Luận văn phân tích âm học các âm thanh trong hệ thống RAP - Lê Mạnh Tuấn

Luận văn phân tích âm học các âm thanh được nhận dạng chính xác bởi hệ thống nhận dạng giọng nói tự động. Nghiên cứu chỉ số âm học phụ âm tắc.

• Tác giả: Lê Manh Tuan
• Người hướng dẫn: Anne Bonneau
• Trường học: Trường Đại học Lorraine
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phân tích âm học nhận dạng giọng nói tự động
• Loại tài liệu: Bài báo cáo cuối khóa
• Năm xuất bản: 2007
• Địa điểm: Villers-lès-Nancy, Pháp

Tóm tắt

I. Cách Phân tích âm học nhận dạng giọng nói tự động hoạt động

Phân tích âm học nhận dạng giọng nói tự động là quá trình khai thác đặc điểm âm thanh để xác định và phân loại các đơn vị ngôn ngữ như âm vị, từ hoặc cụm từ. Hệ thống này dựa trên các chỉ số âm học như tần số, độ dài, cường độ và cấu trúc phổ để phân biệt giữa các âm thanh. Mục tiêu chính là phát hiện những âm thanh được nhận dạng chính xác (well-identified sounds) và đối chiếu với những âm thanh bị nhận dạng sai (badly-identified sounds). Nghiên cứu từ Institut de la Francophonie pour l’Informatique (2007) chỉ ra rằng các phụ âm tắc (occlusive consonants) – như /p/, /t/, /k/ – thường thể hiện rõ ràng hơn về mặt âm học khi được hệ thống nhận dạng đúng. Các đặc điểm như burst (tiếng nổ khi bật âm), formant transition (dịch chuyển formant), và duration of noise (độ dài nhiễu) đóng vai trò then chốt trong việc phân biệt các lớp âm. Việc phân tích này không chỉ hỗ trợ cải thiện độ chính xác của hệ thống nhận dạng giọng nói tự động (ASR – Automatic Speech Recognition) mà còn giúp nâng cao khả năng hiểu lời nói (intelligibility) trong các ứng dụng thực tế như trợ lý ảo, dịch thuật thời gian thực, hay hỗ trợ người khiếm thính.

1.1. Các chỉ số âm học cốt lõi trong nhận dạng giọng nói

Các chỉ số âm học như tần số cơ bản (F0), formant (F1, F2, F3), độ dài nhiễu, và prominence (độ nổi bật) là những yếu tố quyết định khả năng phân biệt âm vị. Trong nghiên cứu của LE Manh Tuan (2007), các phụ âm tắc được phân tích kỹ lưỡng dựa trên burst spectrum và formant transition. Những âm có formant transition rõ ràng và burst mạnh thường được hệ thống ASR nhận dạng chính xác hơn. Ngược lại, các âm có đặc điểm mờ nhạt hoặc chồng lấn phổ thường dẫn đến confusion zone (vùng nhầm lẫn).

1.2. Vai trò của phụ âm tắc trong phân tích âm học

Phụ âm tắc như /p/, /t/, /k/ là đối tượng chính trong nghiên cứu vì chúng tạo ra các sự kiện âm học rõ rệt như burst và formant transition. Kết quả cho thấy các phụ âm tắc được nhận dạng đúng thường nằm trong vùng ít nhầm lẫn giữa các lớp âm, trong khi những âm bị sai lại tập trung ở vùng chồng lấn phổ. Đặc biệt, ngữ cảnh nguyên âm (vowel context) ảnh hưởng mạnh đến khả năng nhận dạng – ví dụ, /k/ trước nguyên âm sau (như /o/) có đặc điểm âm học khác biệt rõ rệt so với trước nguyên âm trước (như /i/).

II. Thách thức trong phân tích âm học nhận dạng giọng nói tự động

Một trong những thách thức lớn nhất của phân tích âm học nhận dạng giọng nói tự động là sự biến thiên ngữ âm do đặc điểm người nói, môi trường nhiễu, hoặc ngữ cảnh phát âm. Nghiên cứu tại INRIA Lorraine chỉ ra rằng vùng nhầm lẫn âm học (acoustic confusion zones) không cố định mà thay đổi theo ngữ cảnh nguyên âm. Ví dụ, phụ âm /t/ có thể bị nhầm với /d/ hoặc /k/ tùy thuộc vào nguyên âm đi kèm. Ngoài ra, chất lượng tín hiệu đầu vào – bao gồm nhiễu nền, tốc độ nói, hoặc giọng địa phương – cũng làm suy giảm độ chính xác của hệ thống. Một vấn đề khác là thiếu dữ liệu chuẩn hóa cho các ngôn ngữ ít tài nguyên, khiến việc huấn luyện mô hình ASR trở nên khó khăn. Các chỉ số âm học như emergence (sự xuất hiện rõ ràng của đặc điểm âm) và occupation (mức độ chiếm giữ không gian phổ) thường không đủ ổn định để làm cơ sở phân loại tin cậy trong mọi điều kiện.

2.1. Ảnh hưởng của ngữ cảnh nguyên âm đến độ chính xác nhận dạng

Ngữ cảnh nguyên âm đóng vai trò quyết định trong việc hình thành đặc điểm âm học của phụ âm. Nghiên cứu cho thấy formant transition của /k/ thay đổi đáng kể khi đứng trước /a/, /i/, hay /u/. Sự thay đổi này dẫn đến sai lệch trong phân lớp nếu hệ thống không được huấn luyện trên đa dạng ngữ cảnh. Do đó, các mô hình ASR cần tích hợp mô hình ngữ cảnh động để giảm thiểu lỗi nhận dạng.

2.2. Vấn đề nhiễu và biến thể cá nhân trong tín hiệu giọng nói

Nhiễu nền, tốc độ nói nhanh, hoặc cách phát âm cá nhân (như giọng miền, tật nói) làm biến dạng đặc điểm âm học. Những yếu tố này khiến các chỉ số như duration of noise hay prominence trở nên không ổn định. Hệ thống ASR truyền thống thường thất bại trong điều kiện này, đòi hỏi các giải pháp như tăng cường dữ liệu (data augmentation) hoặc mô hình thích ứng người nói (speaker adaptation).

III. Phương pháp phân tích âm học nâng cao cho hệ thống ASR

Để cải thiện độ chính xác, các phương pháp phân tích âm học nâng cao được áp dụng trong hệ thống nhận dạng giọng nói tự động. Một trong những cách tiếp cận hiệu quả là trích xuất đặc trưng phổ thời-gian (time-frequency features) như spectrogram, mel-frequency cepstral coefficients (MFCCs), hoặc linear predictive coding (LPC). Nghiên cứu của LE Manh Tuan (2007) sử dụng phân tích burst và formant transition để xác định vùng phân biệt âm học giữa các phụ âm tắc. Ngoài ra, học máy không giám sát (unsupervised learning) cũng được dùng để phát hiện các cụm âm thanh có đặc điểm tương đồng. Một phương pháp khác là tinh chỉnh tham số nhận dạng dựa trên chỉ số emergence và occupation, nhằm tăng cường khả năng phân biệt giữa các lớp âm trong vùng chồng lấn. Việc kết hợp phân tích phổ âm với mô hình ngôn ngữ giúp hệ thống không chỉ dựa vào đặc điểm âm học mà còn hiểu được cấu trúc ngữ nghĩa, từ đó giảm lỗi nhận dạng.

3.1. Trích xuất đặc trưng âm học bằng MFCC và spectrogram

MFCC và spectrogram là hai công cụ trích xuất đặc trưng phổ biến nhất trong ASR. Spectrogram cho phép quan sát trực quan burst, formant transition và độ dài nhiễu, trong khi MFCC mã hóa thông tin phổ thành các hệ số số, phù hợp cho huấn luyện mô hình học máy. Nghiên cứu tại INRIA đã dùng spectrogram để định lượng sự khác biệt giữa âm được nhận dạng đúng và sai.

3.2. Ứng dụng học máy để phân biệt âm thanh chính xác và sai

Các thuật toán như Gaussian Mixture Models (GMM) hoặc Hidden Markov Models (HMM) được dùng để mô hình hóa phân bố đặc trưng âm học. Gần đây, mạng nơ-ron sâu (DNN) cho phép học các biểu diễn đặc trưng phức tạp hơn, giúp phân biệt rõ ràng hơn giữa vùng ít nhầm lẫn và vùng chồng lấn. Việc tích hợp DNN với phân tích formant transition đã cải thiện đáng kể độ chính xác nhận dạng phụ âm tắc.

IV. Ứng dụng thực tiễn của phân tích âm học trong ASR

Phân tích âm học nhận dạng giọng nói tự động có nhiều ứng dụng thực tiễn trong đời sống và công nghiệp. Trong giáo dục ngôn ngữ, hệ thống có thể đánh giá chất lượng phát âm của người học dựa trên các chỉ số âm học như prominence hay duration of noise. Trong y tế, công nghệ này hỗ trợ chẩn đoán rối loạn phát âm hoặc phục hồi chức năng nói cho bệnh nhân đột quỵ. Trong an ninh, ASR kết hợp phân tích âm học được dùng để xác thực danh tính qua giọng nói. Ngoài ra, các trợ lý ảo như Siri, Alexa hay Google Assistant đều dựa trên phân tích âm học để hiểu lệnh người dùng. Nghiên cứu từ INRIA Lorraine cung cấp cơ sở khoa học để tối ưu hóa các hệ thống này, đặc biệt trong việc phát hiện và tăng cường các âm thanh được nhận dạng tốt, từ đó cải thiện trải nghiệm người dùng.

4.1. Cải thiện chất lượng phát âm trong học ngoại ngữ

Hệ thống ASR có thể phản hồi tức thì về độ chính xác phát âm của người học. Bằng cách so sánh chỉ số âm học của người học với mẫu chuẩn, hệ thống xác định âm nào được phát âm rõ (well-realized) và âm nào cần cải thiện. Điều này đặc biệt hữu ích cho các phụ âm tắc vốn khó phát âm đúng trong nhiều ngôn ngữ.

4.2. Hỗ trợ người khiếm thính và phục hồi chức năng nói

Trong y tế, phân tích âm học giúp đánh giá tiến triển của bệnh nhân sau tổn thương thần kinh. Các chỉ số như emergence và occupation được dùng để đo lường mức độ phục hồi chức năng phát âm. Đồng thời, hệ thống có thể chuyển giọng nói thành văn bản với độ chính xác cao hơn nhờ hiểu rõ đặc điểm âm học của người nói.

V. Tương lai của phân tích âm học trong nhận dạng giọng nói tự động

Tương lai của phân tích âm học nhận dạng giọng nói tự động gắn liền với sự phát triển của trí tuệ nhân tạo và xử lý tín hiệu tiên tiến. Các mô hình end-to-end như Transformer hoặc Wav2Vec 2.0 đang thay thế dần các hệ thống truyền thống dựa trên HMM-GMM. Tuy nhiên, phân tích âm học vẫn giữ vai trò nền tảng trong việc giải thích và cải thiện mô hình. Hướng nghiên cứu mới tập trung vào tích hợp tri thức ngôn ngữ học vào kiến trúc học sâu, giúp mô hình hiểu được nguyên lý tạo âm (như cơ chế bật tắc, rung dây thanh) thay vì chỉ học từ dữ liệu thô. Ngoài ra, phân tích đa ngôn ngữ và thích ứng ngữ cảnh sẽ giúp ASR hoạt động hiệu quả trên toàn cầu. Nghiên cứu từ INRIA Lorraine mở ra hướng đi quan trọng: tăng cường các đặc điểm âm học phân biệt để cải thiện khả năng hiểu lời nói, đặc biệt trong điều kiện nhiễu hoặc với người nói không chuẩn.

5.1. Kết hợp tri thức ngôn ngữ học vào mô hình học sâu

Thay vì để mô hình học sâu tự khám phá đặc trưng, các nhà nghiên cứu đang nhúng quy tắc âm học – như vị trí articulation hoặc đặc điểm burst – vào kiến trúc mạng. Cách tiếp cận này giúp mô hình giải thích được lý do nhận dạng, đồng thời giảm nhu cầu dữ liệu huấn luyện khổng lồ.

5.2. Phát triển hệ thống ASR đa ngôn ngữ và thích ứng ngữ cảnh

Tương lai của ASR là không phụ thuộc ngôn ngữ và thích ứng theo ngữ cảnh. Phân tích âm học sẽ cung cấp bản đồ đặc trưng phổ chung cho nhiều ngôn ngữ, giúp hệ thống nhận dạng giọng nói người dùng bất kỳ, bất kể ngôn ngữ mẹ đẻ. Điều này đặc biệt quan trọng trong môi trường toàn cầu hóa.

Trích đoạn nội dung tài liệu

Institut de la Francophonie pour I’ Informatique INRIA de Lorrain - LORTA MEMOIRE DE FIN D’ETUDES ANALYSE ACOUSTIQUE DE SONS BIEN IDENTIFIES PAR UN SYSTEME DE RECONNAISSANCE AUTOMATIQUE DE LA PAROLE Lieu: Laboratoire Lorrain en Informatique et ses Applications 615, rue du Jarbin Botanique 54600 Villers-lés-nancy, France Date : 2 avril 2007 — 30 septembre 2007 Par LE Manh Tuan Encadrants : Anne BONNEAU et Martine CADOT Remerciements ‘Vout Pabord, je tiens & remercier M. Yves Laprie de m‘avoir accueilli pendant mes 6 mois đang son équipe. Je ramercic également mes deux cncadrantes, Mine Anne Bonmcau cl Mine Martine Cadot, qui m’ont donné la direction, les conseils el Jes expheations utiles pour mon, stage. Je ticns & reine vice Farid Feicl Blaisc Potard, thésards dans Péquipe Parole, pour lour aide dans la préparation des logiciels nécessaires et de Penvirunnement de travail Je voudrais aussi exprimer ma gratitude pour mes collégues de bureau, Aminata POUYL et Julic BUSSET, qui ont contribud au bon déroulcment de mon travail Enfin, un grand merci & mes collégues i LORLA, mes amis 4 Nancy pour leurs sentiments, leurs soutiens et leurs encouragements pendant le temps de mon stage.

Un grand merci 3 tous ! LI¿ Manh Tuan 2/82 Résumé Ce sujet procéde de la motivation de rechercher des sous qui sout bicn réalisés acoustiquement, afin de les renforcer ct d’améliorer Lintellipibilité de la parole. Il conceme plus particulitrement Lanalysc acoustique des sons rcconnus par un systéme de reconnaissance automatique de la parole (RAP) destiné & rechercher des sons bien prononcés. Bas sur un sys me tke RAP destin a détecler tes belles isations acoustiques d'un son d'un point de vue acoustique, Vobjectif de cc stage cst analyser tes sorties de ce systéme pour vérifier si les sons reconnus par ce syst@me possédent ou non des indices acoustiques discriminants (c. des indices qui permettent de les distinguer aisément des antres sons).

Dans le cadre du stage, notee travail se concentre sur I"analyse des indices acoustiques des consonnes occlusives. Ces consonnes sont étudiées dans des contextes différents des voyelles. Le résultat de cette étude moutre qu’il y a des diffrences entre les sons bien identifiés et les sons mal identifi Les consonnes qul sont bien identifies ont tendance à être dans une zone de moindre confusion entre les classes, tandis que Jes cousonnes qui sont mal identitiées sont principaloment situdes duns unc région de grande confusion entre Ies classes. 11 existe aussi des zones indices acoustiques qui permettent de bien distinguer les consonnes bien identifies ot les consonnes mal identifiges.

Cependaml, cos zones ne sont pas claires ct elles dependent du cumtexte vocalique. Mots-clés : analyse d’indice acoustique, son bien identifié, son mal idontifiés, fréquence, émergence, progminence, durée du bruit, qualité, occupation. 3/82 Liste des tables Table I. Les phonémes du francais.

La classification des phoneme du francais en iraity distinctifs Table 3. Complage de confusion pour contexte aniériear (Emergence normale). Complage de confusion pour contexte aniériear (émergence adaptée aux véluires ef aux dentate) 52 Table 5. Comptage de confusion pour contexte central (émergence normale).

Comptage de confusion pour contexte central (émergence adaptée aux vélaires et aux dentales) 59 table 7. Comptage de confusion pour contexte arrondi {émergence normale). Comptage de confusion pour contexte arrondi {émergence adaptée aux vélaires et aux dentates) 62 Table 9. Comptage de confusion pour contexte postéricur (émergence normale}.

Comptage de confusion pour conteste postérieur (émergence adaplée aux véluires ef aux dentales). „63 8/82 Liste des figures Figure 1. Modeéle mécanique de production de ka parole. k,xemnle de son vaisé (haut) et non — voisé (bas).

‘Triangle voralique pour le frangais. Spectre de ‘my speech’. Un exemple de la lecture di spectrogramme [12}. Analyse du burst de ta syllabe Kol.

La transition des formants. Présentation de l'interface de Snorri. Présentation de l'interface de Winsneor Figure 1. Les élapes de l'apprentissage « Elitiste Figure 12.

Exemple de description dun triplet. Le processus @'acquisition des indices Figure 14. Distribution des sons selon la fréquence du burst (contexte antérieur). Distribution des sons selon la fréquence et U’émergence (contexte antérieur).

Distribution des sans selon la fréquence et la durée (contexte antérieur). Distribution des sons selon ta fréquence et la qualité (contexte antérieur). Distribution des sons selon la fréquence et l'émergence adaptée aux vélaires et aux deniales (cuntexte antériear) Figure 19. Distribution des suns selon la fréquence du bursi {contexte central).

Distribution des suns selon la fréquence ef T'émergence (contexte veniral). 7182 Abstract This subject proceeds of the motivation to detect sounds which are well-ealized acoustically, in order to reinforce them and to improve the intelligibility of speech. It more particularly relates to the acoustic analysis of the sounds recognized by a automatic speech recognition system (ASR) intended te find out well-cealized sounds. Based on a ASR system intended to detect the good acoustic realizations of a sound from an acoustic point of view, the object of our taining course is to analyze the exits of this system to check if the sounds recognized by this system have or not discriminating acoustic indices (it mean: the indices which make possible lo caxily distinguish them fram the other sounds), According to the scope of the training course, our work concentrates on the analysis of the acoustic indices of the occlusive consonants.

These consonants are studied in contexts different of the vowels. ‘The result of this study shows that there are differences between the well-realized sounds and badly-realized sounds. ‘he consonants which are well-realized have tendency to be in a zone of less confusion between the classes, while the consonants which are badly-realized are mainly located in an area of great confusion between the classes. There are also acoustic zones indices which make it possible to distinguish the well-realized consonants well and the badly-realized consonants.

However, these zones are not clear and they depend on the context of vowel. Keywords: analyze acoustic index, well-rcalized, badly-rcalized, frequency, emergence, prominence, duration of the noise, quality, occupation. 4/82 Liste des figures Figure 1. Modeéle mécanique de production de ka parole.

k,xemnle de son vaisé (haut) et non — voisé (bas). ‘Triangle voralique pour le frangais. Spectre de ‘my speech’. Un exemple de la lecture di spectrogramme [12}.

Analyse du burst de ta syllabe Kol. La transition des formants. Présentation de l'interface de Snorri. Présentation de l'interface de Winsneor Figure 1.

Les élapes de l'apprentissage « Elitiste Figure 12. Exemple de description dun triplet. Le processus @'acquisition des indices Figure 14. Distribution des sons selon la fréquence du burst (contexte antérieur).

Distribution des sons selon la fréquence et U’émergence (contexte antérieur). Distribution des sans selon la fréquence et la durée (contexte antérieur). Distribution des sons selon ta fréquence et la qualité (contexte antérieur). Distribution des sons selon la fréquence et l'émergence adaptée aux vélaires et aux deniales (cuntexte antériear) Figure 19.

Distribution des suns selon la fréquence du bursi {contexte central). Distribution des suns selon la fréquence ef T'émergence (contexte veniral). INTRODUCTION Ce stage a été réalisé au LORLA (Laboratoire Lorrain de Recherche en Informatique et ses Applications} & Nancy, France, du 2 avril au 30 septembre 2007, au sein de Péquipe PAROLE. Dans le premier chapitre nous ferons tout @abord une petite présentation du laboratoire LORIA et de Péquipe PAROLE ainsi que Veavirounement de travail, Puis nous ferons une introduction concernant le stage ef Vobjectif de notre travail.

Présentation de Penvironnement de travail LLL Introduction dt LORIA Le Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA). est une unité mixte de recherche (MR 7503) commune & plusieurs établissements: * CNRS, Centre National de Recherche Scientifique * INPL, Institut National Polytechnique de Lorraine «INRIA, Institut National de Recherche en Tnformalique el en Aulimatique © UBP, Université Henri Poincaré, Nancy 1 = Université Nancy 2 Ta signature, fe 19 décembre 1997, du contrat quadrienmal avec te Ministre de I’ Education Nationale, de la Recherche et de la ‘Technologie et par une convention entre les cing partenaires a officialisé la création de cette unité de recherche. Cette unilé a été renouvelée en 2001. Lille succéde ainsi an CRIN (Centre de Recherche en Informatique de Nancy), et associe les équipes communes entre celui-ci et l'unité de Recherche INRIA Lorraine.

Le LORIA est situé sur le campus de Ja faculté des sciences de Nancy. Depuis février 2007, Karl Tombre est le directeur du LORIA et de L"INRIA. Le LORIA est un laboratoire de plus de 450 personnes parmi lesquelles : © 150 chorchcurs ol enseignants-chercheurs ® untiers de doctorants et post doctorants 9/82 Table des matiéres Remerciements. Liste des figures.

Liste des tables. Présentation de l'environnement de travail. 11L Introduction du LORTA. Mauipe Parole et leurs projets.

Environnement de travail 1.2, Introduction du stage. Organisation du rapport CHAPITRE2. Qu’est ce que c'est la parole ? 2. Production de la parle 2.4, Lecture de spectrogramme.

Lecture de spectrogranune. Exemple de lecture de spectrogramme. _ Intraduction de Ƒindice acoustique. Indices du burst.

Fréquence et émergence du burst. La compacité spectrale 3. La durée du bruit. Indices de transition.

Les transitions labiales 33. Les transitions dentate: 3. Les transitions plato-vélaires. CONTEXTE DU STAGE.2, Présentation de WinSnoori 43, Contexte du stage.

Acquisition des indices. Analyse des indices acoustiques. CONCLUSION ET PERSPECTIVE 6. Code Source Annexe 2.

Les plans des indices 6/82 Liste des figures Figure 1. Modeéle mécanique de production de ka parole. k,xemnle de son vaisé (haut) et non — voisé (bas). ‘Triangle voralique pour le frangais.

Spectre de ‘my speech’. Un exemple de la lecture di spectrogramme [12}. Analyse du burst de ta syllabe Kol. La transition des formants.

Présentation de l'interface de Snorri. Présentation de l'interface de Winsneor Figure 1. Les élapes de l'apprentissage « Elitiste Figure 12. Exemple de description dun triplet.

Le processus @'acquisition des indices Figure 14. Distribution des sons selon la fréquence du burst (contexte antérieur). Distribution des sons selon la fréquence et U’émergence (contexte antérieur). Distribution des sans selon la fréquence et la durée (contexte antérieur).

Distribution des sons selon ta fréquence et la qualité (contexte antérieur). Distribution des sons selon la fréquence et l'émergence adaptée aux vélaires et aux deniales (cuntexte antériear) Figure 19. Distribution des suns selon la fréquence du bursi {contexte central). Distribution des suns selon la fréquence ef T'émergence (contexte veniral).

7182 Liste des tables Table I. Les phonémes du francais. La classification des phoneme du francais en iraity distinctifs Table 3. Complage de confusion pour contexte aniériear (Emergence normale).

Complage de confusion pour contexte aniériear (émergence adaptée aux véluires ef aux dentate) 52 Table 5. Comptage de confusion pour contexte central (émergence normale). Comptage de confusion pour contexte central (émergence adaptée aux vélaires et aux dentales) 59 table 7. Comptage de confusion pour contexte arrondi {émergence normale).

Comptage de confusion pour contexte arrondi {émergence adaptée aux vélaires et aux dentates) 62 Table 9. Comptage de confusion pour contexte postéricur (émergence normale}. Comptage de confusion pour conteste postérieur (émergence adaplée aux véluires ef aux dentales). „63 8/82 Liste des tables Table I.

Les phonémes du francais. La classification des phoneme du francais en iraity distinctifs Table 3. Complage de confusion pour contexte aniériear (Emergence normale). Complage de confusion pour contexte aniériear (émergence adaptée aux véluires ef aux dentate) 52 Table 5.

Comptage de confusion pour contexte central (émergence normale). Comptage de confusion pour contexte central (émergence adaptée aux vélaires et aux dentales) 59 table 7. Comptage de confusion pour contexte arrondi {émergence normale). Comptage de confusion pour contexte arrondi {émergence adaptée aux vélaires et aux dentates) 62 Table 9.

Comptage de confusion pour contexte postéricur (émergence normale}. Comptage de confusion pour conteste postérieur (émergence adaplée aux véluires ef aux dentales). „63 8/82 © des ingénieurs, techniciens et personnels administratifs Organisé en équipes de recherche et services de soutien a la recherche Crest aussi chaque année ® une Wentaine de chereheurs étrangers invilés © des coopérations internationales avec des pays des cing continents =— une quaranlaine úc contrats industricls Ces personnels sont répartis en 27 équipes de recherche ct en services d'aide & la recherche.