1. Les règles du jeu

1Il s’agit ici de retracer l’histoire contemporaine des soixante dernières années de recherches sur la perception de la parole. Non pas qu’il n’y ait rien eu d’important auparavant, bien au contraire. Un certain nombre de concepts fondamentaux, dont celui de trait distinctif, étaient déjà bien en place avant 1945 (Jakobson 1963), et d’ingénieux instruments (ceux de von Kempelen ou de l’abbé Mical, par exemple) avaient préparé le terrain aux machines modernes. Mais c’est précisément l’invention du spectrographe sonore (Potter et al. 1947), des premiers vocodeurs et synthétiseurs électroniques (Dudley 1939, Cooper 1953) qui a donné l’impulsion aux recherches intensives sur la perception de la parole, à la fin des années 1940. Tout en essayant d’être aussi objectif que possible, nous aborderons les grandes étapes de ces travaux sous un angle particulier, celui de la quête d’invariance.

2Il est important d’abord de rappeler ce qui, tout en étant peut-être un lieu commun (Collins et Pinch 1994), reste primordial pour comprendre l’évolution des idées scientifiques : la science n’avance pas tout à fait comme le décrivent et le prévoient les traités d’épistémologie (Popper 1959). Les théories ne se succèdent pas de manière systématique. Bien sûr, il peut y avoir réfutation assez rapide, comme cela a été le cas des recherches sur les mécanismes de vibration des cordes vocales avec l’abandon de la théorie neuro-chronaxique au profit de la théorie myo-élastique (Van den Berg 1958). Mais plusieurs théories peuvent coexister pendant de très longues périodes, comme on peut le voir même en physique où une théorie standard en côtoie d’autres. Les éléments de preuve étant souvent de nature différente, la réfutation ou l’intégration des théories sont loin d’être automatiques.

3Cela se manifeste tout particulièrement dans le domaine de la parole, où les chercheurs venus de la linguistique, de la psychologie, des sciences de l’ingénieur, de la médecine, etc., ont naturellement tendance à avancer des preuves de leur cru. La théorie motrice de la perception (Liberman et al. 1967, Liberman et Mattingly 1985) a souvent reçu un écho plus favorable chez les chercheurs en psychologie car elle avançait sur un terrain qui leur était plus familier, celui des modèles perceptifs. Selon cette théorie, l’auditeur reconstruit les intentions motrices du locuteur à partir d’indices acoustiques grâce à un mode de perception spécifique à la parole. L’essentiel de l’argumentation va dès lors consister à mettre en évidence des phénomènes perceptifs incongrus (perception catégorielle, perception en duplex…) qui sont de prime abord absents de l’audition en général. Par contre, la théorie quantique de la perception de la parole (quantal theory of speech perception, Stevens 1973 et 1989) a souvent reçu la préférence des linguistes car l’essentiel de ses arguments était de nature articulatoire, ce qui est historiquement le domaine phonétique par excellence. Selon cette théorie, les invariants sont présents dans le signal acoustique sous forme de quanta générés par les relations discontinues entre mouvements articulatoires et sons (Stevens et Blumstein 1978). Ici, la preuve consiste à démontrer que des spectres statiques judicieusement prélevés dans le signal acoustique permettent de reconnaître consonnes et voyelles sans ambiguïté. Tout en accordant également un rôle décisif aux données de perception pour tester ses hypothèses, la théorie quantique ne se bat pas exactement sur le même terrain que la théorie motrice. D’où une très longue coexistence de ces deux théories.

4Cet aperçu de l’évolution des théories sur la parole au cours de ces dernières décennies prend comme fil conducteur la quête d’invariance, qui pourrait constituer un thème fédérateur pour de futures recherches pluridisciplinaires.

2. Le trait : une entité différentielle

5Les travaux du Cercle de linguistique de Prague, en particulier ceux de Roman Jakobson, vont donner naissance à la fin des années 1930 à un concept de nature entièrement neuve, celui de trait distinctif :

La théorie phonologique, fidèle aux suggestions de Ferdinand de Saussure, a toujours insisté sur le fait que ce n’est pas le phonème, mais l’opposition, et par conséquent la qualité différentielle, qui est l’élément primaire du système. (Jakobson 1973, p. 130)

6Et dans un commentaire sur les différences de localisation entre occlusives et fricatives du français :

Vu les équivoques incessantes, il est nécessaire de mettre encore une fois l’accent sur le fait que tout trait distinctif n’existe que comme « terme d’une relation ». La définition d’un tel invariant phonologique ne peut se faire en termes absolus : elle ne peut faire référence à une ressemblance métrique, mais doit reposer uniquement sur l’équivalence relationnelle. (Ibid., p. 146)

7Avec le trait, un pas supplémentaire est franchi vers l’abstraction, comparable à celui qui est intervenu en mathématique lors de l’invention du calcul infinitésimal. Ni segment, ni catégorie, le trait est une entité différentielle, l’équivalent de la dérivée en algèbre.

8Pour être testable de manière empirique avec des données de parole, la théorie des traits distinctifs devait avancer des prédictions quant à la réalisation des traits dans la substance sonore. L’étude empirique des traits a commencé au début des années 1950 avec la publication des Preliminaries to Speech Analysis : the Distinctive Features and their Correlates (Jakobson et al. 1952). Les corrélats physiques des traits y sont décrits comme des différences qualitatives entre indices acoustiques, telles que la présence/absence de vibrations périodiques (trait de voisement), le caractère grave/aigu ou compact/ diffus des bruits consonantiques (lieu d’articulation), etc. Notons que le caractère binaire des traits a joué un rôle clé dans la formulation des corrélats en évitant les problèmes métriques, ceux-ci étant inexistants avec une seule différence par dimension.

9Les Preliminaries étaient focalisés sur les corrélats des traits dans le signal acoustique, mais il n’éliminaient pas la possibilité de les retrouver en amont dans la production articulatoire (source et conduit vocal) dans son traitement auditif. Dès que l’une des valeurs du trait est activée dans le cerveau du locuteur, celle-ci engendre des commandes motrices, puis des mouvements articulatoires, ce qui débouche sur un signal acoustique. Ce dernier franchit le monde ambiant, est re-transformé en signal neural dans la cochlée pour parvenir ensuite au cerveau de l’auditeur. C’est ce que les chercheurs de la première époque avaient coutume d’appeler la chaîne de communication parlée (Denes et Pinson 1963). Selon le modèle des traits, ceux-ci doivent avoir des corrélats à toutes les étapes de transformation du signal, depuis la phase neuromotrice initiale jusqu’à la phase neuroperceptive finale. En principe, l’information ne change pas tout au long de ces étapes, mais sa redondance augmente lorsque l’on se rapproche du passage acoustique (Fant 1973). C’est précisément à ce niveau acoustique, là où le signal est le plus complexe, qu’il est également le plus facile à capturer. Et ceci était d’autant plus vrai avec la technologie des années 1950.

10Mais comment tester le modèle des traits ? Il est possible de le faire en montrant que leurs corrélats sont invariants, ce qui demande au préalable de faire des hypothèses sur la nature des corrélats et de trouver les paradigmes pour tester l’invariance. Malgré le peu d’indications qu’ils possédaient sur les corrélats acoustiques, les promoteurs du modèle des traits étaient loin d’être naïfs quant aux difficultés qu’ils allaient rencontrer. Si les oppositions relatives aux différents traits sont en principe mutuellement indépendantes, il est évident que le même trait va prendre des formes très différentes en fonction du contexte. Cependant, l’invariance implique que les variations contextuelles ne modifient pas la nature intrinsèque du trait.

3. La perception des traits

3.1 Les corrélats acoustiques

11Les investigations ont d’abord été presque exclusivement acoustiques en raison des problèmes posés par l’accessibilité du signal aux étapes motrice et auditive. Les recherches intensives ont débuté avec l’invention du spectrographe sonore et des premiers synthétiseurs. Le spectrographe, apparu à la fin des années 1940, a fourni un premier inventaire des caractéristiques acoustiques de la parole, avec notamment la mise en évidence des formants (Potter et al. 1947, Joos 1948). On a pu se rendre compte de la complexité des corrélats acoustiques des traits, en particulier pour les traits de lieu d’articulation des consonnes dont les indices les plus saillants sont fournis par des transitions de formants. Celles-ci reflètent le mouvement des articulateurs entre consonnes et voyelles et ne fournissent donc pas d’information indépendante sur les traits séquentiels. L’utilisation de parole synthétique générée par le pattern playback (illustration 1), qui permettait de produire des sons à partir de spectrogrammes schématiques (Cooper 1953), a ensuite permis de tester le rôle des transitions pour la perception du lieu. Et les résultats furent assez impressionnants en montrant, par exemple, qu’une transition ascendante fait percevoir un /d/ dans un contexte vocalique et un /b/ dans un autre contexte (Delattre et al. 1955). Mais il ne faut pas perdre de vue que les distinctions entre catégories (b/d) se fondent sur le même principe dans les différents contextes : le point de départ de la transition est plus élevé pour /d/ par rapport à /b/ devant les différentes voyelles.

1 Le synthétiseur par relecture de spectrogrammes (pattern play-back device ; Cooper 1953, Borst 1956), réalisé aux laboratoires Haskins (New Haven, États-Unis) : (a) le schéma fonctionnel (play-back device), (b) un spectrogramme de la parole naturelle et la version schématisée manuellement. Cet appareillage joua un rôle capital dans les premières recherches intensives sur la perception de la parole. Pour une démonstration : http://www.haskins.yale.edu/featured/patplay.html.

12Ceci indiquait déjà que l’invariance doit être recherchée dans les relations entre catégories plutôt que dans les caractéristiques des catégories, en accord avec le modèle des traits. C’est ce que suggère d’ailleurs un autre phénomène, mis en évidence à la même époque et qui va avoir des conséquences majeures pour les recherches ultérieures :

In listening to speech, one typically reduces the number and variety of the many sounds with which he is bombarded by casting them into one or another of the phoneme categories that his language allows […]. Although these differences are likely to be many and various, some of them occur along an acoustic continuum that contains cues for a different phoneme […]. This is important for the present study because it provides a basis for the question to be examined here : whether or not, with similar acoustic differences, a listener can better discriminate between sounds that lie on opposite sides of a phoneme boundary that he can between sounds that fall within the same phoneme category. (Liberman et al. 1957, p. 358)

2 Exemple de perception catégorielle sur un continuum synthétique de lieu d’articulation /ba-da/, généré par modification des transitions de F2 et F3. Données d’identification et de discrimination recueillies chez des adultes francophones (Serniclaes, Messaoud-Galusi, Bogliotti et Sprenger-Charolles, non publié). La PC classique se mesure en raison inverse de l’écart entre scores de discrimination observés et prédits (à droite) à partir des données d’identification (à gauche). L’effet de frontière phonémique permet de mesurer la PC sans données de discrimination en se fondant sur l’ampleur du pic catégoriel, soit le rapport entre scores inter- et intracatégoriels (à droite).

13La meilleure discrimination des différences acoustiques à la frontière entre catégories par rapport aux différences intracatégorielles – ce que l’on appellera par la suite perception catégorielle (PC) – suggère que la perception des catégories procède des frontières et non l’inverse ; elle démontre le caractère différentiel de la perception des catégories, à l’appui de la réalité perceptive des traits.

14Avant d’examiner les développements ultérieurs des recherches sur les corrélats des traits, il faut signaler que d’autres preuves de la réalité perceptive des traits ont été recherchées notamment à l’aide de méthodes d’analyse factorielle. La plupart de ces travaux ont essayé de montrer que les traits constituent les axes d’espaces perceptifs mis en évidence à partir de matrices de confusions entre syllabes, obtenues par le recueil de données d’identification dans des conditions dégradées (en présence de bruit ambiant, après filtrage fréquentiel). L’étude princeps (Miller et Nicely 1955) a montré que les confusions entre consonnes se regroupent en structures proches de celles prédites par le système des traits. Parmi les nombreux travaux ultérieurs, celui relatif aux voyelles du français (Beekmans 1978) a indiqué de manière assez convaincante que les axes de l’espace vocalique correspondent aux traits d’aperture et frontalité, et ce grâce à une méthode particulière d’analyse multidimensionnelle (Individual differences scaling – INDSCAL) qui permet directement de spécifier les axes sans se référer aux distributions des catégories dans l’espace. De manière assez semblable mais avec un autre modèle mathématique, la régression logistique, les méthodes multidimensionnelles ont connu un nouvel essor en s’appuyant sur une topologie des frontières (Nearey 1990). Ces recherches ont contribué à montrer que les effets contextuels dans la perception des traits ne sont pas de nature entièrement acoustique mais font intervenir des interactions entre traits (Serniclaes et Carré 2002), ce qui pourrait mettre en question leur invariance perceptive.

15Mais n’anticipons pas et revenons aux recherches sur les corrélats acoustiques. Celles-ci ont fait découvrir une multitude d’indices, dont souvent plusieurs pour le même trait (Delattre 1958, Delattree 1968), une véritable jungle, dans laquelle tout semble quand même évoluer de concert. Par exemple, l’étendue spectrale des transitions des formants et l’énergie du bruit d’explosion (burst) varient de manière complémentaire en fonction du contexte vocalique (Dorman et al. 1977). Les compensations entre indices sont omniprésentes dans le signal acoustique (Summerfield et Haggard 1974, Serniclaes 1975), en accord avec l’idée d’une plus grande redondance du signal de parole lors de son passage à travers le milieu ambiant (Fant 1973). Si la multiplicité des indices relatifs à un même trait n’était pas une bonne nouvelle pour le modèle traits – Delattre suggérait ironiquement de ne plus parler de trait de voisement mais d’opposition de type p/b (Delattre 1958) –, leurs variations complémentaires permettaient d’entrevoir une solution : celle de l’invariance par intégration d’indices, comme tenaient à le souligner Max Wajskop et ses collaborateurs du Laboratoire de phonétique de l’Université libre de Bruxelles (Wajskop et Sweerts 1973, Beeckmans et Serniclaes 1975). Le rôle joué par l’intégration perceptive est devenu de plus en plus manifeste au fur et à mesure que l’on s’est rapproché de situations de communication plus écologiques, en utilisant des stimuli naturels plutôt que synthétiques, en présence de bruit ambiant plutôt qu’en cabine insonorisée, et en mettant en évidence la complémentarité entre stimuli acoustiques et visuels, le célèbre effet McGurk (McGurk et MacDonald 1976, Girin et al. 2001).

16Enfin, des recherches menées sur plusieurs langues ont mis en lumière des relations systématiques entre les catégories de voisement présentes dans la langue et les frontières perceptives. Lisker et Abramson ont montré que dans de nombreuses langues les catégories de voisement se distinguent en fonction de la relation temporelle entre le début de la voix et la détente de l’occlusion ou voice onset time (VOT) (Lisker et Abramson 1967). Les traits de voisement et d’aspiration permettent de produire trois catégories de VOT fiables, que l’on trouve dans certaines langues comme le thaï, tandis que d’autres langues ne comportent que deux catégories. Notons que la combinaison de deux traits binaires devrait a priori pouvoir également générer quatre catégories de voisement, qui de fait se retrouvent dans certaines langues (par exemple en hindi). Mais le timing laryngé ne permet alors pas de distinguer la quatrième catégorie (les voisées aspirées) des trois autres, ce qui nécessite l’intervention d’un autre trait, le mode de vibration des cordes vocales (Lisker et Abramson 1971). Autre exemple des mécanismes intégratifs à l’œuvre dans les systèmes linguistiques, les langues à deux catégories ont généralement tendance à coupler voisement et aspiration (Serniclaes 1987), par exemple le français et l’espagnol, et même l’anglais lorsque l’on considère l’ensemble des contextes. Enfin, les comparaisons interlinguistiques suggèrent que les frontières perceptives de VOT correspondent aux distinctions naturelles entre délai, retard et coïncidence entre les points de départ des basses et hautes fréquences (respectivement ± 30 et 0 millisecondes pour le VOT). La concentration des frontières linguistiques autour de changements qualitatifs, qu’il s’agisse du voisement ou du lieu d’articulation, a des implications importantes pour l’acquisition des percepts de parole.

3.2 Les modèles de perception

17Face à la complexité des corrélats acoustiques des traits, différents modèles ont été proposés dont le premier date de 1955 : la théorie du locus, émise par Delattre et ses collègues aux laboratoires Haskins (Delattre et al. 1955). Cette théorie avance que l’invariant pour chaque lieu est le point de départ virtuel de la transition de F2, ou celui vers lequel tend cette transition dans les différents contextes vocaliques. Cette théorie a été reformulée (Sussman et al. 1991, 1998), en faisant appel à des relations linéaires entre les valeurs initiale et finale de la transition de F2 pour spécifier les invariants relatifs à chaque catégorie de lieu. Bien que l’invariant change de nature topologique, puisqu’il ne s’agit plus de la position d’un point sur un axe mais bien de la direction d’une droite dans un plan, il reste de nature entièrement acoustique. Pour Sussman, les invariants linéaires s’obtiennent directement à partir des indices acoustiques sans interactions perceptives avec les traits contextuels. Gunnar Fant a proposé en 1967 une formulation plus générale de l’invariance acoustique, applicable à l’ensemble des traits, et qui prévoit des ajustements contextuels (Fant 1967). Pour Fant, il faut concevoir le trait comme le vecteur perpendiculaire à la frontière phonémique et dont la direction change en fonction du contexte. Plus qu’une métaphore, ce modèle donne pour la première fois une représentation mathématique du trait ainsi qu’une axiomatique pour en tester certaines propriétés. Longtemps resté en veilleuse, ce modèle a fait récemment l’objet de tests préliminaires qui ont débouché sur des résultats positifs et ont permis de le spécifier davantage (Serniclaes et Carré 2002).

18En dehors du modèle topologique de Fant, le point faible de ces différentes théories acoustiques est qu’elles ne prévoient pas de flexibilité contextuelle. Or de tels effets existent bel et bien. Les ajustements contextuels dans la perception des traits ne proviennent pas seulement de variations concomitantes d’indices acoustiques mais ils dépendent également de la perception des traits contextuels. À stimulus constant, la perception du lieu d’articulation dépend de la perception du mode d’articulation (Carden et al. 1981), ou encore, la perception du voisement de l’occlusive dépend de celle de la voyelle adjacente (Serniclaes et Wajskop 1992). La perception d’un trait ne dépend donc pas seulement d’indices acoustiques mais également de la perception des traits contextuels (Repp 1982).

19Selon la théorie motrice, les invariants se trouvent dans l’activation subliminale des commandes motrices à partir d’un décodage spécifique du signal acoustique (Liberman et al. 1967, Liberman et Mattingly 1985). Les principaux arguments expérimentaux cités à l’appui de la théorie motrice sont des phénomènes qui avaient de prime abord semblé spécifiques à la parole car on ne parvenait pas à les reproduire avec d’autres types de stimuli auditifs : la perception catégorielle (Liberman et al. 1957), les compensations perceptives (trade-off) entre indices acoustiques dans la perception des traits phonétiques (Dorman et al. 1977), les ajustements contextuels dans la perception des traits (Carden et al. 1981) et la perception en duplex (Liberman et al. 1981). Mais des expériences ultérieures ont conduit à des résultats contradictoires. Prenons l’exemple de la perception catégorielle. La PC était, à première vue, incompatible avec les résultats des expériences classiques de psychophysique qui montrent que les capacités de discrimination dépassent largement les capacités d’identification. Les recherches ultérieures ont cependant montré que la PC n’est pas spécifiquement phonétique. On peut également l’obtenir avec des stimuli qui, tout en n’étant pas perçus comme de la parole, ont des caractéristiques semblables à celles des stimuli parlés (Miller et al. 1976). De même, les données de discrimination recueillies chez d’autres mammifères montrent que les capacités de différentiation sont semblables à celles de l’homme pour le voisement (Kuhl et Padden 1983) ou le lieu d’articulation (Kluender et al. 1987). À la suite de ces résultats, la PC ne fut plus avancée comme argument dans la seconde mouture de la théorie motrice (Liberman et Mattingly 1985).

20En dépit des affinités entre perception auditive et phonétique, qui ne se limitent pas à la PC (voir pour les effets contextuels Kluender et al. 1987, pour la perception en duplex, Liberman 1998), l’explication motrice reste plausible si l’on considère que le module phonétique provient d’une co-adaptation du conduit vocal et d’une partie du système auditif au cours de l’évolution (Harnad 1987). On doit dès lors s’attendre non seulement à des similitudes quant aux processus fondamentaux mis en œuvre dans les deux domaines, mais également à des aspects spécifiques. Ainsi, ce n’est pas la PC en tant que telle qui serait spécifique à la parole mais bien la PC autour de frontières spécifiquement phonétiques et flexibles en fonction du contexte (Liberman et Mattingly 1985). Il est symptomatique à cet égard que dans la synthèse de la PC (Harnad 1987), la contribution de Repp et Liberman (1987) ait été consacrée à la flexibilité des frontières phonétiques. Le test de cette nouvelle formulation de la théorie motrice devient alors très délicat car il repose crucialement sur les caractéristiques des stimuli utilisés pour effectuer les comparaisons entre parole et non-parole. En effet, comme les frontières perceptives dépendent de facteurs acoustiques, il faut prouver que c’est bien le mode de perception du stimulus et non le stimulus lui-même qui détermine les effets obtenus. Il faut donc trouver le moyen de modifier le mode de perception en utilisant exactement les mêmes stimuli. Une solution possible consiste à utiliser des analogues sinusoïdaux de sons de la parole (Bailey et al. 1977, Remez et al. 1981), stimuli qui ne sont en général pas perçus spontanément comme de la parole mais qui peuvent être reconnus comme telle lorsque l’on attire l’attention du sujet en ce sens. L’utilisation de cette méthodologie a effectivement permis de montrer que les frontières perceptives sont spécifiques à la parole (Liberman et Mattingly 1985).

3.3 Le développement perceptif

21Nous avons vu que l’hétérogénéité du corrélat acoustique du trait offre une solution possible à la non-invariance par intégration d’indices acoustiques, les indices relatifs à un même trait variant de manière complémentaire en fonction du contexte. En outre, la solution serait triviale pour le système perceptif s’il était équipé des processus d’intégration requis dès la naissance. L’étude de cette question a été rendue possible par des recherches sur la perception catégorielle chez le bébé. Notons que cette approche n’a été possible qu’au prix d’un changement de paradigme : si la PC était classiquement évaluée par comparaison de données de discrimination et d’identification, seule les premières pouvaient être recueillies chez l’enfant péri-linguistique. La PC a ainsi été approchée en mesurant le pic de discrimination à la frontière catégorielle, ce que l’on a ensuite appelé effet de frontière phonémique (phoneme boundary effect, Wood 1976). Les recherches sur la PC chez le nourrisson ont permis de mettre en évidence des prédispositions pour percevoir les traits, à l’appui de l’hypothèse innéiste (Eimas et al. 1971, Boysson-Bardies 1996). Cependant, la question cruciale est celle de l’agencement entre les frontières universelles, mises en évidence chez l’enfant péri-linguistique, et les frontières phonologiques, propres à la langue considérée. Si ces dernières n’étaient qu’un sous-ensemble du potentiel universel, l’acquisition serait relativement simple puisqu’elle procèderait par sélection d’entités présentes à la naissance (Werker et Tees 1984a, 1999). Pourtant, l’effet de l’environnement semble beaucoup plus complexe car il suscite l’émergence de nouvelles frontières, différentes de celles préétablies, après l’âge de 6 mois (Serniclaes 2000). Selon la théorie de l’aimant perceptif de Kuhl (perceptual magnet theory, Kuhl 1994, 2000), les catégories se forment par concentration de percepts autour des prototypes existant dans l’environnement linguistique, à l’instar de paillettes de métal autour des pôles d’un aimant. Si ce modèle explique d’emblée l’acquisition des percepts phonologiques en supposant que les frontières préétablies sont entièrement plastiques, il réduit leur rôle à la plus simple expression. Cependant, l’examen de la perception de la parole chez l’adulte montre que les frontières universelles restent discriminables dans certaines conditions (Werker et Tees 1984b), surtout chez des personnes souffrant de dyslexie développementale (Serniclaes et al. 2004). Un modèle de développement plus complet, par attraction entre prédispositions sous l’effet de l’environnement linguistique – comme on a déjà pu le montrer pour l’acquisition du langage écrit (voir Harm et Seidenberg 1999) –, semble dès lors souhaitable.

3.4 Approches externe et interne de l’invariance

22La théorie motrice situe les invariants au sein de relations perceptuo-motrices internes à l’organisme tandis que les théories acoustiques l’envisagent de manière externe, à partir des relations entre organismes. Dans cette perspective, la théorie gestuelle ou directe-réaliste proposée par Studdert-Kennedy et Fowler (Studdert-Kennedy 1985, Fowler 1986) considère que l’objet de la perception est le geste articulatoire plutôt que la commande motrice et se range ainsi dans la classe des modèles externes. Expliciter comment s’opère exactement la perception du geste n’est pas le propos de la théorie gestuelle qui se réfère à des processus d’apprentissage gibsoniens (Gibson 1966, 1979). Mais en disant que l’interlocuteur perçoit les gestes articulatoires à la manière des rayons émis par une source lumineuse, elle se situe nettement dans une approche externe de l’invariance.

23L’étude de l’interface acoustique a montré que, si invariance il y a, elle doit procéder par intégration d’indices acoustiques et de traits phonétiques. Les réafférences contextuelles montrent que ces processus doivent être spécialisés pour la perception de la parole tout en nous laissant dans l’expectative quant à leur origine innée – comme le veut la théorie motrice – ou acquise – comme le veulent certaines théories acoustiques. La théorie motrice implique également l’existence d’une interface interne entre perception et production, celle qui fait le lien entre stimulations et commandes motrices au sein du même individu. Un ensemble de résultats assez récents suggère effectivement que la perception de la parole s’opère par des circuits neuraux spécifiques.

24Avant de présenter ces résultats et pour ne pas perdre notre fil conducteur, on peut postuler que le siège de l’invariance ne peut se situer qu’à un niveau central. C’est ce qu’avaient montré les recherches antérieures sur la périphérie motrice ou auditive. On a pu se rendre compte à partir des résultats d’imagerie par rayons X (Öhman 1966) que les positions des articulateurs dans la production des consonnes dépendent du contexte vocalique en raison de la coarticulation. De même, les investigations de Lindblom (1936) montrent que les cibles vocaliques ne sont pas toujours atteintes (undershoot). De manière assez similaire, des recherches élecrophy-siologiques chez l’animal ont permis de voir que les représentations auditives des principaux corrélats acoustiques de certains traits, tels que le VOT pour le voisement, conservent au moins une partie de leur variabilité contextuelle dans le nerf auditif (Delgutte 1986). Une question intéressante est dès lors de savoir si en s’approchant davantage des traitements corticaux on va trouver des représentations plus invariantes.

3 Exemple de l’approche neurale de la perception catégorielle (adapté d’une version préalable de Dehaene-Lambertz et al. 2005). Rapports catégoriels spécifiques à la parole dans l’hémisphère pariétal gauche chez des sujets adultes normaux. L’expérience consistait à recueillir des données IRMf en réponse à des paires de syllabes synthétiques dans lesquelles les formants étaient remplacés par des sinusoïdes (analogues sinusoïdaux de sons de parole), qui avaient d’abord été présentées comme des sifflements (mode non-parole) et ensuite comme des syllabes variant le long d’un continuum ba/da (mode parole). La figure représente les différences d’accroissement d’activation entre paires intercatégorielles (ba/da) et paires intracatégorielles (ba/ba ou da/da) entre les modes parole et non-parole (double différence : inter/intra et parole/non-parole).

25Depuis le début des années 1990, époque à laquelle les recherches de neuro-imagerie ont commencé à prendre leur essor, des progrès considérables ont été accomplis dans la connaissance des processus de perception de la parole (Démonet et al. 2005). Bien que le problème de l’invariance des traits n’ait pas été directement posé dans ces travaux, différents résultats suggèrent qu’elle doit être recherchée dans des circuits spécialisés pour la parole. En particulier, la mise en évidence de neurones miroirs montre qu’il existe des structures co-activables par la motricité et la perception chez les primates, qui pourraient être le siège de processus mimétiques spécifiques à la parole chez l’homme (Fadiga et al. 1995, Rizzolatti et al. 1996). D’autres circuits spécialisés pour la parole ont été localisés par imagerie par résonance magnétique fonctionnelle (IRMf) dans la région pariétale, en particulier dans les régions pariétales de l’hémisphère gauche (Dehaene-Lambertz et al. 2005 ; voir illustration 3). De plus, l’examen de la négativité de discordance (mismatch negativity, MMN) suggère que le traitement des mêmes stimuli est plus rapide en mode parole qu’en mode non-parole, ce qui semble provenir d’un effet inhibiteur du traitement linguistique sur les représentations auditives. Enfin, une MMN spécifiquement linguistique a été mise en évidence en modalité audiovisuelle, cette dernière possédant la particularité de ne pas inverser sa polarité autour de la scissure de Sylvius, contrairement à la MMN acoustique et à la MMN linguistique en modalité auditive (Colin et al. 2002).

Épilogue : vers un nouveau paradigme

26Depuis l’impulsion initiale des Preliminaries, la thématique des travaux sur la perception de la parole a évolué sous bien des aspects. La mise en question de la réalité perceptive du phonème (Savin et Bever 1970) a semé le doute sur la pertinence des traits pour l’étude de la communication parlée (Fromkin 1979). Mais, comme il a été rappelé au début de ce chapitre, le trait est une entité différentielle, qui n’est pas réductible au phonème ou à tout autre segment. De plus, les résultats empiriques accumulés au cours des quelque soixante dernières années tendent à montrer que l’identification des catégories repose effectivement sur des processus différentiels. Ces processus opèrent probablement par prélèvement de changements spectro-temporels à l’intérieur de segments tels que la syllabe, dont la réalité perceptive est plus évidente que celle du phonème (Mehler et al. 1981). Quant à ce dernier, il semble aussi intervenir dans la perception, mais dans des conditions qui restent à préciser, notamment en relation avec l’acquisition du langage écrit (Morais et al. 1979).

27Tout en étant une unité aussi abstraite que le phonème, le trait est plus aisément accessible à l’étude empirique : on peut l’appréhender sous forme de rapports entre grandeurs perceptives. C’est ce qu’illustre l’examen des déterminants de la perception catégorielle, aussi bien au niveau comportemental, en mesurant rapports entre discrimination inter- et intracatégorielle, qu’au niveau neuronal, par la mesure des rapports d’activation correspondants (Serniclaes 2005). La question de l’invariance contextuelle du trait n’est cependant pas directement abordable par de simples mesures de PC, fussent-elles neuronales. Pour résoudre cette énigme il faudra développer un paradigme qui corresponde davantage à la définition du trait. Nous n’en sommes probablement pas loin, mais il faudra pour y parvenir une concertation soutenue entre phonéticiens, psychologues et neurologues.