Je suis la voix

L’expression « entendre des voix » ne peut plus être uniquement comprise comme synonyme d’hallucinations auditives tant la voix est devenue quasiment omniprésente au quotidien : les dialogueurs comme les enceintes connectées ou les assistants personnels intégrés aux smartphones ; annonces dans les transports en commun et aussi à certains guichets, distributeurs ou autres caisses automatiques ; mais aussi podcasts, émissions radiophoniques, téléphonie, télévision, et tout autre système médiatique de transmission. Nous sommes passés du  “monde des voix évanescentes pour les Anciens” au monde des voix persistantes (Bouton-Touboulic, 2020). Les voix sont partout, multiples et différentes : tour à tour féminines ou masculines, proposant les charmes des accents régionaux, s’exprimant aussi en langues étrangères. Certaines voix sont envisageables. Elles appartiennent à quelqu’un que nous sommes tout à fait à même d’identifier : un proche ou une personne médiatique ; ami, parent, collègue ou encore acteur, chanteuse, présentateur. Nous pouvons poser un visage sur ces voix. Nous savons qui parle et nous pouvons l’identifier.

Mais qu’en est-il de ces voix sans corps ? Qui parle dans le métro et aux caisses automatiques ? Qui est ce dialogueur qui répond à nos questions ? Certains reportages ont été menés pour découvrir ces personnes qui prêtent leur voix aux annonces dans les transports, aux slogans publicitaires, aux bandes annonces de films, aux doublages, etc. Ainsi, une personne se révèle en chair et en os. Claire Le Floch, Sylvie Caspar et Lila Tamazit ont incarné la voix off des annonces de la chaîne arte. Nous repenserons aussi à la voix emblématique de l’émission Le cinéma de minuit diffusée en son temps sur la chaîne FR3 portée par Patrick Brion. Enfin, c’est Simone Hérault qui depuis 40 ans déjà se fait entendre à la SNCF. Mais ces reportages ont-ils été regardés de tous ? Peut-être sont-ils vite oubliés. Car ces voix finissent par incarner autre chose que l’identité de leur hôte : elles font corps avec l’objet ou la machine dans laquelle elles ont été intégrées. Et certaines d’entre elles restent des voix, de simples voix, sans visage et sans corps, des voix dont nous ne connaîtrons jamais la provenance. Sont-elles réelles ou artificielles ? Sont-elles enregistrées ou programmées ?

Selon Mangrove Capital Partners, il y avait environ 2,5 milliards d’assistants vocaux en 2019. Les prévisions qui estimaient leur nombre à 8 milliers en 2023 étaient fausses. Toutefois, leur nombre a presque doublé en 4 ans : il y en a plus de 4 milliards selon Techreport.  De plus en plus de sociétés développent leurs dialogueurs avec en tête de proue Alexa d’Amazon et OK Google. Mais depuis 2022, tout a basculé avec l’arrivée de ChatGPT et autres IA génératives. L’usage de la voix semble sans limite et plus confortable. D’abord parce que nous disons bien plus de choses à l’oral qu’à l’écrit. Ensuite car cela sied à notre capacité à anthropomorphiser notre environnement (objets comme animaux). Enfin parce qu’elle offre cette proximité rassurante de l’« autre ». Plus vraiment machine mais pas vraiment humain, cette voix sortie de nulle part “m’écoute”, “me comprend”, “répond à mes attentes”, etc. Toutes ces expressions utilisées à des fins marketing sont tout autant de leurres séducteurs incitant l’usager à faire de son dialogueur un véritable “compagnon digital”. Serge Tisseron interpelle sur les problèmes qui risquent d’apparaître sur le long terme si nous n’y prêtons pas attention (2020). Tirons les leçons des écueils provoqués par un mésusage des écrans et anticipons au plus tôt notre avenir au quotidien avec ces machines parlantes qui se propagent tout autant dans la sphère de la vie privée et l’espace publique, que dans les milieux professionnels et industriels.

Nature et artifice

Nous reprendrons ici quelques réflexions pertinentes de Jean-Claude Beaune à propos de l’automate (1980). 

L’automate est une machine porteuse du principe interne de son mouvement qui, en conséquence, garde inscrit en ses composants matériels ou ses actions l’illusion, le rêve ou la feinte de la vie. […] L’automate cache la cause première de son mouvement et fait croire à son organicité. 

Nous pourrions penser qu’une assistance vocale comme celle que nous avons étudiée ne s’anime pas. La notion de mise en mouvement, d’animation n’est pas, à première vue, présente ou flagrante. Pourtant c’est le cas. Rappelons d’abord quelques principes fondamentaux. La voix met en branle l’ensemble des organes de l’appareil vocal (dit aussi phonatoire) lesquels en s’animant vont produire un son et permettre à la voix de s’extérioriser hors du corps pour continuer sa course dans le milieu ambiant (généralement l’air) qui se met alors à vibrer pour atteindre les oreilles et ainsi activer l’appareil auditif. Lorsque nous parlons, beaucoup de nos organes vont être mis en action dont la bouche (langue, lèvres, palais et dents) qui nous apparaît comme prépondérante à cela. Mais il y a aussi les cordes vocales, le larynx, le pharynx, le diaphragme, etc. Tout un mécanisme intérieur dont nous n’avons pas toujours conscience d’actionner car somme toute cela est tout à fait naturel. De l’autre qui nous parle, nous entendons ses mots et nous voyons essentiellement son visage expressif dont la bouche s’ouvre et dont les lèvres remuent. 

Avec les progrès technologiques, il nous a été donné de pouvoir communiquer à distance avec une qualité qui n’a fait que s’améliorer avec le temps. L’invention du téléphone à la fin du 19ème siècle a terrorisé bien des personnes qui n’arrivaient pas à comprendre que la présence de cette voix était bien celle de la personne absente¹. Comment était-il possible d’entendre une personne absente si ce n’était que parce qu’elle était morte et que, alors, c’était avec son fantôme que nous avions établi un contact ? La voix venait d’un au-delà de l’ici (Chevet, 2017). Passés la peur et les émois, chacun trouva dans le téléphone un outil fort pratique pour rester en contact avec des proches un peu lointains par exemple. Il fut accepté dans la société et finit par se démocratiser. 

Cette capacité à converser avec des personnes via des équipements techniques analogiques ou numériques (téléphone, smartphone, visioconférence, etc.) que nous avons assimilé en un peu plus d’un siècle nous permet de fait d’être plus à l’aise avec les dialogueurs. Nous ne sommes plus du tout surpris qu’une voix sorte d’une “boîte” dédiée à cet effet. L’invention du phonographe et tous les supports d’enregistrement et de reproduction sonore y sont aussi pour quelque chose. Écouter une voix au bout du fil, écouter la voix d’une soprano sur un CD, écouter la voix d’un conteur sur K7, écouter les messages laissés à la fil sur les nouvelles messageries instantanées, écouter la radio, écouter un podcast, etc. s’inscrit dans la banalité du quotidien en ce début du 21ème siècle. Alors pourquoi pas la voix d’un dialogueur ?

Pour en revenir à notre question première : qu’est ce qui s’anime dans cet objet ?  Comme pour la voix, c’est toute son intériorité mécanique et électronique qui permet l’émission du son. Mais il n’a pas de bouche. En effet mais nous ne voyons pas non plus la bouche de notre interlocuteur à l’autre bout du fil. Nous n’avons plus besoin de la voir. Nous avons intériorisé ou plutôt intégré cette technologie du téléphone et de l’enregistrement sonore à notre être (Tordo, 2019). Nous n’avons plus besoin de voir nécessairement l’autre pour savoir qu’il nous parle. Seulement voilà, c’est aussi à cause de cette intégration qu’il est possible de nous duper comme avec des leurres conversationnels de type Lenny. Nous évoquerons cet aspect dans le prochain billet². La voix sortant d’un objet n’a plus besoin d’être physique pour que nous puissions la relier à un corps qui parle, un corps connu ou fantasmé. Dans ce sens, le mouvement de l’appareil phonatoire est inhérent à la voix : il est contenu en elle.

Si l’appareil vocal est de nature organique, le dialogueur n’est qu’artificiel. Tout d’abord par sa forme et la nature de ses composants. Mais aussi par la difficulté à échanger des propos. Nous l’avons vu précédemment, il n’y a pas de conversation tout au mieux un dialogue quand cela ne se limite pas à une simple communication d’informations par mots-clés. C’est pour cela que, jusqu’à très récemment, l’usage majoritaire des assistances vocales grand public se cantonnait à passer des commandes et des coups de fil ou à demander la météo du jour. Mais cela a bien changé avec l’arrivée des Transformers et l’entrée fracassante de ChatGPT³ 

Aristote avait en son temps saisi cette spécificité humaine qu’est la voix :

La voix est un son produit par un être animé. Parmi les êtres inanimés, aucun n’a de voix ; mais c’est uniquement par similitude qu’on dit d’eux qu’ils en ont une, comme on le dit en parlant de la lyre, de la flûte et de toutes les autres choses sans vie, qui ont une vibration, un chant, un langage. Il semble qu’elles aient une voix, parce que la voix a aussi toutes ces nuances. (420b, paragraphe 9)

Mais tout son produit par l’animal n’est pas une voix, ainsi que nous l’avons dit ; et, par exemple, on peut produire aussi un son avec la langue, comme le font ceux qui toussent. Mais il faut, pour qu’il y ait voix, que le corps frappant soit animé, et qu’il y mette une certaine intention. La voix, en effet, est un son exprimant quelque chose ; ce n’est pas un simple bruit de l’air respiré, comme la toux. (ibid., paragraphe 11)

L’assistance vocale étudiée n’est pas une voix. C’est grâce aux avancées technologiques dans le domaine de la synthèse vocale que les dialogueurs ont pu se développer si largement ces dernières années et plus particulièrement grâce à l’apprentissage profond. Avant d’aller plus loin dans la réflexion, faisons quelques rappels sur la différence entre le speech to text (STT) et le text to speech (TTS), les deux technologies utilisées pour implémenter cette assistance vocale. Le speech to text, c’est de la reconnaissance vocale. Par exemple, pendant qu’un usager parle, son ordinateur retranscrit ses paroles en texte écrit. Le text to speech, c’est de la synthèse vocale. C’est une technologie qui émet une parole artificielle à partir d’un texte inscrit de manière électronique, numérique ou digitale dans un appareil comme un smartphone, une tablette numérique ou une enceinte connectée. La technique du TTS transforme la version phonétique du texte en un ensemble de phonèmes qui sera réemployé par concaténation. Nous retrouvons des traces  de cette envie de recréer la parole dès le 18ème siècle avec la machine parlante du baron J.-W. von Kempelen. Le livre blanc n°1 de la CNIL, intitulé À votre écoute, exploration des enjeux éthiques, techniques et juridiques des assistants vocaux, nous donne des indications claires sur l’avancée de cette technologie (2019) :

Depuis les années 1990, la synthèse de parole met en œuvre majoritairement une synthèse dite par concaténation d’unités. Cette technique consiste à sélectionner, dans l’ensemble des enregistrements d’un acteur préalablement transcrits en phonèmes, syllabes et mots, les briques de son qui correspondent aux mots que l’on souhaite faire prononcer par la voix et à les assembler les uns à la suite des autres pour former une phrase intelligible et avec une diction naturelle. L’avantage de cette synthèse est d’être exclusivement basée sur la réutilisation de briques réelles et donc de garantir le naturel de la voix de synthèse. Son désavantage est toutefois d’être limité à la voix de la personne, et à son contenu stylistique et expressif. La synthèse dite statistique ou paramétrique est apparue dès la fin des années 1990 avec les premières tentatives de modéliser les paramètres d’une voix comme l’intonation, le rythme, et le timbre, par des modèles statistiques génératifs comme les chaînes de Markov cachées.

C’est le modèle par concaténation qui domine sur le marché des dialogueurs. Cet assemblage de phonèmes révèle toute la mécanicité de l’objet. De même lorsque les modèles GPT (transformeur génératif pré-entraîné) prédisent le prochain mot dans une séquence de texte. Nos conversations ne reposent en rien sur un modèle probabiliste. Notre rapport au langage s’inscrit dans l’indéterminé (Sadin, 2023). Open AI pourra demander aux meilleurs acteurs de venir prêter leur voix pour faire “parler” ChatGPT, le résultat passé au tamis de l’IA sera machinique, contenu dans le cadre d’un modèle probabiliste. Il n’est donc pas question de voix mais bien d’un artifice de voix. Aucune intention ne pénètre les mots ni les phrases diffusés par le dialogueur : il n’exprime rien. Ce n’est qu’une composition de sons laquelle fera sens pour l’utilisateur car étant capable de symbolisation mais n’est rien pour la machine qui ne fait que jouer un programme. Le signe n’est ici que signal (Labarrière, 1993). L’artifice se révèle dans les réponses incongrues mais aussi dans la monotonie expressive ou la scansion rigide. Et avec les GPT, il se montre sous une forme langagière au style uniforme trop consensuel pour être humain. Il ne suffit pas d’être une voix pour faire voix !

Retrouvez l’ensemble des références contenues dans ce billet dans la bibliothèque anthropobotique !

A suivre

1. Il faut dire qu’à cette époque, le spiritisme était à la mode donc l’imaginaire travaillait beaucoup. [↩]
2. Ce suspens de dingue ! Vivement la semaine prochaine pour découvrir ce qu’est Lenny ! [↩]
3. Pour rappel, ce travail de recherche a été menée avant 2022. [↩]

---

---