Transformation de la voix humaine

Le logiciel TRAX permet de manipuler à la fois la hauteur de la voix et la disposition des formants de cette voix, il modifie ainsi son timbre ou plus précisément sa couleur. Regardez et écoutez un exemple sur la vidéo ci-dessous.

Démonstration du logiciel TRAX. Une voix masculine est transformée en voix féminine.
Visionner la vidéo – Durée : 45 s.

Vous trouverez d’autres exemples sur le site de l’IRCAM, notamment une démonstration de transformation de voix chantée de femme.

Changer l’âge de la voix – comment ça marche ?

Pour changer l’âge d’une voix, ce sont les mêmes paramètres qui sont modifiés, mais différemment combinés. Les enfants ont en effet un conduit vocal encore plus petit que les adultes. Avec le logiciel, on utilise et combine différemment d’autres valeurs de hauteur et de position des formants afin d’obtenir une voix de jeune enfant par exemple.

De plus, pour obtenir un effet d’âge supplémentaire, on agit aussi sur un autre paramètre, la « modulation de l’intonation ». Une personne jeune a tendance à « moduler » plus, c’est-à-dire qu’elle varie plus la hauteur de sa voix ou ambitus au sein d’un même discours. Or ce phénomène diminue avec l’âge. Pour agir sur la modulation, on change la courbe de l’évolution de la hauteur de la voix au cours du temps.

À quoi ça sert ?

Le premier client qui s’intéresse de près à ces applications est l’industrie du cinéma, qui peut avoir besoin de modifier les voix des comédiens pour des raisons variées.

Par exemple, pour le film « Farinelli » (réalisé par Gérard Corbiau en 1994), qui avait pour thème les castrats – ces chanteurs du XVIII^e siècle, dont il n’existe bien sûr pas d’enregistrements, qui avaient une voix chantée presque féminine. Le réalisateur a ainsi fait appel à l’IRCAM pour recréer la voix des castrats à partir du mélange savamment dosé d’enregistrements d’une voix de chanteur et d’une voix de chanteuse.

Plus récemment, dans son film « Les amours d’Astrée et Céladon » (2007), Eric Rohmer a lui aussi eu recours aux logiciels de transformation de la voix. Un des personnages du film devait déguiser sa voix d’homme en voix de femme pour les besoins de l’intrigue, mais le résultat obtenu par le comédien n’était pas très convaincant. Alors la voix du personnage masculin a été retouchée et « féminisée » par l’utilisation du logiciel.

Deuxième utilisation possible pour l’industrie du cinéma : modifier les voix des doubleurs, ou bien encore obtenir plusieurs voix différentes avec un seul doubleur, ce qui représente une économie de moyens.

L’autre grand client très intéressé par la transformation de la voix humaine est l’industrie du jeu vidéo, qui s’en sert pour donner des voix aux personnages des jeux, pour multiplier les voix en partant d’une seule, ou bien encore pour leur donner un effet ludique ou électro façon robot.

Du texte à la parole

Un ordinateur peut-il reproduire une voix humaine et l’utiliser pour lui faire prononcer un discours inédit non enregistré ? Dans une certaine mesure, oui ! Le « Text to Speech » est un autre outil passionnant de synthèse de la voix, développé entre autres à l’IRCAM.

Pour ce faire, il faut disposer de plusieurs heures d’enregistrement de la voix parlée d’un individu – ce qui n’est pas une mince affaire. Ensuite, le logiciel peut « apprendre » cette voix afin de la reproduire. Après cette phase d’apprentissage, on fournit alors un texte au logiciel, qui est capable de « traduire » ce texte écrit en discours oral en utilisant la voix parlée originale de départ. Étourdissant, non ? Des essais saisissants ont été réalisés avec la voix d’un acteur célèbre lisant un livre numérique. Le principe ? Cela repose en fait sur l’analyse et la concaténation des micro-éléments de la parole enregistrée. C’est pour cela que la qualité de ressemblance entre la voix synthétisée et la voix source est si bonne. Mais deux limites importantes existent : premièrement, la quantité importante d’heures d’enregistrements qui est nécessaire, et deuxièmement, le fait que le matériau de l’enregistrement de départ limite l’expressivité de la voix.

Comme exemples, nous utilisons deux textes synthétisés. Le premier est une synthèse à partir du texte « le petit chaperon rouge » utilisant un enregistrement d’une voix d’un acteur interprétant un autre texte. L’expressivité de la voix est correcte, même si la « prosodie » paraît un peu étrange.

Le deuxième est une synthèse du texte « tu sais quoi ? je suis tellement content ! » utilisant un enregistrement d’une voix non professionnelle neutre. Dans ce deuxième cas, on constate que l’expressivité plate de la voix enregistrée dans la base n’est pas bien adaptée au texte.

Changer l’identité d’une voix

Transformer la voix d’un individu donné en la voix d’un autre individu donné, est-ce possible? Pour l’instant, dans ce cas précis, on n’en est encore qu’à un stade embryonnaire de recherche.

Dans ce cadre dit de la « conversion d’identité » entre deux voix, il faut disposer d’enregistrements d’au moins 10 minutes de chacune des deux voix disant le même texte – ce qui n’est pas non plus facile à obtenir. On appelle alors « voix-source » la voix qui sert de base, et « voix-cible » celle que l’on veut pouvoir manipuler pour lui faire prononcer un nouveau discours. L’ordinateur, en alignant temporellement les deux enregistrements, est capable d’ « apprendre » la fonction de correspondance ou de transformation entre les deux voix, les différences entre les formants, et les changements de la couleur de la voix en général.

L’industrie du cinéma est là encore très intéressée par une telle promesse de conversion de la voix : faire parler des personnages célèbres ayant réellement existé avec leur voix véritable ! Imaginez qu’un comédien incarnant le général de Gaulle parle avec la voix du général…

La conversion de la voix intéresse également l’industrie du jeu vidéo : il s’agirait par exemple de pouvoir faire en sorte que les joueurs d’un jeu puissent parler avec la voix d’un personnage du jeu par exemple. Une firme japonaise travaille actuellement aussi sur la piste d’un jeu de karaoké où l’on pourrait chanter avec la voix d’Elvis Presley.

Les Européens ne sont pas en reste, et un projet de recherche sur la traduction automatique est en cours actuellement. Il s’agit de rendre possible la traduction automatique orale en utilisant la voix de l’utilisateur du logiciel pour enregistrer le mot à traduire, et utiliser cette même voix pour produire le mot traduit (projet EMIME).

Enjeux

Mais l’éthique dans tout ça ? Est-il bien raisonnable de chercher à manipuler les voix humaines dans tous les sens, au point d’absolument tout modifier, le genre, l’âge, l’identité ? Oserait-on imaginer faire tenir à un homme politique célèbre un discours qu’il n’a jamais tenu ? Quelles en seraient les conséquences ?

Pour l’instant, les logiciels de conversion d’identité de la voix n’en sont qu’aux balbutiements, la qualité atteinte n’étant pas encore suffisante. Mais pour combien de temps ?

Depuis longtemps, les « sciences forensiques » comme la criminologie s’intéressent à tous ces outils de manipulation de la voix, et étudient à la loupe la question de l’imposture vocale, dans la mesure où des enregistrements vocaux peuvent être produits comme preuves devant les tribunaux. L’histoire de l’imposture vocale remonte cependant à bien plus loin que les logiciels de synthèse et de transformation de la voix. De fait, certains individus rares sont naturellement doués du talent de contrefaire leur voix et d’imiter celle d’autres de leurs congénères, faisant ainsi naturellement ce que les logiciels ont appris à faire systématiquement.

Dans combien de temps aurons-nous sur nos i-phones des applications qui permettront de donner l’heure, d’annoncer le temps qu’il fait, ou de donner les cours de la bourse avec notre propre voix ou bien avec celle de notre chanteur préféré ?

Remerciements à Axel Röbel, et à Xavier Rodet, Pierre Lanchantin, Christophe Veaux, Nicolas Obin, de l’équipe Analyse/Synthèse du son à l’IRCAM.