruit parasite. C’est que cet institut, fondé par Pierre Boulez en 1970, est consacré à la création musicale contemporaine. Mais aussi au décodage, à la transformation et à la synthèse de la voix parlée ou chantée. Un centre unique, par sa dimension et son rayonnement, qui mêle art, science et technologies.
« Pour le moment, les agents conversationnels – tel l’Alexa d’Amazon – sont capables de mener un dialogue mais ils manquent beaucoup d’expressivité »
Transformer à façon la voix humaine ? La transfigurer, voire la contrefaire ? Voilà de quoi troubler, tant notre voix nous semble une part intime de notre identité. Tant chaque voix nous semble singulière. Mais alors, l’arnaque à la voix truquée, qui s’ajoute à d’autres escroqueries vocales ? « Nous avons de forts doutes sur l’utilisation d’une intelligence artificielle dans ce contexte, explique Axel Roebel, responsable de l’équipe Analyse et synthèse des sons de l’Ircam (CNRS-Sorbonne université). Pour le moment, les agents conversationnels – l’Alexa d’Amazon, par exemple – sont capables de mener un dialogue mais ils manquent beaucoup d’expressivité. Avec de tels agents, imiter l’intonation et l’accent allemand d’une personne, dans un contexte de dialogue ouvert, me semble aujourd’hui impossible. »
Selon lui, le fake a plutôt été produit par un « bon imitateur » qui a simulé l’accent et l’intonation du dirigeant. Puis les escrocs auraient utilisé un filtre pour s’approcher de la couleur de sa voix. Ce type d’escroquerie serait « à la portée de presque tout le monde » !
Confortant cette analyse, une étude s’était intéressée en 2018 aux capacités des technologies informatiques actuelles à usurper une identité vocale, à partir de données éparses récoltées sur le Net (Lorenzo-Trueba J. et al., « Speaker Odyssey, The Speaker and Language Recognition Workshop », p. 240 – 247). Son verdict : ces voix falsifiées sont de très mauvaise qualité. « Elles seraient bien en peine de duper quiconque ! », conclut Nicolas Obin, enseignant-chercheur au laboratoire des Sciences et technologies de la musique et du son de l’Ircam (CNRS-Sorbonne université).
Malgré ces difficultés, une vague de start-up déferle aujourd’hui dans le domaine des technologies vocales. Qu’en est-il des performances de synthèse vocale annoncées à grands cris par des sociétés comme Lyrebird, au Canada ? Dès 2017, Lyrebird se vantait d’avoir développé une technologie d’IA capable d’imiter n’importe quelle voix à partir d’un enregistrement d’« une minute seulement ». « Leur but était de produire une phrase fixe, prononcée avec une voix de synthèse », précise Axel Roebel. On est loin d’un dialogue en temps réel.
« Il faut rester critique envers les annonces spectaculaires qui se nourrissent des fantasmes autour de l’IA. La réalité est bien plus mitigée, tempère Nicolas Obin. Aucune entreprise à ce jour n’est capable de cloner votre voix de manière réaliste et crédible, à partir de quelques enregistrements. » Il se peut qu’un jour cette prouesse devienne réalité, admet-il, mais « il reste bien du chemin à parcourir ». Toujours est-il qu’un minimum semble ici requis : « disposer d’au moins 25 heures d’enregistrements de qualité de la voix à imiter. »
Il existe pourtant un fameux exemple de voix de synthèse très réaliste : c’est la voix standard de Google. Le géant propose aux Américains, depuis début 2019, un agent artificiel qui réserve pour eux une table au restaurant. « Cet exemple a probablement été très travaillé pour la démonstration », observe Nicolas Obin. Quant à l’autre service annoncé par Google – prendre un rendez-vous chez un coiffeur –, il n’a pas encore été déployé. « Cela montre la dépendance du système au contexte. C’est une de ses limites », note Axel Roebel.
A l’Ircam, les chercheurs ont rusé : au lieu de créer une voix ex nihilo, ils font d’abord appel à un comédien
Pour modifier à façon la voix humaine, la stratégie de l’Ircam diffère radicalement. Dans l’approche précédente, il s’agissait de créer, à partir de n’importe quel texte, une voix qui parle de manière naturelle. Avec les limites que l’on sait. A l’Ircam, les chercheurs ont donc rusé : au lieu de créer une voix ex nihilo, ils font d’abord appel à un comédien. « La voix de cet acteur nous sert de trame vocale, un peu à la manière de la “capture de mouvement” pour l’image », explique Nicolas Obin. Le comédien prononce, avec l’intonation souhaitée, les textes à reproduire. Ensuite, un algorithme transforme le timbre de sa voix pour « coller » au mieux à celui de la personne à imiter.
Cette ingénieuse approche a déjà permis aux chercheurs de reproduire les voix de Marilyn Monroe, Philippe Pétain ou Louis de Funès. Il leur a fallu seulement dix minutes d’enregistrements de la voix de ces personnalités. « Nous parvenons ainsi à un rendu d’une qualité acceptable par des professionnels du son », précise Nicolas Obin. Nous verrons plus loin comment.
Notre cerveau, un as du décodage vocal
Mais, auparavant, place à ces prodiges : nos propres systèmes d’analyse de la voix humaine ! « La voix humaine contient (…) un nombre étonnant de signaux : dès la première phrase au téléphone, on sait à qui l’on a affaire, son sexe, son âge, sa culture, son humeur agressive, abattue ou érotique, et même son niveau social », observe Boris Cyrulnik dans Les Nourritures affectives (Odile Jacob, 1993). Que nous soyons capables de saisir, grâce aux réseaux de neurones de notre cerveau, les moindres nuances, les plus infimes vibrations d’une voix humaine : voilà qui donne la mesure du défi que pose l’imitation d’une telle voix, dans sa singularité !
En un éclair, nous percevons par exemple si l’inconnu qui nous parle est bienveillant ou malveillant, dominant ou dominé, digne de confiance ou pas. Par quel « miracle » ? A l’Ircam, cette énigme a été en partie déchiffrée. « Nous avons conçu des algorithmes qui transforment et manipulent les différentes dimensions de la voix. Cela nous permet d’explorer la façon dont notre cerveau extrait, calcule et décode les signaux sociaux contenus dans la voix d’autrui », explique Jean-Julien Aucouturier, chercheur en sciences cognitives au CNRS.
« L’immense majorité des gens partagent la même représentation mentale de ce qu’est un “bonjour” digne de confiance ou un “bonjour” dominant… »
C’est un terme banal qui a révélé le fin mot de cette histoire. Les chercheurs ont produit, à l’aide d’un algorithme, une infinité d’intonations du mot « bonjour ». Puis ils ont soumis ces variantes, par paires, à de nombreux volontaires. Avec cette question : lequel de ces deux « bonjour » vous semble le plus digne de confiance (ou le plus dominant…) ?
Résultat : « L’immense majorité des gens partagent la même représentation mentale de ce qu’est un “bonjour” digne de confiance ou un “bonjour” dominant… », résume Jean-Julien Aucouturier. Un « bonjour » digne de confiance, par exemple, est plutôt stable sur la première syllabe ; il monte légèrement sur la deuxième puis abruptement sur la fin. Un « bonjour » de chef, lui, descend sur la première syllabe puis encore plus sur la seconde. Une découverte publiée en mai 2018 dans les PNAS. Autrement dit, « les gens usent tous de la même partition mentale pour déchiffrer les signaux sociaux de la voix. » Mieux, ce code est généralisable à d’autres mots.
Certains patients victimes d’un accident vasculaire cérébral (AVC) ne parviennent plus à décoder les signaux sociaux dans la voix. Ils n’arrivent plus à reconnaître, notamment, une phrase interrogative – ni, en conséquence, à comprendre l’ironie. Pour autant, leurs capacités de compréhension du langage (syntaxe et sens des mots) sont intactes. « Ce n’est pas le contenu de la phrase qui pose problème, mais la façon dont elle est prononcée. Nous cherchons à déchiffrer l’algorithme cérébral responsable de ces erreurs, ce qui pourrait livrer des pistes de rééducation », espère Jean-Julien Aucouturier.
A l’Ircam, le mystère du « sourire de la voix » a aussi été dissipé. Comment percevons-nous, au téléphone ou à la radio, si notre interlocuteur sourit ou non – sans même le voir ? Quand il sourit, ses muscles zygomatiques étirent les coins de sa bouche, ce qui modifie les résonateurs de sa cavité buccale.
« Un petit changement de timbre peut ici avoir un effet très puissant », note Jean-Julien Aucouturier. Son équipe a développé un logiciel qui simule l’effet du sourire sur la parole. Breveté, ce logiciel est utilisé dans la production musicale et les jeux vidéo. Il intéresse aussi les dispositifs médicaux, pour « humaniser » des synthétiseurs vocaux. « Avec ce logiciel, nous avons confirmé que les auditeurs reconnaissent les sourires dans la voix. Et montré qu’ils les imitent en souriant en retour, inconsciemment. » Des sourires si discrets qu’il faut, pour les révéler, des électrodes qui mesurent l’activité électrique des muscles du visage. L’étude a été publiée dans Current Biology en 2018.
Mieux : l’équipe vient de reproduire ce travail chez des aveugles de naissance. Eux aussi, quand ils entendent une voix sourire, sourient en retour, alors même qu’ils n’ont jamais vu de sourire. Un écho à la Lettre sur les aveugles à l’usage de ceux qui voient (1749) où Diderot s’interroge sur les adaptations sensorielles des non-voyants.
De fait, tous les éléments de la chaîne de la voix peuvent traduire notre état psychique et émotionnel. En cas de stress, par exemple, notre voix tremble. C’est parce que le nerf vague, qui innerve notre larynx, agit sur les muscles qui modulent la résistance des cordes vocales.
Imiter l’inimitable
Venons-en maintenant à cette troublante mission des chercheurs : imiter l’inimitable, au fond, c’est-à-dire une voix donnée, dans sa singularité et sa charge émotive. A l’Ircam, les chercheurs dissèquent les paramètres de la voix humaine… pour les distordre à loisir, selon l’effet recherché. Le monde du cinéma les sollicite régulièrement. Ils ont ainsi contribué à recréer la voix du mythique castrat italien du XVIIIe siècle Farinelli, pour les besoins du film de Gérard Corbiau (1994). « Son intonation était pure, son trille magnifique, son contrôle de la respiration extraordinaire et sa gorge très agile… », décrivait son contemporain, le compositeur baroque Johann Joachim Quantz. Sa voix de cristal aurait même suscité des orgasmes !
Comment reconstruire cette voix de légende ? Farinelli pouvait couvrir trois octaves. Le directeur artistique du film a d’abord enregistré séparément un contre-ténor et une soprano colorature. Puis il a mixé les deux voix. Enfin, l’Ircam a unifié les deux timbres. Pour un résultat, au final, assez diversement apprécié.
Pour les besoins du film Juger Pétain (2014), de Philippe Saada, l’équipe d’Axel Roebel a reconstitué la voix parlée du Maréchal déchu, durant son procès. « L’enregistrement audio de ce procès avait été interdit, mais des vidéos avaient été tournées. On disposait aussi de sa retranscription écrite. Ainsi que de plusieurs enregistrements de la voix de Pétain, lors d’autres occasions », raconte Axel Roebel. Un acteur a d’abord prononcé le texte de la déclaration de Pétain, en imitant sa prosodie. « Puis nous avons appliqué à cette voix le timbre vocal de Pétain, tel que nous l’avions caractérisé. » Enfin, la production a fait coïncider le tout aux mouvements des lèvres de l’accusé, puis rajouté les échos de la salle.
Autre défi : transformer à loisir une voix enregistrée. Pour cela, les chercheurs ont développé une panoplie d’outils : traitement du signal, analyse statistique, apprentissage machine. Tel cet algorithme qui colore la voix d’émotions variées. « Ce logiciel transforme une voix neutre en une voix exprimant la colère, la tristesse ou la joie. Sa limite actuelle, c’est qu’il ne fonctionne que pour une voix donnée », explique Axel Roebel.
Avant de transformer une voix sur mesure, les chercheurs doivent d’abord démêler ses deux grandes composantes. Autrement dit, ils séparent la « source » de la voix (les vibrations des cordes vocales) de son « filtre » (leurs résonances dans le tractus vocal). Ensuite seulement, ils peuvent les manipuler séparément. Pour changer la hauteur de la voix, par exemple, ils ne manipulent que la source (en réalité, c’est plus compliqué). Et pour modifier les paroles sans toucher au timbre, ils ne manipulent que le filtre. Illustration : les chercheurs ont ainsi fait parler un lion… avec la voix de Sean Connery. L’astuce a consisté à caractériser la source vocale du félin, puis à insérer cette source dans le filtre de la voix de l’acteur. Et celui-ci de parler en rugissant, avec conviction.
La voix de synthèse est un vieux défi. Présente dans nos GPS et nos smartphones, elle fait partie de notre quotidien. Ainsi de l’Alexa d’Amazon, qui imite assez bien la voix humaine. « Mais ces voix artificielles sont souvent monotones. A l’aide de réseaux d’apprentissage profond, nous essayons de les rendre plus expressives », indique Axel Roebel. Pour autant, avec de tels outils, « nos résultats de conversion d’identité vocale restent pour le moment assez limités », admet le chercheur. Ces limites, ajoute-t-il, touchent tous les laboratoires qui travaillent sur cette question. « De plus, ces systèmes ne fonctionnent pas en temps réel : ils ne permettent pas un vrai dialogue. »
Traduire les pensées en une voix de synthèse n’est peut-être plus totalement un pur fantasme ?
Traduire nos pensées en une voix de synthèse, maintenant. Pur fantasme ? Peut-être pas. Un premier pas dans ce sens a été accompli par l’équipe de Gopala Anumanchipalli, à l’université de Californie. L’exploit a été relaté dans la revue Nature du 24 avril. Cinq volontaires ont été recrutés : des patients épileptiques dont la prise en charge nécessitait l’implantation d’électrodes dans le cerveau. Les chercheurs leur ont demandé de lire des centaines de phrases à voix haute. En parallèle, les signaux électriques émis par leurs neurones, dans les aires qui contrôlent l’articulation, étaient enregistrés. Ensuite, un logiciel d’IA a couplé ces signaux neuronaux aux paroles prononcées. Puis il a construit un « tractus vocal virtuel » (larynx, langue, lèvres…), dont les mouvements reproduisaient ceux du « vrai » tractus du patient en train de parler. Dernière étape : convertir l’activité du tractus virtuel en signal audio – c’est-à-dire en voix parlée.
Sur 101 phrases ainsi synthétisées, 43 % ont été pleinement intelligibles. Pour les auteurs, la faisabilité de cette approche est démontrée. A terme, un tel décodeur pourrait aider ceux qui ont perdu la parole à communiquer. Mais la méthode reste très invasive.
Trois siècles de recherche sur la voix
Une brève incursion dans le passé permet toutefois de mesurer le chemin accompli. Les voix de synthèse sont le fruit de trois siècles de recherches. En 1791, une machine à parler mécanique (« Speaking machine ») a été inventée par le Hongrois Wolfgang von Kempelen. Il faudra attendre 1939 pour qu’un autre palier soit franchi. Aux Etats-Unis, les laboratoires Bell conçoivent le premier synthétiseur vocal électronique, le Voder, suivi dans la foulée du Vocoder (« Voice Encoder »). Par l’intermédiaire d’un clavier, la machine obéissait aux commandes d’un opérateur, tandis que ses effets sonores étaient modulés par des pédales. Reconnaissable entre tous, son timbre métallique inspirera les voix de nombreux robots de cinéma, tel le C-3PO de Star Wars.
Les années 1960, ensuite, ont vu naître les premières voix de synthèse informatique, tel l’IBM 704. Deux à trois décennies plus tard, un bond qualitatif sera franchi, grâce à la démultiplication des capacités de stockage et de traitement des ordinateurs… Bel exploit : en 1985, le fameux air de La Reine de la nuit a été reconstitué par un logiciel de synthèse, à l’Ircam, par l’équipe de Xavier Rodet. Mozart à l’ère informatique. Mais il s’agissait de vocalises, non de paroles articulées.
Depuis lors, le projet ChaNTeR s’est attaché à synthétiser du chant expressif, à partir d’un texte et d’une mélodie. Pour mener à bien ce projet, les chercheurs ont construit une base de données couvrant tous les diphones (des séquences de deux phonèmes) chantés de la langue française. Pour cela, ils ont enregistré deux chanteurs professionnels, un homme et une femme. Ensuite, il leur a suffi de « piocher dans cette base les phonèmes appropriés. Puis de les mettre bout à bout et de les transposer avec les bonnes hauteurs et les bonnes intensités, à l’aide de logiciels », explique Axel Roebel. Et la parole devient chant, avec la mélodie et l’accent voulus. Les chercheurs ont ainsi fait chanter… Margaret Thatcher. Etonnante expérience.
Autre démonstration. « C’est une chanson qui nous ressemble… », entonne Edith Piaf, de sa voix sans pareille. Le logiciel ISiS tente bravement de l’imiter. Pas facile… S’il intègre un modèle de « style de voix » de l’artiste, le résultat est plus convaincant. Mais il manque encore à cet avatar vocal un rien… d’inimitable, précisément.
Aucun commentaire:
Enregistrer un commentaire