Définition
La prosodie est le motif de hauteur, de rythme, d'accent, de débit, de volume et de pauses qui façonne le son de la parole au-delà de ses mots. Elle signale les questions, l'emphase, l'émotion et le moment où un locuteur s'apprête à s'arrêter.
Comment fonctionne la prosodie
Les mêmes mots peuvent signifier des choses différentes selon la façon de les dire. « Tu viens » monte en question ou descend en affirmation. L’accent déplace le centre de la phrase : « Je n’ai pas dit qu’il l’ait pris » change de sens selon le mot accentué. Le débit et les pauses marquent les frontières des propositions, et une diction plus lente et plus douce paraît contrite ou grave.
En synthèse vocale, la prosodie est l’un des problèmes explicites à résoudre. La spécification SSML du W3C cite l’analyse de la prosodie comme une étape de traitement et définit un balisage qui permet à un auteur d’influer sur la hauteur, le débit, le volume et les pauses. Elle avertit aussi que mêler la prosodie fixée par l’auteur à ce que le processeur décide lui-même peut interagir de façons propres à chaque processeur, de sorte que les résultats diffèrent d’un système à l’autre.
Les modèles vocaux neuronaux apprennent seuls une grande part de cela à partir de la parole enregistrée : une phrase lue à partir de texte brut porte déjà un accent et un rythme plausibles. Des réglages l’ajustent ensuite. Beaucoup de services acceptent par requête un réglage de débit, de volume ou d’émotion, et certains laissent le LLM qui a rédigé la réponse les choisir tour par tour.
Pourquoi c’est important pour les agents vocaux
La prosodie est ce qui fait qu’une réponse sonne comme voulue. Une lecture plate d’une excuse, ou un ton montant sur l’énoncé d’un fait, peut faire paraître dédaigneuse ou incertaine une réponse correcte. Les nombres ont aussi besoin de rythme : un numéro de carte lu par groupes avec de courtes pauses est bien plus facile à suivre et à noter qu’un numéro lu d’une traite.
Cela joue aussi dans l’autre sens. Les gens utilisent la hauteur et les pauses pour montrer qu’ils ont fini ou qu’ils vont continuer, et un bon système de tour de parole peut exploiter ces indices plutôt que le seul silence.
La prosodie se juge à l’oreille. La note de naturel donnée par des auditeurs, comme le score d’opinion moyen, est le contrôle habituel.
Exemple
Une consigne illustrative donnée à une voix : lire « Votre solde est de 1 204 dollars » à un rythme calme, faire une courte pause après « solde est de » et baisser la hauteur sur le dernier mot pour signaler que la phrase est terminée.