Utilisation des grammaires probabilistes dans les t^aches de segmentation et dannotation prosodique

Utilisation des g rammaires probabilist es dans les tâches de segmentati on et d’annotat ion prosodiqu e Irina Nesterenko 1 , Stéphane Rauzy 2 1 Université Blaise Pascal, Clermont-Ferrand II 2 Laboratoire Parole et Langage, CN RS & Université de Provence irina.nesterenko@univ- provence.fr , stephan e.rauzy@lpl-aix.fr A BSTRACT Methodologically oriented, the present work sketches an approach for pro sodic information retrieval and speech segmentation, based on b oth symbolic and probabilistic information. We have recourse to probabilistic grammars, within which we im plement a minimal hierarchical structure. Both the stages of probabilistic grammar building and its testing i n prediction are explored and quantitatively and qualitatively evaluated. Keywords : speech segmentation, probabilistic grammars, patterns model, hierarchical structure 1. I NTRODUCTION Dan s la prés ent e co nt rib ut io n, nou s exp lo ron s la que st io n du rôl e des infor m at io ns m él od iq ues et pro bab il is te s da ns le proce ss us de seg m en ta ti on du con ti nu um son ore en uni té s corr es pon da nt aux mo ts . La pro bl ém at i que de la se gm en ta ti on du sig na l co nt inu at ti re l’ at te nt io n à la fo is de s psy ch ol in gui st es e t de s spé ci al is t es en t ec hno lo gi es de la paro le , not am m e nt en rec on nai ss an ce voca le ou en ann ota ti on aut om a ti que des cor pus ora ux. En m et ta nt en pa ra ll èl e c es deux dom a in es de rec he rc he, nous sout eno ns l’id ée , d’a prè s la que l le la per for m an ce des ap pl ic at io ns t ec hn olo gi que s s’a m él io re ra si les mod èl es im pl ém en té s s’app ui ent sur le s mé ca ni sm es uti li sé s par des huma in s dan s des tâc hes si mi l ai res . Ainsi, il a été dém ontré dans les é tudes psycholinguistiques que le processus de la segmentation du si gnal continu de parole en m ots est largement guidé par les informations p honétiques f ines à granularité variable. Il s’ensuit que les indices acoustiques de la segmentation du continuu m sonor e sont r edondants. Les auditeurs s ’appuient sur les variations allophoniques, sur les patrons phonotactiques [1], sur les contraintes métriques [2 -3] ou encore sur les patrons temporels et mélodiques [4- 5]. Cependan t, il est nécessaire d’insister sur leur r ôle non-déterministe : ces indices aco ustiques suggèrent l’emplacement d ’une frontière mais ne le déterminent pas. Si le rôle des indices tonals a été démontré pour le français, ceci n’est pas le cas pour la langue russe. Notre étude s’ appuie sur un corpu s de parole spontanée en langue russe. Nous considéron s que les cor pus annotés sont u ne ressource lingu istique inestimable dans la mesure où ils nous renseignent sur le fonctionnement du système langagier en perception et en p roduction. En techno logies de la parole, faire ap pel aux techniques d e corpus p ermet de prendre en compte la dimension de la variabilité propre au discours humain. Il est par conséquent nécessaire de d isposer d e grands volumes de d onnées annotées et des heuristiques semi-automatiques facilitant la démarche d’annotation. En m ême temps, améliorer la performance des outils d’annotation automatique sert également d’o util de vérification des modèles linguistiques sous-jacents. La recherche que nous avons menée a un double intérêt : d’u ne p art, no us n ous penchons sur la qu estion de la contribution des informations t onales au marquage d’unités proso diques mineures en langue russe ; d’autre part, dans la qu ête d’une heu ristique semi-automatique pou r prédire les frontières de mots, nous évaluerons le rôle d’une représentation hiérarchique de la constituance pr osodique. Ce t art i c le est org a ni s é com m e su i t : dan s la sec t io n 2, no us pré s en t on s le pla n exp ér i m e nt a l de l’ ét u de , en no us ar rê t a nt , en pa rt i c ul i er , sur les que s t io n s de l’ a nn ot a t i on de s ph é no m è ne s mé lo d iq u es et de la st r uc t ur e pr os o di q ue ; nou s déc r iv o ns ég a le m e n t le corp u s d’é t u de et l’ ap p ar e il mat h é m at i q ue mi s en œuvr e . Les pri n ci p a ux ré s ul t at s en re la t i on ave c l’é t ap e de la cons t r uc t i on des m od è le s pro ba b i li s t es et ce ll e de s te s t s en pré d ic t i on so nt ex po s és en se ct i on 3. Enf i n, la sec t i on 4 es t dé di é e à de s co nc l u si o ns e t à l a d i sc u ss i on gé né r a le . 2. D ESIGN EXPÉRIMENTAL 2.1. Modèle prosodique Nous interprétons le système prosod ique comme étant un système o rganisateur entièrement spécifié à travers les représentations fo rmelles des paliers métrique, tonal et celui du phrasé proso dique. Pou r le ni vea u t ona l, nou s a von s a dop té le sy st èm e d’a nno ta ti on Mo m el -In ts in t [6]. La repré se nt at ion pro sod iq ue asso ci ée à ce schém a d’anno ta ti on sup pos e l’e xi st en ce de tro is nive au x in te rm éd ia ir es entr e l e si gn al hal-00285643, version 1 - 6 Jun 2008 Manuscrit auteur, publié dans "Journées d'Etudes sur la Parole, Avignon : France (2008)" de pa rol e et la re pr ése nt at io n fon ct io nne ll e : on di st ing ue le nive au phon ét iq ue, le niv ea u phonol og iq ue de surfa ce et le nivea u phon ol ogi que profo nd. Le nive au pho nét i que corre sp ond à une repré se nt at io n cont in ue , ref lé té e par la co urb e f0 apr ès la s ous tr ac ti on de l a com p osa nt e mi cr opr os odi qu e [7] . Cet te repr és en ta ti on est o bte nu e moye nn ant l ’a pp li ca ti on de l ’a lg ori th m e Mom e l. La modé l is at ion se fonde sur la dét ec ti on des poi nt s cib le s de la courb e mé l odi que , ces derni èr es éta nt int er po lé es pa r de s fon ct io ns de sp li ne s qua dr at iq ues . Pa r con sé que nt , cet t e mod él is at i on es t da ns un prem i er te mp s acou st iq ue . En m êm e te mp s, il sem bl e lég it im e d’i nt er pré te r l es poi nt s c ib le s co m m e é ta nt des si te s o ù le loc ut eu r m o dif ie l e mou vem e nt de la f 0 de m an iè re vol ont a ire a fin de pa rve ni r à se s inte nt io ns com m u nic at i ves . Au nivea u pho nol og iq ue de s urf ac e, l es p oi nts c i ble s reç oi ve nt l’e nc oda ge sym bol iq ue en ter m es d’alp ha be t Int si nt . Le syst èm e IN TS IN T comp re nd un alph ab et de hui t sym bol es {T (o p), M( id ), B(ot tom ) , H( ig he r), S(a m e) , L(owe r) , U(ps te ppe d) , D(dow ns te ppe d) } qui se rép ar ti ss ent en de ux g ra nds gr oup es : le s ton s a bs ol us (T, M, B) rés erv és au cod ag e des val e urs déf in is sa nt l’é t end ue tona le du locu te ur (cet enco da ge s’app uie sur deu x para mè t res , cle f et éten due ) et les tons rela ti fs (H, S, L, D, U) déf ini s e n réf ér en ce a ux po in ts cib le s adj ac en ts . Les sym b ole s r el at if s se div is ent à le ur tou r en deu x g rou pes , la di st in ct io n é ta nt fa it e e nt re le s ton s non - it ér at ifs (H, S, L) et le s to ns it ér at if s (U, D). L es gra m m ai res prob abi l is te s de not re étu de mod él is en t l’e nc ha în em en t d es sy m bo le s I nt si nt da ns l’ en co dag e de s cou rbe s m él odi qu es a sso ci és a ux m ot s p ro sod iq ues . 2.2. Structure hiérarchique im plémentée Un des objectifs d e la présente étude a été d e modéliser l’impact de la structur e hiérarchique minimale, car les représentations for melles de la structure prosodique, développées dans le cadre d e la p honologie proso dique et d e la phonologie intonative, sont hiérarchisées. Chaque niveau de la constituance prosodique représente une interface en tre le module pho nologique et un autre module de la g rammaire. En règ le générale, malgré les variations terminologiqu es et conceptuelles entre les d ifférentes auteurs, deux niveau x su périeurs au m ot p rosodique sont d istingués : le niveau des syntagmes phonologiques et celui des syntagmes prosodiques. La définition des ses constituants est guidée soit par des contraintes morpho-syntaxiques, soit par les seules informations prosodiq ues. Dan s la prés ent e étud e, les mot s proso di que s cons ti tu ent le n iv ea u infé rie ur da ns la hiér ar ch ie des const it ua nt s im pl ém e nt ée . La str uct ur e hiér arc hi qu e impl ém e nt ée pre nd en con si dé ra ti on un seu l nive au im mé di at em e nt sup ér ie ur a u ni ve au d es mo ts pr oso di que s. En m êm e te mp s, ce nive au sup éri eu r n’app ar ti en t pas à la con st it ua nc e pr os odi qu e p rop re m ent d it e : il s’ ag it d u niv ea u des tou rs de par ol e, don c du nive au de l’o rg ani sa ti on disc urs iv e. Ce choi x est moti vé d’ab or d par le ca ra ct èr e m é th odo lo giq ue de no tre é tu de ; l’ im pa ct de la struc tu re hi ér ar chi qu e plus c om pl ex e néce ss it e d’ê tr e ét udi é da ns de s rec he rc hes p ost ér ie ur es . Une q ues ti on a nne xe e st c el le d u lien e nt re un mot pro sod iq ue et un mo t l ex ic al . L e m ot prosod iq ue es t tra di ti on nel l em e nt dé fi ni co mm e inc lu an t so us le mê m e nœu d le mot le xic al et tou s ses clit iq ue s. Or, les étud es en prod uct i on dém on tr ent que ce sont le s mot s pro sod iq ues qui sont les unit és d’en cod ag e pho nol og iqu e à l’ ét ap e d e la conc ept ua li sa ti on de l’é no ncé [ 8] . 2.3 . Co rp us et m ise e n fo rme d es do nn ée s L’é tu de em pi ri que s’a pp ui e su r un cor pus de p ar ole spo nt ané e en lang ue russ e (rec ue il li dans le cad re du pro jet In ta s-9 15) . N ous avo ns ana ly sé la pr odu ct io n d’u ne loc ut ric e nat iv e de la lan gue russe dans la con ve rsa ti on i nfo rm e ll e (tem p s de pa ro le 1 7 min ut es pau se s com p ri se s). Le corpus a été manuellement annoté en tours de parole et en mots prosodiques et ultérieurement, chaque mot p rosodique a été annoté selon qu’il por tait ou n on la proéminence mélodique. Notre corp us comprend 825 mots prosodiqu es. À l’étape suivante, les patron s to nals associés à ch aque mot ont été extraits. Les anno tations réalisées sous Praat ont été en suite converties au format XML (Figure 1). Cette représentation constitue les données d’entrée pour le module de co nstruction des grammaires probabilistes qui permettent de découv rir les régularités dans les séquences d’étiquettes tonales Intsint. Dans la section suivante, nou s présentons l’appareil mathématique sur lequel repose notre étude. Figure 1 : Format de données 2.4. Appareil mathémati que La présente étude repose sur la p résupposition qu’il existe des régularités dans l’enchaînement des étiquettes Intsint, ces r égularités dépen dant elles- mêmes de la réalisation de telle ou telle primi tives fonctionnelles. Pour décou vrir ces régularités et les dépendances entre les étiquettes tonales, nous avo ns eu recours aux grammaires probabilistes. Dans cette perspective, deux co ncepts mathém atiques sont < block > < P > < U /> < H /> < B /> < N > < S /> < S /> < N > < H /> hal-00285643, version 1 - 6 Jun 2008 d’intérêt : celui des pro babilités conditionnelles et celui de l’entropie. Dans le cas général, nous disposo ns de N catégories c i qui décrivent un phénomène langagier. La distribu tion de ces catégories et les rapports d e dépendance entre elles sont étudiées à partir d’un corpus d ’entraînement. La tâche est alors d’estimer la probabilité de chaque séquence de catégories d ans le corp us : dans notre cas, cette séquence d e catégories corr espond à la séq uence des étiquettes Intsint associée à un mot prosodiqu e, p ar exemple, la séquence (U, S, T, D). La prob abilité de cette séquence est calculée selon la formule P (c 1 , c 2 , c 3 , c 4 ) = π 1 * π 2 * π 3 * π 4 , où π 1 = P (c 1 ), π 2 = P (c 2 | c 1 ), π 3 = P( c 3 | c 1 , c 2 ) e t π 4 = P( c 4 | c 1 , c 2 , c 3 ). La val eur π 3 = P(c 3 | c 1 , c 2 ) est la proba bi li t é con di ti onn el le de la cat ég ori e c 3 éta nt donné e qu’el l e est pré cé dé e p ar l a séq ue nc e d ’é ti que tt e s t on al es ( c 1 , c 2 ). Dans le calcul des p robabilités, nou s utilisons le modèle des patron s [9], u n modèle de Markov caché caractérisé par un e bonne extraction de l’information contenue dans le corp us d’en traînement. Contrairement aux modèles de type n -grammes, le contex te gauche des patrons du modèle ( les états de l’automate à états finis) n’est pas limité à un n ombre fixe de symboles mais est de lon gueur var iable. Si une séquence d’étiquettes est fréqu ente dans le corpus, le modèle calcule et mémorise ces pro babilités conditionnelles pour toutes les catégories étant don né le patron attesté. Trois modèles ont été calculés : - Modèle Plat : la stru cture hiérarchique n’est p as prise en compte (les symboles codant les catégor ies se limitent aux tons et aux symboles codant l’ouverture et la fermeture des tours d e parole; - Modèle H iérarchique : deux niveau x de constituance sont implémentés (il s’ag it du niveau précisant les tours de p arole et du sous-niveau codant les frontières des mots proso diques) ; - Modèle Hiérarchie&Proéminence : ce modèle contient à la fois la spécification de deux niveaux de constituance et la distinction en tre les mots prosodiques por teurs de la proéminence mélodique versus les mots prosodiques non -proéminents. Pou r éva lu er la per for m an ce des m odè le s, nou s av ons eu rec ou rs à la me sur e de l’e nt rop ie qui qua nt if ie l’o rg ani sa ti on de l’i nf orm a ti on da ns le s ys tè m e. Po ur une dist rib ut io n, l’e nt rop ie quant if ie la diffé re nc e ent re ce tt e dist ri but io n et la dist ri bu ti on équ ipr oba bl e des ca té gor ie s. L’ent ro pi e var ie donc ent re 0 et ln N (N ét an t le nom br e de cat ég or ie s dans le sys tè m e d’an not at io n) : une ent rop ie nul le cara ct é ris e un sys tè m e dét erm i ni st e et l’e nt ro pie max im al e de ln N – un sy st èm e équ ip rob abl e . Le conc ep t de l’e nt rop ie norm al is ée perm e t de sit ue r les val eu rs de l’ ent ro pi e dans l’in te rva ll e [0; 1]. Pou r éva lu er l a perf orm a nc e des modè le s de p at ro ns, nou s avo ns cal c ulé l’en tro pi e de la dist rib ut io n des cat ég ori es ave c et s an s l e m odè le l an ga gi er im p lé m ent é. Un e foi s l e s g ra m m a i re s p ro b ab i l is t e s cal c u lé e s, nou s av on s te s té l eu r s p er f or m a nc e s e n pr é di c ti o n. É ta n t do nn é la sé q ue nc e d’ ét i qu e t te s to na l es e t l a gra m m a i r e pr ob a bi l i st e so us - ja c en t e , l’a l go ri t h m e de Vit e rb i es t ut i li s é pou r re ch e rc he r la di s tr i bu t io n opt i m a l e de s fr on t iè r e s de s m ot s pro so di q ue s . La per f or m a nc e des m od è le s a ét é qu a nt i fi é e à l’ a id e de s me su re s de ra pp e l, pr éc i s io n et f-m es ur e, trad it io nne ll em e nt util is ée s en rec he rc he do cum e nt ai re . 3. R ÉSULTATS 3.1. Calcul des modèles probabi listes Dan s le Tab le 1, nou s prés en ton s le s val eu rs de l’e nt ro pie et de l’ ent ro pi e no rm a li sé e po ur troi s mo dè le s : Modèl e Pla t, Mod èl e Hiéra rc hi que et Modèl e Hié ra rc hi e&P ro ém i nen ce . Sans Mo dè le cor re spo nd à la me su re de l’org an is at io n de l’in fo rm at io n si auc un mo dè le de pat ro ns n’e st spé ci fi é. Les val eu rs obs er vée s en a bs enc e d es mo dèl e s la ng agi er s sont proch es de l’u ni té pour l’en tro pi e nor ma l is ée , indi qu an t ai nsi que la dis tr ib ut io n des caté gor ie s util is ée s (le s ton s et les sy mb ol es coda nt les fron ti èr es de mo ts ) est proc he d’u ne dis tr ib ut io n équip rob ab le . Pour le cas Hiér ar chi qu e, on obs er ve que l’e ntr op ie est lé gè rem e nt plus bas se , ce qui rés ul te du fait que les sym b ol es coda nt l’ouv ert ur e et la fer m et ure d’u n mo t prosod iq ue sont plu s nomb reu x que le s aut res cat égo ri es . Les vale urs de l’e ntr op ie et de l’e nt ro pie norm a li sé e dif fè re nt signi fi ca ti ve m ent lo rsq ue le s mo dè le s son t pris en com pt e . Qui plu s est, l’e ffe t de con di ti onn em e nt es t plus marq ué da ns le ca s où la st ruc tu re hi ér ar chi qu e mi ni m al e es t co nsi dé ré e. Table 1 : Entropie et entro pie normalisée de trois modèles probabilistes Entropie Entropie normalisée Modèle SansM AvecM SansM AvecM Plat 2.259 1.796 0.942 0.749 Hiérarchique 2.064 1.494 0.897 0.649 H&Proéminenc e 2.696 1.638 0.915 0.556 Comme nous l’avons sp écifié précédemment pour rendre compte des événements mélodiques fonctionnels et contrastifs, l’annotation Intsint nécessite d ’être ap pariée av ec l’ann otation des fonctions prosodiques (IF ). No s résu ltats montrent qu’en effet, il existe des régu larités dans l’enchaînement d’étiquettes Intsint et que ces régularités sont plus fin ement modélisées lor sque l’information apportée par les catégo ries fon ctionnelles est prise en compte. 4. T EST EN PRÉDICTION Dan s un seco nd tem ps , nous avons évalu é la per for m an ce du Modè le Hié ra rch iq ue et du Mo dèl e Hié ra rc hi e & Proé m in en ce en préd ic ti on : la tâch e éta it de pré di re la dis tri bu ti on des fro nti è res des mot s hal-00285643, version 1 - 6 Jun 2008 pro sod iq ues à par ti r des rep ré sen ta ti on s sym bo li qu es de la cour be mé lo di que . L’ he uri st iq ue de prédi ct io n s’a pp uie sur l’al go ri thm e de Vite rbi : le mo dèl e éval ue le s di ffé re nt es sol ut io ns ave c l es fro nt iè re s i nsé ré es ap rès cha qu e sy m bol e Intsi nt . L’alg or it hm e cher che la dis tr ib ut io n opt im a le des front iè re s de mots proso di que s à l’in té ri eu r du tou r de parol e, c’es t- à- di re à l’i nt ér ie ur du niv ea u supé ri eur dans la hiér arc hi e des cons ti tu an ts . Nou s pr és ent on s d ans l es Ta ble s 2-4 le s m a tr ic es de con fus io n ainsi que les me sur es d’év al ua ti on des per for m an ce s d e m odè le s. Table 2 : Matrice de confusion du modèle Hiérarchique Prédiction pas de frontière frontièr e pas de frontière 2003 190 frontière 329 497 Table 3 : Matrice de confusion du modèle Hiérarchie & Proéminence Prédiction pas de frontière frontièr e pas de frontière 2003 194 frontière 398 428 Table 4 : Métriques d’évaluation Modèle Hiérarchiqu e Modèle Hiérarchie&Proéminenc e Précision 0.72 0.688 Rappel 0.6 0.518 F-mesure 0.655 0.591 La mesure de rappel q uantifie la proportion des prédictions correctes. Le modèle Hiérarchique bénéficie d’un rappel de 0,6 et le modèle Hiérarchie&Proéminence d’un rappel de 0,52 . La mesure de précision q uantifie le nombre de frontières correctement prédites su r le n ombre de fr ontières insérées par l’algorithme. Dans notre étu de, les v aleurs de pr écision son t supér ieures à celles du rappel : n os modèles ont ainsi tendance à insérer plus de frontières de mots que nécessaire. La perfor mance d es modèles est dépend finalement du couple , ce que reflète la F-m esure. Le modèle Hiérarchique affiche une valeur de F -mesure de 65,5%, laquelle est supérieure à celle du modèle Hiérarchie&Pr oéminence (59,1%). Notre obj ectif principal était de tester l’impact des informations pr obabilistes dan s la tâche de segmentation de la p arole. D ans cette pers pe ct iv e, les rés ul ta ts sem bl en t ass ez conc lu ant s . La perfo rmance des modèles pourra de plus être améliorée, notamment, en implémentant une anno tation fonctionnelle et un e hiérarchie des constituants prosod iques plus nuancées et plus complexes. 5. D ISCUSSION ET CONCLUSIONS Dan s la prés ent e ét ude , nous avons étud ié le rôle des inf or ma ti on s to nal es et pro ba bi li st es pour la seg m en ta ti on en mo ts du sign al cont inu de paro le . L’o bje ct if de no tr e ét ud e ét ai t a) de dét er mi ne r s’ il ex is te des régu la ri té s dans l’en ch aî nem e nt des éti qu et te s Int si nt , b) de mod él is er com me nt les info rm at io ns pro bab il is te s dans l’e sp ac e ton al peuv en t êt re expl oré es dan s une tâ ch e de seg m ent at i on du con ti nu um sonore à la fo is pa r les hu m ai ns et par des alg ori th m es d’a nno ta ti on sem i -au to m at iq ue de corp us, c) de te st er si l’i m pl ém e nt at io n d’une stru ct ure hiér ar chi qu e mi ni m al e am él i ore l a per fo rm an ce de l ’a lg ori th m e. D a n s un pr e m ie r te m ps , no us av on s dé m on tr é qu ’i l e xi st e d es ré gu l ar it é s da ns l es sé qu e nc es de s sy m bo le s In ts i nt a ss oc ié s a u x mo t s pr os o di qu es . Ce ré su lt a t e st à m et t re en p er sp ec t iv e a ve c le s ét ud es e n ps y ch ol i n gu is ti q ue s ou li gn a n t le r ôl e de s in fo r m at i on s t on al es et p ro ba bi l is te s a ux é t ap es in it i al es du t r ai te m en t pe rc ep t if d u si g na l de p ar ol e. Le rô le de s in fo rm a ti on s t o na le s a é té dé m o nt ré p ou r l e fr an ça i s ; no us a vo ns dé m on tr é qu e c es i nf or m at io ns pe uv en t ê tr e ex p l or ée s pa r l es l oc ut eu r s du r us se . Dan s un de uxiè me t emps , l’a lgori thm e prop osé a été te sté en pr édic tion. Le mod èle Hiér arch iqu e a rri ve à 60% de prédi cti ons corre ctes de fron tièr es de mot s pro sodiq ues (F-m esu re de 65,5% ). La perf orma nce du mo dèle est sati sfai san te. Rem arquo ns cep endan t que le mo dèle a été en tra îné sur un cor pus lim ité : nou s pou vons don c esp érer que l’a ugm enta tion du vol ume de don née s annot ées per met tra de raf fin er les gram mai res pro babil iste s et d’a mél iorer a insi l a perfo rma nce des mo dèle s en prédi ctio n. Nous avons également constaté q u’implémenter la structure hiérar chique con tribue à l’o rganisation de l’information à l’intérieur du systèm e. Dans les recherches fu tures, nous en visageons d’étud ier par la méthode des grammaires probabilistes l’impact des annotations plus d étaillées du phrasé prosodique et des fonctions prosod iques. B IBLIOGRAPHIE [1] Web er, A. The role of phon otact ics in th e segm entat ion of na tive an d non- nat ive con tinuo us spe ech. I n Pr oc. Wor ksho p on Sp oken Acces s Pr ocess es , 1 43-1 46, 2 000. [2] Cutler, A., Mehler, J., Norris, D. and Segui, J. The syllable’s differing role in the segmentation of French and English. Journal of Memory and Language , Vol. 25, 1986, 385-400. [3] Cut ler, A. , Ota ke, T. Mor a or pho neme? Furt her evi dence for lang uag e-sp ecifi c liste ning . J. Exp . Psyc h.: Hu ma n per cepti on and p erf orma nce, V ol. 14, 199 4, 113 - 121 . [4] Turk, A.E. , Shattuc k-Hufnagel, S. Word-Boundary - Related Duration Patterns in English. J. o f Phonet ics, hal-00285643, version 1 - 6 Jun 2008 Vol. 28, 2000, 397-440. [5] Di Cristo, A. Ve rs une modélisati on de l’acc entuation du français : seconde partie. French Language Studies , Vol. 10, 2000, 27-44. [6] Hir st, D., Di Cri sto, A., Espes ser, R. Lev els of des crip tio n and leve ls of rep res entat ion in the anal ysis of int onati on. In M. Ho rne (ed.) , Pro sody: Theo ry and Exp erim ent , Dor drech t : Kluw er Acad emic Pres s, 51-8 7, 200 0. [7] Di Cristo, A., Hirst, D. Modell ing French micromelody: analy sis and synthesis. Phonetica , 43 (1):11-30, 1986 [8] Levelt, W. J. M. Accessing words in speech production: stages, processes a nd representations. Cognition , 42, 1992, 1-22. [9] Blache P., Rauzy, S. Mécanismes de contrôle pour l'analy se en Grammaires de Propriétés. In Proc. TALN Conference , 2006, pa ges 415-424. hal-00285643, version 1 - 6 Jun 2008