Kathryn Bock L’Expérience de la Perception Catégorielle de la Parole – Alvin Liberman

La question de savoir comment le système cognitif humain parvient à extraire du sens à partir d’un flux sonore continu constitue l’un des mystères les plus profonds des sciences du langage. Dans l’environnement physique, les ondes acoustiques générées par l’appareil phonatoire ne présentent aucune délimitation nette : les sons se chevauchent, les indices spectraux glissent perpétuellement sous l’effet de la coarticulation, et l’énergie vibratoire se propage le long de gradients continus. Pourtant, tout auditeur natif fait l’expérience subjective immédiate d’une séquence de segments discrets, nets et catégorisés, que la tradition linguistique nomme phonèmes. Ce décalage fondamental entre la physique du signal et la phénoménologie de l’écoute a conduit, au milieu du vingtième siècle, à une révolution conceptuelle majeure dont les répercussions animent encore la psycholinguistique contemporaine.

Au cœur de cette révolution se trouve l’œuvre pionnière d’Alvin Liberman et de ses collaborateurs aux Laboratoires Haskins, dont les travaux expérimentaux sur la perception catégorielle de la parole ont démontré que notre système auditivo-cognitif n’enregistre pas passivement les variations continues de la fréquence acoustique, mais les projette activement dans des cases discrètes, imperméables aux variations internes. Quelques décennies plus tard, les travaux majeurs de Kathryn Bock sont venus réévaluer et inscrire ces découvertes au sein d’une architecture psycholinguistique globale. En s’interrogeant sur la manière dont les représentations phonétiques abstraites s’interfacent avec les processus d’encodage syntaxique et de production verbale, Bock a permis de dépasser le clivage traditionnel entre perception auditive passive et planification motrice active, offrant un cadre théorique intégrateur où la perception catégorielle devient le socle indispensable de l’économie cognitive du langage.

Le présent article se propose d’examiner de manière exhaustive cette pierre angulaire des sciences cognitives. En parcourant les soubassements technologiques du Pattern Playback, la modélisation mathématique des fonctions psychométriques, les débats virulents entourant la Théorie Motrice et les neurosciences contemporaines de la double voie, nous mettrons en lumière la fécondité du dialogue conceptuel entre le paradigme expérimental d’Alvin Liberman et la vision unificatrice de Kathryn Bock. Cette analyse permettra de comprendre comment une simple altération millimétrique de transitions formantielles peintes sur une bande d’acétate a pu transformer à jamais notre conception de l’esprit humain.

1. Introduction à la perception catégorielle de la parole : De Liberman à Bock

1.1 Émergence du concept en psycholinguistique expérimentale

L’émergence du concept de perception catégorielle marque une rupture épistémologique décisive avec la psychoacoustique classique issue des travaux de Hermann von Helmholtz. Jusqu’au milieu du XXe siècle, les modèles prévalents reposaient sur l’hypothèse d’une correspondance linéaire entre la variation physique d’un stimulus et la sensation subjective de l’auditeur. Si l’on modifiait progressivement la fréquence fondamentale d’un son pur, l’oreille humaine était réputée percevoir un glissement continu de la hauteur tonale, modulé uniquement par le seuil différentiel de perception. Or, lorsque les chercheurs ont commencé à manipuler des signaux acoustiques complexes reproduisant la parole humaine, ce postulat de linéarité s’est brutalement effondré.

Confrontés à des stimuli variant le long d’un continuum physique parfaitement régulier, les auditeurs ne rapportèrent pas une transition graduelle d’un son de parole vers un autre. Au contraire, ils manifestèrent une insensibilité presque totale aux variations physiques tant que celles-ci demeuraient à l’intérieur de certaines marges de tolérance, suivie d’un basculement perceptif abrupt vers une catégorie phonologique radicalement distincte dès lors qu’un seuil critique était franchi. Ce phénomène, baptisé perception catégorielle, a mis en lumière l’existence de mécanismes de traitement cognitif spécialisés, capables de convertir l’infinie variabilité analogique du monde physique en représentations symboliques discrètes indispensables au traitement linguistique.

Cette découverte a catalysé la transition historique entre l’acoustique physique pure et la psycholinguistique expérimentale naissante. Il ne s’agissait plus seulement de mesurer les limites sensorielles périphériques de la cochlée, mais de décrypter les algorithmes cognitifs par lesquels le cerveau abstrait des invariants stables à partir de flux sensoriels hautement bruités. La perception de la parole s’est ainsi imposée comme le terrain d’élection pour explorer l’architecture computationnelle de l’esprit, marquant le passage de l’empirisme béhavioriste vers les sciences cognitives structurales.

1.2 Le dialogue intellectuel entre Alvin Liberman et Kathryn Bock

La trajectoire scientifique reliant Alvin Liberman à Kathryn Bock incarne l’évolution de la psycholinguistique, depuis ses fondations phonétiques et psychoacoustiques jusqu’à sa maturation au sein des architectures cognitives modulaires. Aux Laboratoires Haskins, Alvin Liberman a été le maître d’œuvre d’une méthodologie rigoureuse qui a isolé les paramètres acoustiques minimaux de la parole, démontrant que la perception phonémique est fondamentalement discontinue. Son travail s’est toutefois concentré de manière prépondérante sur le décodage initial du signal et sur ses liens consubstantiels avec les mécanismes articulatoires périphériques et sous-corticaux.

L’apport décisif de Kathryn Bock, plusieurs décennies plus tard, a été d’intégrer ce bloc expérimental au sein d’une vision holistique du système de traitement du langage. Psycholinguiste de renommée internationale, Bock s’est illustrée par ses recherches pionnières sur la production de phrases, l’encodage grammatical et les interactions structurales entre syntaxe et phonologie. En réexaminant les données de Liberman, Bock a souligné que la catégorisation phonétique ne constituait pas un isolat modulaire sans interaction avec le reste de l’esprit, mais le point d’ancrage indispensable permettant à l’appareil cognitif de maintenir la stabilité lexicale nécessaire à la génération et à l’analyse syntaxique.

Ce dialogue intellectuel, à la fois théorique et méthodologique, illustre la puissance de l’interdisciplinarité cognitive. Tandis que Liberman abordait le signal du bas vers le haut (bottom-up), armé d’oscilloscopes, de spectrogrammes et de synthétiseurs photoélectriques, Bock a apporté la perspective du traitement descendant (top-down) et de la planification d’énoncés complexes. Ensemble, leurs travaux soulignent que l’expérience de la parole ne peut être comprise qu’à la croisée de la physique acoustique, des contraintes biomécaniques de l’appareil phonatoire et de l’architecture formelle des représentations mentales.

1.3 Problématique centrale de la discontinuité perceptive

La discontinuité perceptive soulève un paradoxe fondamental : pourquoi et comment un système biologique traite-t-il un continuum physique sous forme de catégories numériques étanches ? D’un point de vue écologique et adaptatif, la communication verbale est soumise à une contrainte de débit d’information exceptionnellement élevée. Dans un flux conversationnel ordinaire, un être humain émet entre dix et quinze phonèmes par seconde, chacun étant déformé par l’identité des sons adjacents, la vitesse d’élocution, le volume de la cage thoracique, la morphologie du conduit vocal du locuteur et le bruit ambiant. Si le système perceptif devait conserver et calculer en temps réel chaque nuance acoustique, la mémoire de travail serait instantanément saturée par des détails non pertinents.

L’hypothèse sous-jacente à l’étude de la perception catégorielle est donc celle d’un mécanisme d’abstraction radicale. L’auditeur n’a que faire de savoir si la fréquence de coupure d’une consonne est de 1420 ou 1460 hertz ; son unique objectif fonctionnel est de déterminer sans ambiguïté s’il s’agit d’un [b] ou d’un [d], afin d’accéder au lexème approprié. Cette discontinuité transforme une infinité continue d’états physiques en un nombre fini et dénombrable d’états informationnels, garantissant une robustesse exemplaire de la communication en dépit des dégradations du canal de transmission acoustique.

Sur le plan épistémologique, la formalisation de cette discontinuité impose de distinguer rigoureusement la sensibilité sensorielle de la décision catégorielle. Les protocoles expérimentaux conçus par Liberman, et scrupuleusement disséqués par Bock, ont été précisément échafaudés pour démontrer que les zones de basculement perceptif ne correspondent pas à des accidents de transmission cochléaire, mais bien à une réorganisation cognitive active de l’espace psychologique, opérant une distorsion délibérée de la métrique sensorielle au profit du décodage phonémique.

2. Le cadre théorique d’Alvin Liberman aux Laboratoires Haskins

2.1 La quête des invariants acoustiques

Au sortir de la Seconde Guerre mondiale, Alvin Liberman et ses pairs aux Laboratoires Haskins se sont heurtés à un mur conceptuel connu sous le nom de « problème de l’absence d’invariance » (lack of invariance problem). L’ambition initiale des pionniers de la phonétique acoustique était simple : trouver, pour chaque phonème d’une langue donnée, une signature spectrale constante, un faisceau de fréquences formantielles invariant et universellement reconnaissable dans n’importe quel contexte phonologique. L’avènement du spectrographe acoustique, développé par les ingénieurs des laboratoires Bell, laissait espérer que la lecture directe de la parole à partir de ses traces spectrales deviendrait une réalité opérationnelle.

Les désillusions furent immédiates et profondes. Dès que les chercheurs ont analysé des flux de parole naturelle, ils ont découvert que le signal correspondant à une consonne spécifique variait du tout au tout selon la voyelle qui la suivait ou la précédait. Par exemple, la transition fréquentielle caractérisant la consonne occlusive alvéolaire [d] se révélait ascendante lorsqu’elle était suivie de la voyelle [i], mais descendante lorsqu’elle était suivie de la voyelle [u]. Malgré cette discordance acoustique absolue, l’oreille percevait indubitablement la même identité phonémique consonantique. Ce phénomène de coarticulation révélait que les articulateurs (langue, lèvres, voile du palais) se meuvent en parallèle vers des cibles spatiales futures, superposant continuellement les gestes moteurs dans le temps.

L’invariance ne résidait donc pas dans la surface acoustique du spectrogramme. Les données spectrales brutes ne fournissaient aucune correspondance directe, biunivoque, avec les phonèmes perçus. Liberman s’est rendu compte qu’aucun filtre passif, linéaire et purement auditif ne pouvait convertir de manière fiable ces spectrogrammes hétérogènes en unités phonémiques stables, obligeant la science à postuler un processus de décodage non linéaire hautement sophistiqué.

2.2 La genèse de la Théorie Motrice de la perception de la parole

Face à l’impossibilité de déceler des invariants dans le signal sonore brut, Alvin Liberman formula l’une des hypothèses les plus audacieuses de la psycholinguistique : la Théorie Motrice de la perception de la parole (Motor Theory of Speech Perception). Si l’invariance phonétique est absente du signal acoustique, où peut-elle bien résider ? Liberman répondit sans détour : dans les commandes motrices du système nerveux central qui pilotent les organes articulatoires lors de la production de la parole.

Selon cette perspective, les objets ultimes de la perception ne sont pas des configurations d’ondes sonores, mais les gestes articulatoires qui leur ont donné naissance. Lorsque nous écoutons une personne parler, notre cerveau ne se contenterait pas d’effectuer une décomposition de Fourier de l’onde de pression acoustique ; il utiliserait les indices sensoriels pour remonter rétroactivement, via un modèle interne prédictif, aux gestes phonatoires intentionnels du locuteur, tels que l’occlusion bilabiale, l’abaissement du vélum ou l’élévation de l’apex de la langue. Les gestes moteurs devenaient ainsi les véritables invariants invariants phonologiques sous-jacents.

Cette théorie postulait un lien direct et indissoluble entre les mécanismes de production motrice et les mécanismes de décodage auditif. Elle supposait l’existence chez l’espèce humaine d’un mode de traitement radicalement dissocié : d’un côté, le « mode auditif général », voué à l’analyse des bruits environnementaux, des cliquetis et des mélodies musicales ; de l’autre, le « mode parole » (speech mode), un processeur biologique spécialisé capable de contourner le signal de surface pour lire directement l’architecture motrice de l’acte d’élocution.

2.3 L’environnement expérimental des Laboratoires Haskins

Les avancées conceptuelles d’Alvin Liberman n’auraient pu voir le jour hors de l’atmosphère singulière qui régnait au sein des Laboratoires Haskins, fondés en 1935 par Caryl P. Haskins. Initialement focalisé sur la biophysique et la génétique, cet institut privé à but non lucratif orienta ses recherches vers la réhabilitation des vétérans de guerre après 1945, se fixant pour objectif prioritaire la conception d’une machine de lecture optique capable de traduire le texte imprimé en sons intelligibles pour les personnes non voyantes.

Pour atteindre ce but, il fallait comprendre ce qui rend la parole humaine si incomparablement efficace par rapport à n’importe quel code artificiel constitué de bips ou de tonalités. L’équipe réunie autour de Liberman comprenait des ingénieurs du son comme Franklin S. Cooper, des linguistes éminents tels qu’Arthur Abramson et Leigh Lisker, ainsi que des psychologues expérimentaux. Cette synergie interdisciplinaire unique permit de contourner les clivages méthodologiques habituels entre sciences physiques et sciences humaines.

C’est précisément en échouant à convertir mécaniquement des lettres en successions de sons arbitraires que l’équipe découvrit que l’appareil auditif humain ne peut assimiler un flux de sons discrets au-delà d’un seuil critique de quelques unités par seconde sans subir une fusion cacophonique. La parole naturelle, quant à elle, franchit ce plafond d’information grâce à la coarticulation, qui encode simultanément plusieurs phonèmes dans un même segment temporel de l’onde sonore. Cette découverte fortuite transforma un projet d’ingénierie appliquée en une formidable aventure de recherche fondamentale sur les bases cognitives de la communication parlée.

3. Le dispositif expérimental fondateur : Synthèse vocale et le Pattern Playback

3.1 Fonctionnement technique du Pattern Playback

L’arme méthodologique absolue qui permit à Liberman d’établir empiriquement la perception catégorielle fut le Pattern Playback, un synthétiseur vocal photoélectrique conçu et construit par Franklin S. Cooper à la fin des années 1940. Avant cette invention, les phonéticiens étaient cantonnés à l’analyse passive de spectrogrammes de parole réelle sans pouvoir isoler ni manipuler indépendamment chaque paramètre acoustique.

Le fonctionnement du Pattern Playback était une merveille d’ingénierie électromécanique analogique. Le système projetait un faisceau lumineux modulé à travers un cylindre rotatif doté de fentes optiques qui décomposaient la lumière en harmoniques fondamentaux d’une fréquence de base (souvent fixée à 120 Hz). Ce flux lumineux traversait ensuite une feuille de cellophane ou d’acétate transparente sur laquelle les expérimentateurs avaient peint manuellement, à la peinture blanche opaque, les configurations spectrales voulues : les formants. La lumière réfléchie par ces pistes peintes était focalisée sur une cellule photoélectrique géante, qui convertissait les modulations de luminance en un courant électrique alternatif directement envoyé vers un haut-parleur.

Ce dispositif conférait aux chercheurs un contrôle paramétrique d’une rigueur absolue. Pour la première fois dans l’histoire de la science auditive, il devenait possible de synthétiser des stimuli de parole artificielle en ne faisant varier qu’un seul et unique paramètre spectral ou temporel au millimètre près, tout en maintenant l’ensemble des autres harmoniques parfaitement constants. La création de continuums acoustiques artificiels, reproductibles et étalonnés, venait de naître.

3.2 La manipulation des transitions du deuxième formant (F2)

Forts de cet appareil, Liberman et son équipe décidèrent d’isoler l’indice acoustique permettant de différencier les consonnes occlusives voisées bilabiale [b], alvéolaire [d] et vélaire [ɡ], prononcées devant une voyelle stable, typiquement la voyelle ouverte [a] ou la voyelle antérieure fermée [e]. Ils savaient que le premier formant (F1), lié au degré d’ouverture de la bouche, démarre à une fréquence très basse lors du relâchement de l’occlusion pour remonter rapidement vers la valeur de la voyelle. L’attention se concentra donc sur le deuxième formant (F2), dont la fréquence reflète la position antéro-postérieure de la langue et le lieu d’articulation.

Sur le Pattern Playback, les chercheurs ont peint un continuum artificiel composé de sons bisyllabiques ou monosyllabiques formés d’une consonne occlusive suivie d’une voyelle. Le premier formant demeurait rigoureusement identique sur toutes les bandes peintes. En revanche, ils ont modulé systématiquement la pente de la transition initiale de F2 sur une durée extrêmement brève, de l’ordre de 40 à 50 millisecondes. À une extrémité du continuum, la transition de F2 débutait très bas (par exemple vers 720 Hz) pour monter vers le palier vocalique de [a] ; au centre, elle présentait une trajectoire quasi horizontale ou légèrement descendante (autour de 1440 Hz) ; à l’autre extrémité, elle débutait très haut (vers 2160 Hz) avec une forte pente descendante.

Ce protocole permit d’élaborer un continuum acoustique de quatorze stimuli équidistants. Chaque étape physique représentait une variation géométrique strictement identique de l’angle de la transition peinte sur le rouleau d’acétate. Aucune modulation parasite d’intensité, de durée ou de fréquence fondamentale ne venait polluer le signal : l’indice distinctif minimal était ainsi isolé avec une pureté expérimentale inégalée.

3.3 Rigueur méthodologique et reproductibilité

La puissance probante des expériences d’Alvin Liberman, conduites notamment dans son étude princeps de 1957 en collaboration avec Harris, Hoffman et Griffith, reposait sur une standardisation méthodologique qui coupait court à toute contestation d’ordre technique. À une époque dominée par les distorsions des bandes magnétiques analogiques, les chercheurs durent instaurer des protocoles de calibrage thermique et mécanique quotidiens pour s’assurer que la vitesse de rotation du rouleau du Pattern Playback demeurait invariante au microgramme près.

Chaque stimulus avait une durée strictement calibrée à 300 millisecondes, avec un rapport signal sur bruit parfaitement stabilisé. Le voisement, déterminé par la mise en route synchrone de la fréquence fondamentale et du premier formant, était maintenu constant d’un bout à l’autre de la série. De plus, les enregistrements magnétiques utilisés pour les sessions d’écoute collective étaient gravés avec des intervalles de silence inter-stimuli d’une précision chronométrique, neutralisant les phénomènes de rémanence auditive périphérique.

Cette reproductibilité absolue du continuum formanciel a permis à différents laboratoires à travers le monde de reproduire les expériences et de tester des auditeurs issus de diverses cultures linguistiques. La rigueur de la synthèse vocale a prouvé que la cause des bifurcations perceptives observées ne résultait d’aucun artéfact physique ou d’un défaut matériel d’enregistrement, mais résidait exclusivement dans les mécanismes internes de décodage du système nerveux de l’auditeur.

4. La perspective de Kathryn Bock : Psycholinguistique cognitive et architecture du langage

4.1 L’apport de Bock sur l’intégration perception-production

Kathryn Bock a profondément renouvelé la psycholinguistique en démontrant que le langage ne doit pas être pensé comme deux tours d’ivoire séparées, l’une dévolue à l’écoute et l’autre à la parole, mais comme une architecture computationnelle profondément couplée. Là où les premiers travaux inspirés de Liberman pouvaient parfois laisser croire à une subordination mécanique de la perception à la biomécanique musculaire, Bock a replacé l’expérience de la perception catégorielle dans l’écologie cognitive globale de l’utilisateur de la langue.

Dans ses manuels et articles de synthèse qui ont formé plusieurs générations de chercheurs, Bock a mis en évidence le fait que les catégories phonétiques identifiées par Liberman sont les atomes informationnels indispensables à la planification linguistique. Lorsque nous planifions un énoncé, l’encodage structural et la sélection lexicale doivent ultimement converger vers des segments phonologiques non ambigus. Bock a montré que la stabilité des représentations catégorielles est la condition de possibilité de la rétroaction perceptivo-motrice (auditory-motor feedback), mécanisme par lequel un locuteur surveille et corrige en temps réel ses propres erreurs d’articulation.

En analysant les lapsus, les hésitations et les phénomènes de coarticulation sous l’angle de la production, Bock a permis de dépasser le cloisonnement entre le décodage sensoriel et l’action motrice. Pour elle, la discontinuité démontrée par Liberman n’est pas simplement une bizarrerie de l’appareil auditif confronté à des formants synthétiques, mais la manifestation directe de l’architecture symbolique et computationnelle qui sous-tend la compétence linguistique humaine.

4.2 Traitement de l’information et représentations abstraites

L’une des contributions conceptuelles majeures de Kathryn Bock consiste en sa formalisation des niveaux de représentation abstraits intervenant entre le stimulus sonore brut et la sémantique de l’énoncé. Dans le cadre théorique du traitement de l’information, le phonème n’est pas un simple faisceau d’attributs acoustiques, mais un symbole mental discret doté d’une existence autonome au sein du lexique mental.

La perception catégorielle agit, dans la modélisation de Bock, comme un mécanisme d’entrée pré-lexical qui opère une discrétisation salvatrice. Face au bruit ambiant, aux accents régionaux, aux murmures ou aux cris, ce mécanisme nettoie le signal acoustique en écrasant les variations non distinctives avant que l’information n’atteigne le niveau de la recherche lexicale. Grâce à cette numérisation précoce, les algorithmes de recherche dans la mémoire à long terme n’ont pas à gérer une variabilité infinie de formes sonores analogiques ; ils reçoivent une chaîne de représentations abstraites et discrètes, assurant un accès lexical à la fois ultra-rapide (souvent en moins de 200 millisecondes) et particulièrement économe en ressources attentionnelles.

Bock a ainsi clarifié le statut ontologique de la frontière catégorielle : elle marque la délimitation précise où le cerveau cesse de traiter une onde sonore selon ses propriétés physiques pour l’indexer en tant que pointeur abstrait adressé au dictionnaire mental. La perception catégorielle est la passerelle qui transforme la physique en sémiotique.

4.3 Méthodologie expérimentale en sciences cognitives contemporaines

En abordant les données historiques de Liberman avec le regard critique de la psychologie cognitive moderne, Kathryn Bock a également encouragé un examen rigoureux de la validité écologique des stimuli synthétisés. Si le Pattern Playback a permis des avancées historiques indéniables, Bock a souligné que les stimuli réduits à deux formants sur fond de silence constituent une situation de laboratoire hautement artificielle, très éloignée de la parole humaine enrichie de résonances nasales, de bruits de friction et de variations prosodiques dynamiques.

Pour dépasser ces limites, l’approche préconisée par Bock a consisté à marier les paradigmes psychoacoustiques classiques avec des mesures chronométriques raffinées et des tâches implicites. Au lieu de se contenter de compter les choix d’identification explicites (A versus B), les protocoles contemporains mesurent les temps de réaction à la milliseconde près, enregistrent les mouvements oculaires via l’eye-tracking lors de l’activation visuelle de cibles lexicales, et intègrent l’amorçage structural.

Cette mise en contexte moderne a révélé que la perception catégorielle n’est pas un phénomène monolithique ou rigide, mais une opération dynamique modulée par l’attention, le contexte syntaxique et la charge cognitive globale de l’auditeur. En insérant l’héritage de Liberman dans ce cadre expérimental contemporain, Bock a garanti sa pérennité tout en le préservant des écueils d’un réductionnisme acoustique dépassé.

5. Méthodologie expérimentale : Tâches d’identification et de discrimination phonémique

5.1 Le protocole de la tâche d’identification forcée

Pour cartographier empiriquement la perception catégorielle, Liberman, Harris, Hoffman et Griffith (1957) ont mis au point un protocole expérimental à deux volets devenu le standard canonique de la psycholinguistique : la tâche d’identification forcée et la tâche de discrimination. Le volet d’identification consiste à présenter aux auditeurs, dans un ordre strictement aléatoire, les différents stimuli constituant le continuum acoustique (par exemple, les 14 variations de pente de transition de F2 allant de [b] à [d], puis de [d] à [ɡ]).

Dans cette épreuve de choix forcé (forced-choice task), les sujets n’ont le droit de choisir que parmi un nombre restreint d’étiquettes phonémiques prédéterminées (par exemple, appuyer sur le bouton « B », « D » ou « G »). L’option d’un son « intermédiaire », « ambigu » ou « hybride » leur est rigoureusement refusée. Chaque stimulus du continuum est présenté à plusieurs dizaines de reprises afin d’établir une distribution statistique robuste des réponses pour chaque auditeur individuel et pour la cohorte globale.

Les résultats d’une telle tâche ne dessinent pas une ligne oblique de probabilité décroissante continue, qui traduirait une incertitude proportionnelle au changement physique. Ils prennent au contraire la forme spectaculaire d’une courbe sigmoïde logistique. Sur une vaste portion du continuum (par exemple des stimuli 1 à 4), le taux d’attribution à la catégorie [b] avoisine 100 %. Puis, sur un intervalle physique extraordinairement resserré (entre les stimuli 5 et 6), le pourcentage s’effondre de 95 % à moins de 5 %, tandis que la courbe d’identification du [d] bondit simultanément de 0 % à 100 %. Cette asymptote abrupte matérialise la frontière de catégorie phonétique.

5.2 Le paradigme de discrimination ABX et ses variantes

Si la tâche d’identification révèle la taxonomie mentale consciente du sujet, elle ne prouve pas à elle seule que l’auditeur est devenu insensible aux variations physiques internes à une catégorie : il pourrait théoriquement percevoir les différences tout en étant contraint par le système de réponse binaire. C’est ici qu’intervient le coup de génie méthodologique de Liberman : le paradigme de discrimination ABX.

Dans un essai ABX, l’auditeur entend une séquence rapide de trois stimuli acoustiques séparés par de courts silences (typiquement de 500 millisecondes). Les deux premiers sons, A et B, sont toujours différents le long du continuum acoustique et représentent un écart physique constant (par exemple, une différence fixe de deux pas sur l’échelle de synthèse, comme entre les stimuli 2 et 4, ou 5 et 7). Le troisième son, X, est physiquement identique soit à A, soit à B (les quatre configurations possibles étant ABA, ABB, BAA, BAB). La consigne donnée au sujet est purement auditive et non linguistique : il doit simplement déterminer si le troisième son ressemble au premier ou au second, sans faire référence à des consonnes ou à des lettres.

Les variantes méthodologiques incluent la tâche AX (le sujet juge si deux stimuli présentés sont identiques ou différents) et la tâche 2AFC (two-alternative forced choice). Cependant, le test ABX classique présente l’avantage d’imposer une charge de mémoire auditive à court terme qui force l’auditeur à recourir, souvent de manière involontaire, au codage abstrait de l’information pour maintenir la trace sensorielle des stimuli jusqu’à l’arrivée du stimulus X.

5.3 Prédiction théorique de la discrimination à partir de l’identification

La marque indiscutable de la perception catégorielle réside dans la corrélation mathématique directe établie entre les performances observées lors de la tâche d’identification et celles relevées lors de la tâche de discrimination. Selon le modèle théorique formulé par Alvin Liberman, si un auditeur perçoit la parole de manière purement catégorielle, sa capacité à discriminer deux sons physiquement distincts doit être intégralement prédictible à partir de la probabilité qu’il a d’assigner des étiquettes phonémiques différentes à ces deux sons.

Liberman a formalisé cette relation à travers une équation stochastique élégante. La probabilité prédite de discrimination correcte d’une paire de stimuli A et B dans une tâche ABX, notée $P(\text{Correct})$, est modélisée comme suit :

P(Correct) = 0.5 + 0.5 × [P(A ∈ C1) − P(B ∈ C1)]²

où $P(A in C_1)$ et $P(B in C_1)$ représentent les probabilités respectives que les stimuli A et B soient identifiés comme appartenant à la catégorie phonologique $C_1$ lors de la tâche d’identification. Si deux stimuli se trouvent au cœur de la même catégorie (par exemple, $P(A in C_1) = 0.98$ et $P(B in C_1) = 0.96$), la différence entre parenthèses est quasiment nulle, et la formule prédit que la discrimination tombera au niveau du hasard statistique pur, soit 50 % de réussite, bien que les deux sons présentent un écart spectral mesurable.

En revanche, si les deux stimuli enjambent la frontière de catégorie (par exemple, $P(A in C_1) = 0.90$ et $P(B in C_1) = 0.10$), la différence devient maximale (0.80), son carré atteint 0.64, et la probabilité prédite de réussite grimpe à plus de 80-90 %. L’ajustement remarquable entre les courbes de discrimination théoriquement prédites par cette formule et les courbes de discrimination empiriquement mesurées en laboratoire a constitué la preuve éclatante de la véracité du phénomène : on ne discrimine bien les sons de parole que dans la stricte mesure où on les catégorise différemment.

6. Les frontières phonétiques et la non-linéarité perceptive

6.1 Structure de la frontière de catégorie

La frontière de catégorie se caractérise par une morphologie mathématique singulière au sein du continuum perceptif. Elle se définit formellement comme le point d’équi-probabilité (ou seuil de 50 %) où la réponse perceptive oscille parfaitement entre deux étiquettes phonologiques. Mais loin d’être une zone d’incertitude floue et étalée, cette frontière se manifeste par une pente extrêmement raide, révélant une hypersensibilité différentielle du système cognitif concentrée sur une portion étroite de l’espace acoustique.

Lorsqu’un stimulus se situe exactement sur cette frontière critique, l’auditeur ne fait pas l’expérience sensorielle d’un phonème intermédiaire (comme un son qui serait à moitié [b] et à moitié [d]). Il perçoit plutôt une bistabilité perceptive, comparable à l’expérience visuelle du cube de Necker : le percept bascule d’une interprétation discrète à l’autre de manière stochastique lors des présentations successives. L’appareil perceptif refuse la continuité et impose une binarité herméneutique au signal.

Cette structure non linéaire met en lumière un effet de lentille grossissante : le système nerveux dilate artificiellement les distances acoustiques autour de la frontière phonétique tout en contractant drastiquement les mêmes distances à l’intérieur des plateaux de catégorie. Un décalage de quelques dizaines de hertz ou de quelques millisecondes de voisement, totalement inaudible en milieu de catégorie, prend une valeur décisionnelle colossale dès lors qu’il croise cette démarcation critique.

6.2 L’inhibition intra-catégorielle

Le pendant indissociable de la sensibilité trans-catégorielle est l’inhibition intra-catégorielle, souvent désignée sous le terme de compression perceptive. Deux stimuli acoustiques présentant un écart physique objectif de plusieurs dizaines de hertz dans la transition de F2, ou de 15 millisecondes dans le cas du temps d’attaque du voisement (Voice Onset Time ou VOT), sont jugés indiscernables par l’auditeur si les deux spécimens se situent du même côté de la frontière phonétique.

Ce déficit de discrimination intra-catégorielle ne découle pas d’une limite mécanique de la membrane basilaire de la cochlée. Si l’on isole la transition de F2 pour la faire entendre sous la forme d’un simple glissement de fréquence sinusoïdal pur (dépourvu de la voyelle et du formant F1), le même auditeur humain devient capable de distinguer les deux variantes avec une acuité psychoacoustique parfaite. C’est donc l’insertion du signal dans un contexte linguistique qui active une inhibition centrale des détails physiques.

D’un point de vue évolutif et computationnel, cette inhibition représente un gain d’efficacité spectaculaire. Elle permet à l’auditeur d’instaurer une constance perceptive phonémique : un [d] reste un [d], qu’il soit articulé avec nonchalance, murmuré par un enfant ou déformé par une réverbération de pièce. L’esprit détruit sciemment l’information acoustique superflue pour préserver l’invariance phonologique.

6.3 L’effet d’aimant perceptif et ses précurseurs

Les intuitions et les données empiriques recueillies par Alvin Liberman ont constitué le socle théorique sur lequel d’autres figures des sciences cognitives ont bâti des modèles plus raffinés de la structure catégorielle. Parmi ces prolongements, les travaux de Patricia Kuhl sur l’effet d’aimant perceptif (Perceptual Magnet Effect) méritent une attention particulière pour leur dialogue direct avec les postulats des Laboratoires Haskins.

Kuhl a démontré que l’espace perceptif interne d’une catégorie phonétique n’est pas plat ou homogène, mais organisé autour d’un point central d’ancrage : le prototype phonétique. Ce prototype agit comme un véritable « aimant perceptif », attirant vers lui les réalisations acoustiques voisines et réduisant encore davantage leur discernabilité. Plus un son se rapproche du prototype parfait de la catégorie, plus l’espace perceptif environnant se trouve contracté, rendant les discriminations encore plus ardues qu’à la périphérie de la catégorie.

Par ailleurs, ces travaux ont permis d’éclairer une divergence fondamentale documentée dès l’époque de Liberman : la différence de catégoricité entre les consonnes occlusives et les voyelles. Alors que les consonnes occlusives démontrent une perception catégorielle quasi pure (marquée par une incapacité totale à discriminer en zone intra-catégorielle), la perception des voyelles stables (comme [i], [a], [u]) s’avère beaucoup plus continue. Les voyelles possèdent une énergie acoustique supérieure, une durée temporelle plus longue et peuvent être maintenues stationnaires, ce qui permet à la mémoire auditive sensorielle non linguistique de persister plus longtemps et d’offrir une base de discrimination fine indépendante des étiquettes catégorielles.

7. La Théorie Motrice de la parole selon Alvin Liberman

7.1 Le postulat du module spécialisé de décodage

Pour rendre compte de l’ensemble des données expérimentales accumulées aux Laboratoires Haskins, Alvin Liberman a postulé l’existence chez l’être humain d’un module cognitif dédié et inné, entièrement dévolu au décodage de la parole. Ce postulat s’inscrivait de manière synchrone dans le courant de la modularité de l’esprit, qui allait être formalisé quelques années plus tard par le philosophe Jerry Fodor. Selon Liberman, le traitement phonétique ne saurait être le sous-produit d’un apprentissage associatif dérivé de l’audition générale ; il exige une architecture biologique spécialisée façonnée par l’évolution.

Ce module spécialisé est régi par ce que Liberman a nommé le « mode parole » (speech mode). Lorsqu’un stimulus acoustique présente les signatures formantielles et les relations temporelles propres à la production vocale humaine, le système nerveux central débraye automatiquement les circuits de la psychoacoustique générale pour aiguiller le signal vers ce processeur phonétique dédié. Ce découplage fonctionnel fondamental implique que deux signaux acoustiquement équivalents peuvent être traités selon des logiques computationnelles radicalement différentes selon qu’ils sont interprétés comme des sons de parole ou comme des bruits inanimés.

Le module de Liberman est imperméable aux représentations conscientes : l’auditeur ne peut pas décider volontairement de désactiver son mode parole lorsqu’il entend sa langue maternelle. La catégorisation s’opère de manière automatique, irrépressible et quasi instantanée, fournissant à la conscience le produit fini du calcul — le phonème — tout en rendant inaccessibles les étapes intermédiaires de l’analyse acoustique de bas niveau.

7.2 Les gestes articulatoires comme invariants fondamentaux

La pièce maîtresse de la Théorie Motrice de Liberman réside dans sa définition des unités ultimes du système linguistique : ce ne sont ni des spectrogrammes, ni des cibles auditives, mais des gestes articulatoires (articulatory gestures). Un geste articulatoire correspond à une action motrice coordonnée de l’appareil phonatoire orientée vers un but dynamique : l’accolement des lèvres pour former une fermeture bilabiale, l’élévation de la lame de la langue contre les alvéoles, ou la rétraction de la racine linguale vers le pharynx.

Cette approche gestuelle résolvait élégamment le problème de l’absence d’invariance. Bien que le signal acoustique varie perpétuellement en raison de la coarticulation, le geste moteur sous-jacent, lui, conserve une identité topologique invariante. Le système auditif humain est biologiquement câblé pour calculer une analyse par synthèse : il décode l’onde acoustique en inversant les équations physiques du conduit vocal pour déduire les mouvements moteurs qui l’ont produite. L’auditeur perçoit les gestes comme s’il était lui-même en train d’articuler silencieusement les sons entendus.

Dans ce modèle, le système de perception de la parole fonctionne comme le miroir direct de l’appareil de production. Cette intuition avant-gardiste postulait une équivalence neurofonctionnelle entre percevoir et agir bien avant que l’imagerie cérébrale ne commence à en révéler les corrélats anatomiques réels, anticipant de manière saisissante les discussions modernes sur les systèmes de résonance sensorimotrice.

7.3 Évolution et révisions de la théorie motrice

Face à l’avalanche de données contradictoires et de critiques empiriques accumulées au cours des années 1970, Alvin Liberman et Robert Mattingly ont proposé en 1985 une version révisée de la Théorie Motrice (The Motor Theory of Speech Perception Revised). Cette actualisation majeure visait à répondre à l’argument massue soulevé par les physiologistes : les mouvements cinématiques réels de la langue et des lèvres sont eux-mêmes soumis à une immense variabilité spatio-temporelle et ne présentent pas une invariance absolue supérieure à celle des signaux acoustiques.

Pour surmonter cette contradiction, Liberman et Mattingly ont déplacé l’invariant phonétique du plan périphérique des mouvements musculaires effectifs vers le plan central des « commandes motrices intentionnelles » (intended articulatory gestures). Les objets de la perception ne sont plus les trajectoires mécaniques réelles des articulateurs — lesquelles subissent les contraintes d’inertie physique et de coarticulation —, mais les ordres neuromoteurs abstraits générés par le système nerveux central pour orchestrer ces mouvements.

Cette redéfinition plus abstraite a conféré à la Théorie Motrice une robustesse accrue en la dégageant des contingences anatomiques immédiates, mais elle a également exposé le modèle à des critiques épistémologiques sur sa réfutabilité. En situant l’invariance dans des intentions motrices internes inobservables directement à l’époque, la théorie a suscité une intense émulation scientifique, poussant ses détracteurs comme ses partisans à concevoir de nouveaux protocoles d’expérimentation psychoacoustique et neuropsychologique.

8. La relecture critique et l’intégration des travaux par Kathryn Bock

8.1 L’analyse critique des biais méthodologiques

Kathryn Bock a apporté une contribution décisive à l’épistémologie de la parole en soumettant les protocoles fondateurs de Liberman à une critique méthodologique rigoureuse. L’un des points névralgiques de son analyse concerne la tâche de discrimination ABX elle-même. Bock et d’autres psycholinguistes de sa génération ont souligné que le paradigme ABX impose une charge disproportionnée à la mémoire de travail acoustique : le sujet doit écouter le son A, puis le son B, retenir leurs caractéristiques sensorielles pendant plusieurs centaines de millisecondes, écouter le son X, et opérer une comparaison rétroactive.

Or, la trace de la mémoire auditive sensorielle (la mémoire échoïque) s’estompe avec une extrême rapidité, typiquement en moins de quelques centaines de millisecondes pour des transitions de formants non soutenues. Par conséquent, dans un paradigme ABX, lorsque le stimulus X arrive, la trace acoustique brute de A s’est déjà évaporée ; l’auditeur est alors structurellement forcé de s’appuyer sur l’étiquette verbale discrète qu’il a spontanément forgée dans son esprit lors de l’écoute de A et B pour effectuer son jugement. La perception catégorielle observée ne refléterait donc pas nécessairement une incapacité auditive primaire à entendre les différences, mais résulterait en partie d’un biais mnésique introduit par l’architecture même de la tâche expérimentale.

Pour tester cette vulnérabilité, Bock s’est appuyée sur des variantes procédurales comme les tâches de discrimination 4IAX (quatre intervalles, deux paires présentées en succession rapide) ou des tâches d’adaptation continue. Ces protocoles alternatifs, qui minimisent le recours à la verbalisation interne et soulagent la mémoire de travail, ont révélé que les auditeurs conservent une sensibilité subliminale non négligeable aux variations physiques intra-catégorielles. La frontière n’est donc pas une barrière sensorielle infranchissable, mais un filtre décisionnel cognitif.

8.2 Le rôle du contexte linguistique supérieur

L’autre rupture majeure incarnée par Kathryn Bock réside dans son insistance sur la dynamique interactive entre les flux de traitement ascendants (bottom-up) et descendants (top-down). Les travaux originaux de Liberman avaient délibérément isolé des syllabes dépourvues de signification ([ba], [da], [ɡa]) afin de neutraliser tout effet sémantique. Or, Bock a démontré que dans la communication humaine réelle, la perception phonétique n’opère jamais dans un vide lexical ou conceptuel.

L’un des exemples les plus éclatants de cette intégration descendante analysée par Bock est l’effet Ganong (1980). Lorsqu’un continuum acoustique oscillant entre un son non voisé (par exemple [t]) et un son voisé (par exemple [d]) est greffé sur une terminaison qui ne produit un mot réel que dans l’une des deux configurations (comme « _ash », qui donne « dash » ou « *tash »), la frontière de catégorie se déplace mécaniquement le long de l’axe physique. Les auditeurs acceptent une transition de voisement beaucoup plus proche du pôle acoustique de [t] tout en continuant à déclarer entendre [d], simplement parce que le lexique mental exerce une pression normative sur la perception.

Bock a articulé ces observations pour soutenir que les catégories phonétiques sont plastiques, flexibles et poreuses aux attentes linguistiques globales. Le décodage phonémique n’est pas une étape séquentielle fermée qui s’achève avant que le traitement syntaxique et sémantique ne commence : il s’agit d’une négociation permanente entre les indices de bas niveau issus de la cochlée et les représentations supérieures de la mémoire de travail linguistique.

8.3 La coordination dynamique entre production et compréhension

L’apport le plus personnel et novateur de Kathryn Bock réside sans conteste dans sa théorie de l’amorçage structural (structural priming) et dans sa modélisation de la coordination dynamique entre production et compréhension. Là où Liberman voyait une subordination stricte de la perception à la motricité phonatoire, Bock a proposé une vision bidirectionnelle et unifiée des architectures de traitement du langage.

Bock a démontré que l’activation d’un schéma phonologique ou syntaxique lors de la phase de compréhension modifie immédiatement la propension du locuteur à utiliser ce même schéma lors de la phase de production ultérieure, et inversement. Dans son modèle, les représentations phonémiques catégorisées ne sont pas l’apanage d’un système récepteur passif ; elles constituent l’alphabet symbolique commun par lequel les processus de monitoring de la production verbale supervisent le déroulement moteur de l’élocution.

Cette approche a permis de réconcilier l’héritage expérimental de Haskins avec les théories cognitives computationnelles. Il n’est point besoin d’adhérer à la version littérale de la Théorie Motrice — qui postulait que l’auditeur reproduit neurologiquement chaque geste moteur pour comprendre une parole — pour admettre la pertinence d’un système communicatif unifié. Bock montre que la perception catégorielle est la modalité opératoire indispensable permettant à un système biologique complexe de faire communiquer sans heurt son système de lecture auditive avec son système de génération d’actions motrices.

9. Débats théoriques : Perception auditive générale versus module spécialisé

9.1 La position auditiviste et les contre-exemples empiriques

La publication des théories de Liberman a déclenché l’une des plus célèbres controverses des sciences cognitives, connue sous le nom du débat « auditiviste versus motoriste ». Des chercheurs éminents, emmenés par Dominic Massaro, Randy Diehl et Keith Kluender, ont farouchement contesté l’affirmation selon laquelle la perception catégorielle requerrait un « mode parole » spécialisé ou un accès à des commandes motrices. Ils ont défendu l’approche de l’audition générale, affirmant que la perception catégorielle découle entièrement des propriétés psychoacoustiques intrinsèques du système auditif périphérique des mammifères.

Pour étayer leur position, les auditivistes ont multiplié les contre-exemples empiriques spectaculaires en démontrant l’existence d’une perception catégorielle sur des stimuli acoustiques non linguistiques dépourvus de tout geste articulatoire humain. James Cutting et Peter Rosner (1974) ont ainsi mis en évidence une perception catégorielle rigoureuse sur un continuum de temps d’attaque d’ondes en dents de scie imitant le pincement (pluck) versus le frottement de l’archet (bow) d’un violon. De même, des expériences exploitant des accords musicaux ou des bruits de bips modulés ont révélé des frontières de discrimination abruptes et des creux intra-catégoriels comparables en tous points à ceux observés sur les consonnes de Liberman.

Selon l’école de l’audition générale, ce n’est pas le système auditif qui s’est adapté à la parole humaine en développant un module miraculeux ; ce sont les langues humaines qui ont évolué au fil des millénaires pour aligner leurs contrastes phonémiques majeurs sur les discontinuités psychoacoustiques préexistantes de l’appareil auditif des vertébrés. Les frontières phonétiques ne seraient donc rien d’autre que l’exploitation sémiotique de failles de sensibilité sensorielles naturelles.

9.2 La perception de la parole chimérique et duplex

Pour répliquer à l’assaut des partisans de l’audition générale, Alvin Liberman et ses collaborateurs ont conçu l’une des expériences les plus fascinantes de la psychophysique moderne : le paradigme de la perception duplex (Rand, 1974 ; Liberman et al., 1981). Ce protocole visait à démontrer la coexistence simultanée et découplée des deux modes de traitement — le mode auditif général et le mode parole — au sein du même cerveau confronté au même stimulus physique.

Le dispositif expérimental de la perception duplex consiste à découper artificiellement une syllabe synthétique en deux éléments acoustiques complémentaires. Dans une oreille de l’auditeur, on injecte la « base » de la syllabe, constituée du premier formant (F1) et des parties stables du deuxième et troisième formant (F2/F3), un complexe acoustique perçu isolément comme une syllabe ambiguë dénuée de consonne nette. Dans l’autre oreille, on présente simultanément une transition formancielle isolée de quelques dizaines de millisecondes (le « chirp »), qui ressemble à un bref sifflement d’oiseau totalement non linguistique lorsqu’elle est entendue seule.

Le résultat perceptif est saisissant : le cerveau fusionne les deux signaux dichotiques pour faire entendre sans ambiguïté une consonne linguistique nette (par exemple [da]), démontrant que le chirp a été intégré dans le calcul phonétique. Mais dans le même instant phénoménologique exact, l’auditeur continue d’entendre distinctement dans l’autre oreille le sifflement pur, non linguistique, du chirp ! Le même indice physique est donc traité deux fois au même moment : une fois par le module auditif général comme un bruit non linguistique, et une fois par le module spécialisé de la parole comme un indice articulatoire consonantique. Pour Liberman, ce phénomène de duplexité constituait la preuve irréfutable de la réalité d’un mode parole autonome.

9.3 Plasticité des frontières et effets d’apprentissage

Un autre défi théorique de taille adressé à la conception fixiste du module phonétique concerne la plasticité expérimentale des frontières de catégorie. Si le module était un processeur inné et immuable, les frontières perceptives devraient faire preuve d’une stabilité absolue en laboratoire. Or, des protocoles d’adaptation sélective ont rapidement démenti cette rigidité mécanique.

Dès les années 1970, Peter Eimas et John Corbit ont démontré que si l’on soumet un auditeur à la répétition intensive d’un stimulus phonétique situé à une extrémité du continuum (par exemple, entendre la consonne [b] répétée plusieurs centaines de fois), la frontière de catégorie d’identification se déplace significativement en direction de ce stimulus adaptateur. Tout se passe comme si les détecteurs neuronaux spécifiques du voisement subissaient une fatigue ou une désensibilisation sélective, exigeant un indice physique plus fort pour déclencher à nouveau la même décision catégorielle.

De plus, des protocoles modernes d’entraînement perceptif ont démontré que des auditeurs adultes peuvent apprendre, en l’espace de quelques séances d’écoute assistée par rétroaction, à déplacer leurs frontières phonétiques ou à créer de nouvelles subdivisions catégorielles auparavant invisibles pour eux. Cette malléabilité neurocognitive a conduit les psycholinguistes contemporains, dans le sillage de Kathryn Bock, à envisager les catégories non pas comme des récepteurs câblés une fois pour toutes dans le silicium cérébral, mais comme des attracteurs dynamiques hautement plastiques et ajustables en temps réel.

10. Comparaisons interspécifiques et développementales

10.1 La perception catégorielle chez le nourrisson

L’une des étapes les plus retentissantes de l’histoire de la psychologie du développement a été franchie lorsque Peter Eimas, Einar Siqueland, Peter Jusczyk et James Vigorito ont publié leur article séminal dans la revue Science en 1971, démontrant l’existence de la perception catégorielle chez le nourrisson humain dès l’âge d’un à quatre mois. Cette découverte a profondément ébranlé le paysage théorique de l’époque.

Pour mesurer la discrimination chez des bébés incapables de presser un bouton ou d’émettre un jugement verbal, Eimas et ses collègues ont utilisé le paradigme de succion non nutritive assistée par ordinateur. Le principe repose sur l’habituation et la désaccoutumance : un nourrisson tète vigoureusement une tétine connectée à un capteur de pression lorsqu’un son nouveau et captivant est diffusé à chaque succion. Au bout de quelques minutes, le stimulus sonore devenant répétitif, le rythme de succion diminue significativement par phénomène d’habituation.

À cet instant précis, les expérimentateurs présentent un nouveau stimulus sonore situé à une distance acoustique constante le long du continuum de temps d’attaque du voisement (VOT). Si le nouveau son se situe au-delà de la frontière phonologique adulte (passage de [ba] à [pa]), le bébé désaccoutume immédiatement et se remet à téter avec frénésie. En revanche, si la variation physique est de même amplitude mais demeure confinée à l’intérieur de la catégorie [ba], le nourrisson reste habitué et ne réagit pas. Cette mise en évidence d’une discontinuité perceptive quasi identique à celle des adultes chez des nourrissons âgés de quelques semaines a prouvé que la perception catégorielle ne découle pas d’un apprentissage linguistique articulatoire progressif, portant un coup dévastateur à la première mouture de la Théorie Motrice de Liberman.

10.2 L’attrition perceptive et le rôle de l’expérience linguistique

La découverte de compétences catégorielles précoces chez le nourrisson a immédiatement soulevé une question vertigineuse : comment ces frontières se reconfigurent-elles pour s’adapter à la phonologie de la langue maternelle de l’enfant ? C’est à Janet Werker et Richard Tees (1984) que l’on doit les expériences canoniques démontrant le phénomène d’attrition perceptive ou d’accordage perceptif (perceptual narrowing).

À l’aide de paradigmes de rotation de la tête conditionnée, Werker et Tees ont testé des bébés anglophones âgés de 6 à 8 mois sur des contrastes phonémiques totalement absents de l’anglais, mais pertinents dans d’autres langues, comme le contraste rétroflexe versus dental du hindi ([ʈa] versus [ta]) ou le contraste vélaire versus uvulaire de la langue salish de Thompson ([kʼa] versus [qʼa]). À cet âge tendre, les nourrissons sont des « linguistes universels » : ils discriminent avec une facilité insolente tous les contrastes phonologiques du monde entier, là où leurs propres parents anglophones adultes se révèlent totalement sourds à ces subtilités acoustiques.

Or, lorsqu’on reteste les mêmes enfants à l’âge de 10-12 mois, cette sensibilité universelle s’est volatilisée. Sous l’effet de l’exposition continue à l’anglais ambiant et de l’absence de renforcement statistique des contrastes exotiques, les catégories perceptives se resserrent et se fixent sur la phonotactique de la langue native. Comme l’a abondamment souligné Kathryn Bock, ce rétrécissement perceptif n’est pas un déclin déficitaire de l’acuité auditive, mais une adaptation cognitive optimale : le cerveau élimine activement les frontières inutiles pour canaliser l’ensemble de sa bande passante computationnelle vers l’apprentissage lexical et syntaxique de sa communauté linguistique.

10.3 Études animales et phylogenèse de l’audition

Si la démonstration d’Eimas chez le nourrisson avait contraint la Théorie Motrice à une profonde révision, les découvertes de Patricia Kuhl et James Miller en 1975 allaient sonner comme une déflagration théorique supplémentaire. Kuhl et Miller ont réussi à conditionner des rongeurs — en l’occurrence des chinchillas (Kuhl & Miller, 1975, Science) — à discriminer des stimuli de parole le long d’un continuum de VOT variant de [da] à [ta].

Les résultats furent sans appel : les courbes psychométriques d’identification obtenues chez le chinchilla étaient rigoureusement superposables à celles des sujets humains adultes. La frontière phonétique calculée chez le rongeur se situait exactement au même niveau temporel physique (environ +35 millisecondes de VOT). Des résultats analogues ont ensuite été documentés chez les singes macaques, et même chez des vertébrés non mammaliens dépourvus de tout néocortex, tels que les cailles japonaises (Kluender et al., 1987) entraînées à catégoriser des occlusives suivies de diverses voyelles.

Ces données phylogénétiques ont démontré sans équivoque que la discontinuité sous-tendant la perception catégorielle de nombreux contrastes phonétiques n’a pas été forgée de novo par un module linguistique humain exclusif connecté à des organes phonatoires inexistants chez le chinchilla ou l’oiseau. Les Laboratoires Haskins ont dû concéder que le système phonétique s’est greffé au cours de l’hominisation sur des propriétés fonctionnelles ancestrales du système auditif des tétrapodes, même si la Théorie Motrice révisée a continué de soutenir que l’humain exploite ces capacités au sein d’une architecture symbolique unique au monde.

11. Implications pour les neurosciences cognitives du langage

11.1 Corrélats électrophysiologiques de la frontière catégorielle

L’essor de l’électroencéphalographie (EEG) à haute densité et de la magnétoencéphalographie (MEG) a permis d’explorer les bases neurophysiologiques de la perception catégorielle avec une résolution temporelle de l’ordre de la milliseconde. Le marqueur électrophysiologique par excellence de ce traitement est le potentiel évoqué de disparité (Mismatch Negativity ou MMN), découvert et théorisé par Risto Näätänen.

La MMN est une onde cérébrale négative automatique qui émerge entre 150 et 250 millisecondes après l’occurrence d’un stimulus sonore déviant au sein d’une séquence répétitive de stimuli standards (paradigme oddball). Ce qui rend la MMN cruciale pour notre propos est son comportement vis-à-vis des frontières phonétiques : si l’on présente une séquence de déviants séparés par une distance acoustique rigoureusement constante, l’amplitude de la MMN est considérablement plus vaste et plus précoce lorsque la différence enjambe la frontière de catégorie que lorsque la même variation physique se produit à l’intérieur de la catégorie phonémique.

Cette signature corticale pré-attentionnelle prouve que la catégorisation phonétique n’est pas le résultat d’une décision métacognitive tardive ou d’une délibération stratégique consciente. Dès les premiers relais corticaux temporaux, le cerveau humain applique une métrique phonologique automatisée au signal acoustique entrant, confirmant l’intuition de Liberman et Bock quant au statut fondamentalement précoce de l’abstraction catégorielle.

11.2 Neuro-imagerie fonctionnelle et substrats anatomiques

Grâce à l’imagerie par résonance magnétique fonctionnelle (IRMf) et à l’imagerie TEP, les neurosciences contemporaines ont pu cartographier avec précision les réseaux neuronaux engagés dans la résolution des continuums phonémiques. Les résultats convergent vers le rôle pivot du gyrus temporal supérieur (STG) et du sillon temporal supérieur (STS) de l’hémisphère gauche.

Des études d’enregistrement électrocorticographique direct (ECoG) intracrânien chez des patients épileptiques éveillés (notamment les travaux menés par l’équipe d’Edward Chang à l’UCSF) ont révélé que les populations de neurones du cortex auditif primaire de Heschl encodent les caractéristiques physiques spectrales de l’onde sonore de manière continue, mais que dès le relais vers le STG latéral, l’organisation spatiale des réponses neurales adopte une topographie entièrement discrète et catégorisée. Les neurones s’allument sélectivement pour des traits distinctifs (fermeture bilabiale, voisement, aperture) en ignorant superbement les variations formantielles continues.

Parallèlement, les zones motrices et prémotrices frontales (aire de Broca, cortex prémoteur ventral) s’activent de façon marquée lors de tâches d’écoute attentive ou de discrimination phonémique en milieu bruité. La découverte du système des neurones miroirs a un temps semblé offrir un substrat anatomique rêvé à la Théorie Motrice de Liberman, suggérant que l’écoute du son vocal active automatiquement les représentations motrices homologues. Si les modèles contemporains nuancent l’automaticité de ce couplage, la participation active des réseaux sensorimoteurs fronto-temporaux à la perception de la parole est aujourd’hui un fait neuroscientifique solidement établi.

11.3 Modèles contemporains à double voie

La synthèse neurofonctionnelle moderne la plus aboutie pour clore le débat séculaire entre Liberman et ses détracteurs est le modèle à double voie de Gregory Hickok et David Poeppel (Hickok & Poeppel, 2007, Nature Reviews Neuroscience). Ce modèle propose une architecture cérébrale distribuée qui réconcilie avec élégance la théorie de l’audition générale et la théorie motrice.

Selon ce cadre théorique, le traitement acoustico-phonétique initial opéré dans le gyrus temporal supérieur se bifurque en deux flux computationnels distincts :

• La voie ventrale (voie du « quoi ») : Elle se projette bilatéralement vers les lobes temporaux moyens et inférieurs pour mapper les représentations phonétiques sur les représentations lexicales, sémantiques et conceptuelles. C’est la voie dominante de la compréhension courante du langage, capable d’assurer le décodage de la parole sans aucune assistance motrice frontale obligatoire.
• La voie dorsale (voie du « comment ») : Fortement latéralisée à l’hémisphère gauche, elle relie les structures auditives temporales supérieures au cortex prémoteur frontal et à l’aire de Broca via la zone sylvienne pariéto-temporale (SPT). Cette voie assure la conversion directe des représentations acoustiques en codes articulatoires moteurs.

Dans cette architecture contemporaine, l’expérience de Liberman et les réévaluations de Kathryn Bock trouvent leur plein accomplissement. La voie dorsale incarne exactement l’interface motrice pressentie par Liberman, mobilisée lors de la discrimination active, de la mémoire à court terme et de l’apprentissage phonologique, tandis que la voie ventrale opère la catégorisation rapide indispensable à la fluidité de la compréhension analysée par Bock. La controverse historique se dissout ainsi dans une synthèse modulaire et interconnectée.

12. Héritage contemporain et prolongements en psycholinguistique

12.1 Applications cliniques et troubles du traitement phonologique

L’élucidation des mécanismes de la perception catégorielle a ouvert des perspectives thérapeutiques majeures dans le domaine de l’orthophonie, de la neuropsychologie du développement et de la pédopsychiatrie. Il est aujourd’hui avéré que de nombreuses pathologies du développement du langage sont intimement corrélées à une fragilisation des frontières phonétiques.

Dans la dyslexie développementale, de multiples études ont documenté ce que les cliniciens appellent des « frontières catégorielles affaissées » ou étalées. Les enfants dyslexiques ont tendance à présenter des courbes d’identification moins pentues (asymptotes adoucies) et, de manière concomitante, une acuité de discrimination trans-catégorielle inférieure à la normale doublée d’une sensibilité paradoxalement accrue aux variations physiques intra-catégorielles. Incapables d’écraser le bruit acoustique pour stabiliser le prototype phonémique, ces enfants peinent à associer un graphème stable à un phonème mal délimité dans leur lexique mental.

Des anomalies similaires de la catégorisation ont été observées dans les troubles spécifiques du langage (TSL ou dysphasie). La compréhension de ces déficits a permis de concevoir des logiciels et des protocoles de remédiation auditive ciblés, reposant sur l’amplification artificielle et le ralenti temporel des transitions de formants peintes ou synthétisées. En ré-entraînant la plasticité cérébrale à restaurer des frontières catégorielles abruptes, ces thérapies cognitives améliorent significativement le pronostic de lecture et d’intégration verbale des jeunes patients.

12.2 Technologies de reconnaissance automatique de la parole

L’ombre portée d’Alvin Liberman et des synthèses de Kathryn Bock s’étend avec éclat sur le champ de l’intelligence artificielle et du traitement automatique du langage naturel (TALN). Pendant des décennies, les ingénieurs concevant des systèmes de reconnaissance vocale automatique (ASR) ont trébuché sur le même écueil que les pionniers des Laboratoires Haskins : l’absence d’invariance dans le signal physique.

Les approches historiques fondées sur des modèles de Markov cachés (HMM) complétés par des modèles de mélanges gaussiens (GMM) ont tenté d’intégrer formellement des règles de coarticulation pour émuler les sauts catégoriels humains. Mais la véritable rupture computationnelle est survenue avec l’avènement des réseaux de neurones profonds (Deep Neural Networks) et des modèles auto-supervisés récents de type wav2vec 2.0 ou Whisper.

De manière fascinante, lorsqu’on analyse les représentations géométriques latentes internes de ces immenses réseaux de neurones artificiels entraînés sur des milliers d’heures de parole non étiquetée, on observe une émergence spontanée de clusters catégoriels non linéaires. Les couches profondes du réseau compressent l’espace latent des variations de voix et d’accents pour créer des discontinuités topologiques identiques aux frontières phonétiques humaines. De même, les modèles modernes de synthèse vocale (text-to-speech) exploitent des représentations neuronales pré-lexicales discrètes calquées sur les architectures cognitives modélisées par Kathryn Bock, prouvant la justesse intemporelle de ces découvertes psycholinguistiques.

12.3 Bilan épistémologique : La pérennité d’une controverse fondatrice

Sept décennies après les premiers tracés d’acétate passés sous la cellule photoélectrique du Pattern Playback, l’expérience de la perception catégorielle d’Alvin Liberman conserve un statut canonique au sein des sciences cognitives. Si l’affirmation radicale d’un couplage moteur moteur absolu a été modérée par les découvertes phylogénétiques et développementales, le constat phénoménologique et computationnel de départ demeure inébranlable : le cerveau humain transforme la continuité analogique du monde en discrétion numérique au service de la pensée symbolique.

Dans ce paysage intellectuel fascinant, les écrits de Kathryn Bock ont joué un rôle de passerelle indispensable. En intégrant la perception catégorielle dans la mécanique complexe de la génération d’énoncés, de l’amorçage structural et de l’organisation du lexique mental, Bock a préservé les découvertes de Liberman des impasses d’un réductionnisme acoustique ou physiologique étroit. Elle a démontré que la frontière phonétique est bien plus qu’un artéfact psychoacoustique de laboratoire : elle est la clé de voûte de l’économie computationnelle du langage humain.

La pérennité de cette controverse fondatrice témoigne de la vitalité de la psycholinguistique expérimentale. L’étude de la parole continue de nous enseigner que notre réalité perceptive n’est pas une simple copie photographique du monde physique extérieur, mais une reconstruction active, sculptée conjointement par des millions d’années d’évolution biologique, par la morphologie de notre cerveau et par les contraintes sémiotiques de notre univers communicatif.

Références

• Bock, K. (1986). Syntactic persistence in language production. Cognitive Psychology, 18(3), 355–387. https://doi.org/10.1016/0010-0285(86)90004-6
• Bock, K., & Levelt, W. (1994). Language production: Grammatical encoding. In M. A. Gernsbacher (Ed.), Handbook of Psycholinguistics (pp. 945–984). Academic Press.
• Cutting, J. E., & Rosner, B. S. (1974). Categories and boundaries in speech and music. Perception & Psychophysics, 16(3), 564–570. https://doi.org/10.3758/BF03198588
• Diehl, R. L., Lotto, A. J., & Holt, L. L. (2004). Speech perception. Annual Review of Psychology, 55, 149–179. https://doi.org/10.1146/annurev.psych.55.090902.142028
• Eimas, P. D., & Corbit, J. D. (1973). Selective adaptation of linguistic feature detectors. Cognitive Psychology, 4(1), 99–109. https://doi.org/10.1016/0010-0285(73)90006-6
• Eimas, P. D., Siqueland, E. R., Jusczyk, P., & Vigorito, J. (1971). Speech perception in infants. Science, 171(3968), 303–306. https://doi.org/10.1126/science.171.3968.303
• Ganong, W. F. (1980). Phonetic categorization in auditory word perception. Journal of Experimental Psychology: Human Perception and Performance, 6(1), 110–125. https://doi.org/10.1037/0096-1523.6.1.110
• Hickok, G., & Poeppel, D. (2007). The cortical organization of speech processing. Nature Reviews Neuroscience, 8(5), 393–402. https://doi.org/10.1038/nrn2113
• Kuhl, P. K. (1991). Human adults and human infants show a « perceptual magnet effect » for the sounds of speech; Monkeys do not. Perception & Psychophysics, 50(2), 93–107. https://doi.org/10.3758/BF03212211
• Kuhl, P. K., & Miller, J. D. (1975). Speech perception by the chinchilla: Voiced-voiceless distinction in alveolar plosive consonants. Science, 190(4209), 69–72. https://doi.org/10.1126/science.1166301
• Kluender, K. R., Diehl, R. L., & Killeen, P. R. (1987). Japanese quail can categorize Japanese vowels. Science, 237(4819), 1195–1197. https://doi.org/10.1126/science.3629235
• Liberman, A. M. (1957). Some results of research on speech perception. The Journal of the Acoustical Society of America, 29(1), 117–123. https://doi.org/10.1121/1.1908635
• Liberman, A. M., Cooper, F. S., Shankweiler, D. P., & Studdert-Kennedy, M. (1967). Perception of the speech code. Psychological Review, 74(6), 431–461. https://doi.org/10.1037/h0020279
• Liberman, A. M., Harris, K. S., Hoffman, H. S., & Griffith, B. C. (1957). The discrimination of speech sounds within and across phoneme boundaries. Journal of Experimental Psychology, 54(5), 358–368. https://doi.org/10.1037/h0044417
• Liberman, A. M., Isenberg, D., & Rakerd, B. (1981). Duplex perception of cues for stop consonants: Evidence for a phonetic mode. Perception & Psychophysics, 30(2), 133–143. https://doi.org/10.3758/BF03204471
• Liberman, A. M., & Mattingly, I. G. (1985). The motor theory of speech perception revised. Cognition, 21(1), 1–36. https://doi.org/10.1016/0010-0277(85)90021-6
• Massaro, D. W. (1987). Speech perception by ear and eye: A paradigm for psychological inquiry. Lawrence Erlbaum Associates.
• Näätänen, R., Lehtokoski, A., Lennes, M., Cheour, M., Huotilainen, M., Iivonen, A., Vainio, M., Alku, P., Ilmoniemi, R. J., Luuk, A., Allik, J., Sinkkonen, J., & Alho, K. (1997). Language-specific phoneme representations revealed by electric and magnetic brain responses. Nature, 385(6615), 432–434. https://doi.org/10.1038/385432a0
• Rand, T. C. (1974). Dichotic release from masking for speech. The Journal of the Acoustical Society of America, 55(3), 678–680. https://doi.org/10.1121/1.1914584
• Werker, J. F., & Tees, R. C. (1984). Cross-language speech perception: Evidence for perceptual reorganization during the first year of life. Infant Behavior and Development, 7(1), 49–63. https://doi.org/10.1016/S0163-6383(84)80022-3