Reconnaître les personnes à leur voix : définition d'un cadre scientifique pour garantir la fiabilité des résultats d'une comparaison de voix dans le cadre criminalistique ; Recognizing people by their voice : defining a scientific framework to ensure the reliability of forensic voice comparison results
Titel:
Reconnaître les personnes à leur voix : définition d'un cadre scientifique pour garantir la fiabilité des résultats d'une comparaison de voix dans le cadre criminalistique ; Recognizing people by their voice : defining a scientific framework to ensure the reliability of forensic voice comparison results
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Dans le domaine criminalistique, les pratiques de comparaison de voix ont beaucoup évolué ces dernières décennies. Cependant, elles manquent de standardisation et les résultats obtenus peuvent être décriés dans les tribunaux. L’objectif de ce travail de recherche est de définir un cadre scientifique permettant d’évaluer la fiabilité des résultats d’une comparaison de voix dans un cadre criminalistique. Dans un premier temps, nous présentons les bases de données FABIOLE 2 et PTSVOX, spécialement conçues pour répondre aux problématiques de comparaison de voix en criminalistique, ce que ne font pas les bases de données existantes telles que Voxceleb. La base de données FABIOLE 2 se concentre sur la variabilité intralocuteur, souvent négligée dans les études de comparaison de voix, tandis que la base de données PTSVOX se rapproche des conditions réelles. Dans un second temps, nous introduisons le concept de box-rule, qui est un cadre scientifique regroupant un ensemble de conditions dans lesquelles la fiabilité d’une comparaison de voix est connue. Pour définir ce cadre, l’influence de certains facteurs sur la performance d’une comparaison de voix est étudiée en utilisant la base de données FABIOLE 2. Nos résultats montrent que la durée des enregistrements, la différence de durée entre les enregistrements, le genre, l’âge, et l’écart temporel entre les enregistrements à comparer influent sur la performance d’un système de comparaison de voix. Ensuite, nous étudions la perception humaine des locuteurs par le biais d’une tâche de regroupement de voix en locuteurs. Cette approche permet de s’intéresser à la reconnaissance humaine des locuteurs sans passer par des tests binaires, et ainsi limiter les biais qu’ils peuvent engendrer. Nous montrons que la performance des auditeurs n’est pas homogène et qu’elle est influencée par la langue maternelle. Enfin, nous nous intéressons à la caractérisation des voix, qui peut ajouter une information supplémentaire à une comparaison de voix. Nous nous concentrons sur la détection ...