Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

La durée des pauses dans CFPR-OFROM

Le corpus OFROM, et à sa suite CFPR, aimerait pouvoir se targuer d’un alignement au son au centième de seconde. Ce n’est en pratique pas possible, l’accord entre experts ne va pas en-deçà de 25ms (Walker & Trimboli 1982, p.306) mais cette fierté demeure et avec elle l’envie d’exploiter ce degré de précision. Dans le même temps, les discussions autour des conventions de transcription d’OFROM m’ont amené à m’intéresser à une consigne en particulier qui place le seuil minimal des pauses à 0.12s (120ms ou 120 millisecondes). À noter que par pause j’entends uniquement les pauses silencieuses, l’absence de parole.

Un seuil en valeur absolue est en soi critiquable (Grosman, Simon & Degand 2018) mais la discussion dessus sera brève du fait d’une bibliographie limitée, de la nécessité de ce seuil pour le travail de transcription avec l’outillage actuel et, surtout, parce que l’état de l’art a porté mon attention sur la distribution des pauses selon leur durée : j’ai donc été amené à vérifier quelles distributions étaient observables dans nos corpus.

1. Seuil minimal

Je ne vais faire ici que survoler une bibliographie limitée et commencer, même si les études sur les pauses remontent au moins au début du 20e siècle, au seuil de 0.25s (Goldman-Eisler 1968, Grosjean & Deschamps 1975) ou 0.2s (Grosjean & Collins 1979) essentiellement dû à la précision des outils de l’époque. Il s’agit pour ces auteurs de distinguer les pauses proprement dites et les phénomènes d’articulation. Candea (2000) se rapporte pour sa part à la limite physique de la synchronisation relevée par Fraisse (1974, p.66) tel qu’en-deçà de 0.25s le rythme devient irrégulier et impossible à l’approche des 0.13s.

Cette frontière articulatoire, déjà tombée à 0.2s en 1979, va continuer à se réduire à 120-140ms (Hieke, Kowal & O’Connell 1983, Kirsner & Hird 2003) même si le seuil classique peut être justifié dans des travaux récents (De Jong & Bosker 2013). La frontière de ~130ms est aussi justifiée par un seuil de 50% de détection par l’oreille humaine (Walker & Trimboli 1982, Heldner 2011). Campione & Véronis (2002) vont jusqu’à observer des pauses dès 60ms ; Kiersner, Dunn & Hird (2005) descendent à 20ms en incluant les phénomènes articulatoires. Butcher (1981) distingue de fait les pauses dès 100ms, perceptibles mais non-communicatives, et les pauses dès 200ms, pertinentes pour la communication.

Un seuil absolu, qu’il soit minimal ou maximal (alors observé à ~1-2s), est critiquable. Christodoulides, Grosman, Degand & Simon (2017) soulignent l’importance du contexte, notamment de la fréquence des syllabes mais aussi du genre de discours ou de l’individu pour déterminer ce seuil. Un seuil relatif n’est du reste pas nouveau puisque Duez (1999) proposait déjà une mesure relative à la durée des occlusives. Cependant, si le seuil relatif est pertinent voire nécessaire pour l’analyse, il est inexploitable pour le travail de transcription souvent mené par des semi-experts et avec un outillage (et donc un contexte) encore limité.

En somme, l’état de la recherche suggère une frontière à 0.13s en-deçà de laquelle les phénomènes articulatoires rendent le coût de la segmentation rédhibitoire :

In our research we have generally adopted a Boundary Threshold of approximately 20 msec, and assumed that all longer pauses are of interest to the acoustic analysis of speech. Even this value overlooks some ultra-short pauses, but the cost of segmentation rises dramatically below 100 msec.

Kirsner Kim, Dunn John C. & Hird Kathryn Marle (2005). Language Production: a complex dynamic system with a chronometric footprint. 7th International Conference on Cognitive Systems (New Dehli, India), p.4.

Campione & Véronis (2002, p.202) font un constat similaire en coût en-deçà de 200ms. C’est également l’expérience de l’équipe CFPR-OFROM : les désaccords sont trop nombreux en-deçà de 100ms.

De fait les transcripteurs perçoivent des pauses en-deçà de ce seuil, mais outre la confusion avec les phénomènes d’articulation (comme l’attaque des consonnes occlusives) il y a simplement des pauses difficiles sinon impossibles à confirmer dans le signal sonore, ce qu’observent Christodoulides et al (2017, p.1) ; la convention a même ajouté 10ms de marge de chaque côté de la pause pour éviter de couper un phonème. Nous savons qu’il existe des pauses inférieures au seuil, nous n’avons juste à ma connaissance aucun moyen de les segmenter systématiquement. À noter que le degré de précision est aussi lié à l’outillage (dans notre cas Praat) et à l’empans de son transcrit (par intervalles de 3-4s).

2. Répartition des pauses

Au-delà du seuil minimal des pauses, les précédents travaux se sont aussi intéressés, entre autres choses, à la répartition des pauses selon leur durée. Butcher (1981) et Campione & Véronis (2002) offraient déjà de telles divisions : à partir de ~100ms la pause devient perceptible ; à partir de ~200ms elle devient pertinente pour la communication ; à partir de ~1s elle change encore de nature. Butcher l’observe notablement à travers un pic dans la fréquences des pauses vers 1.1-1.2s (Butcher 1981, p.70). Cette même méthode, soit l’observation de pics de fréquences pour des durées données, sert aussi à distinguer les pauses des phénomènes articulatoires.

C’est en particulier Christodoulides, Grosman, Degand & Simon (2017) qui ont attiré notre attention : ils observent des pics de fréquences pour les pauses selon le genre de production (bimodale pour 2 pics, trimodale pour 3 pics, etc.). Nous devons ici tout de suite nuancer : ces genres sont assez formels (discours, journal, récit, homélie) et les auteurs indiquent que la répartition devient unimodale (un seul pic) au niveau individuel (idem, p.2).

Je me suis donc demandé s’il existait une bimodalité dans les corpus CFPR-OFROM.

Mes données sont ces deux corpus, CFPR et OFROM, en date du 13 février 2024 : cela comprend des données en attente de mise en ligne et représente 226’400 pauses. Cependant, les conventions du corpus me forcent à éliminer certaines pauses contiguës aux symboles # et @ (anonymisation et locuteur-tiers respectivement) faute de pouvoir déterminer aisément et systématiquement la durée de la pause dans ces contextes. Seules 201’199 pauses sont donc exploitables.

Sous-corpusNb. pausesDur. moyenneDur. médianeÉcart-type
CFPR-classique643713.1880.64213.791
OFROM-classique1268171.5840.6645.525
OFROM-multigenres100112.6170.45420.306
Total2011992.4630.58613.207
Fig.1: Répartition et durée des pauses (en secondes) par sous-corpus

Notons également que, le corpus multigenres d’OFROM étant encore trop réduit, les seuls genres exploitables sont l’entretien et la conversation.

Mais surtout, le corpus ne dispose ni de segmentation syllabique ni d’annotation grammaticale au-delà du part-of-speech. L’analyse des pauses est donc fortement limitée, ce qui a un impact pour déterminer les pauses déterminantes pour l’analyse : Grosman, Simon & Degand (2018, p.22) éliminent les pauses liées au tour de parole (changement de tour ou chevauchement).

Faute d’annotation, j’ai opté pour une heuristique (via un script) : une pause est considérée comme relevant du changement de tour si un autre locuteur parle durant ou au plus 200ms (frontière arbitraire) avant/après la pause. J’ai ignoré la liste de continuateurs (arbitraires) suivants : “mh, d’accord, oui” avec répétition. D’expérience d’autres continuateurs existent dans les corpus, inversement la frontière arbitraire ne garantit rien. Les données utilisées (aux formats xlsx et ods) ainsi que les scripts (Python) pour l’extraction des pauses et leur analyse sont disponibles à ce lien :

GoogleDrive – fd_pauses.zip

La fréquence des pauses selon leur durée est représentée via des histogrammes (avec la durée en log10 à partir des millisecondes: 2 = 10^2 = 100ms) ; la bimodalité est testée à partir de l’histogramme en recourant à la fonction ‘scipy.optimize.curve_fit’ de Python ; la courbe verte est le modèle d’ensemble, les courbes rouges les normales représentant des pics.

Histogramme de toutes les pauses avec ou sans celles liées au tour de parole.
Fig.2: Fréquences des pauses (durée en log 10).

La Figure 2 présente à gauche la répartition pour l’ensemble des pauses, avec deux pics de fréquence modélisés à 471ms et 1977ms respectivement. Une fois éliminées les pauses avec chevauchement tel que définies ci-dessus, la Figure 2 présente à droite une répartition unimodale à 482ms.

Ce résultat se répète pour les deux genres constituant l’essentiel des données :

Histogrammes des pauses en entretien avec ou sans celles liées au tour de parole.
Fig.3: Fréquence des pauses en entretien
Histogramme des pauses en conversation avec ou sans celles liées au tour de parole.
Fig.4: Fréquence des pauses en conversation

Dans tous les cas, une fois les chevauchements éliminés, les pauses reviennent à une répartition unimodale. Le pic des pauses en changement de tour / chevauchement est décalé à droite pour les entretiens de par la nature même de ce genre où l’enquêteur n’est pas censé parler ; ce pic semble se produire à 2.794s pour la conversation, sans qu’il soit possible d’établir une frontière entre ce type de pause et les pauses internes au tour du locuteur.

Notons que la durée moyenne des pauses, sans chevauchement, est plutôt de 0.665s pour les entretiens et 0.815s pour les conversations, indépendamment de la médiane (à 0.512s et 0.514s respectivement).

Une fois encore, ces résultats sont à prendre avec précaution du fait de l’heuristique utilisée pour déterminer les changements de tour ou chevauchements. Il semble cependant assez clair que, du moins d’après les corpus CFPR-OFROM, le discours informel a une distribution unimodale si on ignore les pauses inférieures à 100-130ms, c’est-à-dire les phénomènes articulatoires.

Bibliographie

Boersma P. & Weenink D. (2024). Praat: doing phonetics by computer. URL: praat.org (13.02.2024).

Butcher A. (1981). Aspects of the speech pause: phonetic correlates and communicative functions. Thèse (Institut für Phonetik, Universität Kiel).

Campione Estelle & Véronis Jean (2002). A large-scale multilingual study of silent pause duration. Proceedings of the Speech Prosody 2002 Conference, Aix-en-Provence (France), 199-202. URL: isca-speech.org/archive_open/sp2002/sp02_199.pdf (19.06.2023).

Candea Maria (2000). Contribution à l’étude des pauses silencieuses et des phénomènes dits “d’hésitation” en français oral spontané : étude sur un corpus de récits en classe de français. Thèse de l’Université de la Sorbonne nouvelle – Paris 3. URL: theses.fr/2000PA030131 (19.06.2023).

Christodoulides Georges, Grosman Iulia, Degand Liesbeth & Simon Anne-Catherine (2017). Methodologies for modelling silent pause length: insights on
individual and situational variation from a large-scale corpus study. International conference on fluency and disfluency across languages and language varieties (Louvain-la-Neuve, Belgium). URL: hdl.handle.net/2078.1/182967 (19.06.2023).

De Jong Nivja H. & Bosker Hans Rutger (2013). Choosing a threshold for silent pauses to measure second language fluency. Proceedings of the 6th workshop on disfluency in spontaneous speech – DiSS 2013 (Stockholm, Sweden), 17-20. URL: isca-speech.org/archive_v0/diss_2013/papers/dis6_017.pdf (19.06.2023).

Duez D. (1999). La fonction symbolique des pauses dans la parole de l’homme politique. Faits de langues 13, 91-97.

Fraisse P. (1974). Psychologie du rythme. Paris (PUF).

Goldman-Eisler F. (1968). Psycholinguistics: Experiments in spontaneous speech. New York (Academic Press).

Grosjean F. & Collins M. (1979). Breathing, Pausing and Reading. Phonetica 36, 98-114.

Grosjean F. & Deschamps A. (1975). Analyse contrastive des variables temporelles de l’anglais et du français : vitesse de parole et variables composantes, phénomènes d’hésitation. Phonetica 31(3/4), 144-184.

Grosman Iulia, Simon Anne-Catherine & Degand Liesbeth (2018). Variation de la durée des pauses silencieuses : impact de la syntaxe, du style de parole et des disfluences. Langages 211, 13-40.

Heldner Mattias (2011). Detection thresholds for gaps, overlaps, and no-gap-no-overlaps. The Journal of the Acoustical Society of America 130(1), 508-513.

Hieke Adolf E., Kowal Sabine & O’Connell Daniel C. (1983). The trouble with ‘articulatory’ pauses. Language and Speech 26(3), 203-214.

Kirsner Kim, Dunn John C. & Hird Kathryn Marle (2003). Fluency: Time for a paradigm shift. Proceedings of DiSS ’03 (Göteborg University, Sweden), 13-16.

Kirsner Kim, Dunn John & Hird Kathryn (2005). Language Production: a complex dynamic system with a chronometric footprint. 7th International Conference on Cognitive Systems (New Dehli, India).

Walker Michael B. & Trimboli Carmelina (1982). Smooth transitions in conversational interactions. The Journal of Social Psychology 117, 305-306.

Comprendre les erreurs dans l’annotation automatique d’OFROM

Le corpus OFROM s’appuie sur l’outil d’annotation automatique DisMo (Christodoulides 2014, 2015, 2018) pour l’étiquetage de ses “mots” en part-of-speech (PoS), c’est-à-dire en catégories morpho-syntaxiques telles que le verbe, le pronom, etc.

L’annotation automatique commet des erreurs : on s’attend en général à ce que 5-10% des étiquettes morpho-syntaxiques s’avèrent fausses. Pour le corpus OFROM, il n’y a jamais vraiment eu l’occasion d’évaluer non seulement le taux d’erreurs, mais aussi les causes de ces erreurs (et, à terme, un moyen de les réduire ou d’au moins les signaler).

Continuer la lecture de « Comprendre les erreurs dans l’annotation automatique d’OFROM »

Quelles annotations attendre d’un corpus ?

La question qui se pose, pour un corpus de français oral, est de savoir ce qui doit être mis à disposition du chercheur pour permettre ses analyses. Les chercheurs en interaction ont besoin d’enregistrements vidéo ; la phonologie requiert une bonne qualité sonore ; les sociolinguistes dépendent d’un jeu de métadonnées suffisant ; la linguistique computationnelle nécessite une certaine quantité de données.

La question des annotations peut être abordée sous cet angle.

Continuer la lecture de « Quelles annotations attendre d’un corpus ? »

La question des formats pour les corpus

La linguistique de corpus, pour l’oral, est confrontée à un problème technique : une multiplicité d’outils développés isolément au fil des ans a donné lieu à une multiplicité de formats pour représenter nos données (transcriptions, annotations, …).

Le problème nous est si familier qu’il nous semble normal. À l’échelle individuelle ou d’un petit groupe, il peut paraître bénin.

L’atelier DoReCo de septembre 2019 à Berlin a été l’occasion de revenir sur le problème des formats à l’échelle d’une communauté, échelle à laquelle les solutions ad hoc deviennent inopérantes. J’aimerais ici brièvement détailler le problème et les trois solutions générales adoptées pour le résoudre, à savoir : (1) le “tout-en-un”, (2) la conversion de formats et (3) le format commun.

Continuer la lecture de « La question des formats pour les corpus »

Calculer l’accord inter-annotateurs sur corpus oral

Bien qu’il ne s’agisse pas d’une question touchant directement aux corpus eux-mêmes (ou indirectement seulement, pour la gestion/valorisation des annotations faites sur ce corpus), l’accord inter-annotateurs revient constamment dans mon travail, du projet SegCor au projet DoReCo, et je voulais donc partager mon expérience à ce sujet.

Plus précisément, j’ai été fréquemment confronté au problème posé par la comparaison des segmentations, et je voulais présenter les trois manières dont ce problème a été traité à travers ces projets.

Continuer la lecture de « Calculer l’accord inter-annotateurs sur corpus oral »