Théorie motrice de la perception de la parole – Alvin Liberman

La question de savoir comment le cerveau humain parvient à transformer une onde acoustique continue, bruitée et fugitive en unités linguistiques discrètes constitue l’une des énigmes les plus stimulantes des sciences cognitives, de la linguistique et des neurosciences contemporaines. Lorsque nous écoutons un locuteur s’exprimer, nos tympans sont sollicités par d’incessantes fluctuations de pression atmosphérique. Pourtant, notre conscience perceptive n’enregistre nullement une modulation analogique brute : nous extrayons spontanément des phonèmes, des syllabes, des mots et des propositions signifiantes. L’apparente fluidité de cette opération masque une complexité computationnelle vertigineuse, car le signal acoustique émis ne contient aucune frontière physique nette séparant les sons successifs de la parole. Les indices phonétiques s’enchevêtrent, se chevauchent et varient drastiquement en fonction du contexte phonétique, du débit, de l’état émotionnel et de la morphologie de l’appareil vocal de l’émetteur.

Face à cet abîme conceptuel entre l’hétérogénéité physique du stimulus et la constance du percept, la phonétique acoustique classique s’est heurtée, dès le milieu du XXe siècle, à l’impasse du « problème de l’invariance ». C’est au cœur de cette crise théorique qu’a émergé, au sein des prestigieux Laboratoires Haskins, une proposition révolutionnaire formulée par le psychologue américain Alvin Liberman et ses collaborateurs : la Théorie Motrice de la Perception de la Parole (Motor Theory of Speech Perception). Loin de concevoir l’audition de la parole comme un simple décodage auditif périphérique d’invariants acoustiques cachés, Liberman a opéré un renversement épistémologique copernicien en postulant que les véritables objets de la perception de la parole ne sont pas des sons, mais des intentions motrices et des gestes articulatoires.

Selon cette perspective radicale, percevoir la parole consiste à mobiliser nos propres modèles internes d’articulation vocale pour reconstruire les gestes de l’interlocuteur. L’auditeur ne se contente pas d’écouter passivement ; il simule, à un niveau neurobiologique profond, les actions motrices nécessaires pour générer le signal acoustique perçu. En unifiant de manière indissociable la production et la perception au sein d’un même répertoire sensorimoteur, Alvin Liberman a jeté les bases d’une controverse fondatrice qui, pendant plus d’un demi-siècle, a nourri la linguistique, stimulé les théories de la cognition incarnée et anticipé la découverte des neurones miroirs. Cet article propose une exploration intégrale et approfondie de cette théorie monumentale, de sa genèse historique à ses répercussions contemporaines en neurobiologie, en phonologie et en intelligence artificielle.

1. Introduction et genèse historique de la théorie motrice

L’histoire de la théorie motrice est indissociable de l’aventure intellectuelle et technologique de l’après-Seconde Guerre mondiale, période marquée par l’émergence conjointe de la cybernétique, de la théorie de l’information et des premières architectures informatiques. C’est dans ce terreau fertile que la question de la communication humaine a commencé à être interrogée avec les outils de l’ingénierie et de la psychophysique expérimentale.

1.1 Le contexte scientifique des laboratoires Haskins

Fondés en 1935 par Caryl Parker Haskins, les Laboratoires Haskins étaient à l’origine une institution indépendante dédiée à la recherche biophysique et génétique. Ce n’est qu’au lendemain de la Seconde Guerre mondiale que le laboratoire, sous l’impulsion conjointe du psychologue Alvin Liberman, de l’ingénieur Franklin S. Cooper et du linguiste Donald Shankweiler, a orienté ses recherches fondamentales vers la communication parlée et la réhabilitation sensorielle. Le gouvernement américain cherchait alors activement des dispositifs capables de convertir les textes imprimés en signaux sonores intelligibles afin de rendre l’autonomie aux vétérans de guerre devenus aveugles. Le projet initial semblait d’une simplicité désarmante : concevoir une machine opto-acoustique capable de scanner les caractères d’un livre et de leur associer un ensemble prédéterminé de signaux sonores discrets, formant une sorte d’alphabet acoustique artificiel.

Pour mener à bien ces investigations, Franklin Cooper mit au point un instrument révolutionnaire : le Pattern Playback. Cette machine optomécanique permettait de peindre des spectrogrammes simplifiés sur des bandes d’acétate transparentes et de les convertir en ondes acoustiques audibles grâce à un système de modulations lumineuses frappant des cellules photoélectriques. Pour la première fois dans l’histoire des sciences du langage, les chercheurs pouvaient manipuler isolément et avec une précision chirurgicale chaque paramètre acoustique — la fréquence fondamentale, les transitions formantielles, les bruits de friction ou la durée des silences — afin d’évaluer directement leur impact perceptif sur des sujets humains.

Les résultats de ces expérimentations allaient briser nettes les illusions initiales. Les machines de lecture basées sur des correspondances directes entre lettres graphiques et sons acoustiques non vocaux (comme des combinaisons de sons purs ou d’accords harmoniques) se révélèrent inutilisables : le système auditif humain s’avérait incapable d’identifier plus de quelques sons par seconde, sombrant au-delà dans une cacophonie indistincte. En revanche, lorsque le Pattern Playback synthétisait de la parole humaine, les auditeurs pouvaient comprendre sans effort jusqu’à vingt à trente segments phonétiques par seconde. Les chercheurs des Laboratoires Haskins se heurtèrent alors à une vérité déconcertante : le signal acoustique de la parole n’est pas un code chiffré linéaire, mais un signal d’une non-linéarité fondamentale, irréductible aux lois de l’acoustique générale.

1.2 Les limites de la phonétique acoustique classique

L’essor du sonagraphe à la fin des années 1940, popularisé par les travaux pionniers de Potter, Kopp et Green dans leur célèbre ouvrage Visible Speech, avait fait naître l’espoir que la transcription visuelle des ondes sonores allait révéler des segments stables correspondant aux lettres de l’alphabet phonétique international. On espérait identifier la « signature spectrale » invariable d’un /p/, d’un /t/ ou d’un /k/. Or, les spectrogrammes mirent en lumière un phénomène embarrassant : l’impossibilité physique d’isoler des segments phonétiques distincts dans le temps sonore.

Le signal acoustique de la parole se présentait sous la forme d’un ruban continu où les indices acoustiques associés aux consonnes et aux voyelles étaient inextricablement intriqués. L’approche distributionnelle purement acoustique, héritée du structuralisme bloomfieldien et des postulats de l’analyse spectrale linéaire, se révéla incapable d’extraire des règles de reconnaissance universelles. Loin d’être juxtaposés comme des perles sur un fil (beads on a string), les formants — ces zones de concentration d’énergie spectrale résultant de la résonance du conduit vocal — montraient des courbures et des déplacements dynamiques incessants.

La superposition continue des indices formants dans le temps indiquait que, sur une fenêtre temporelle donnée de quelques dizaines de millisecondes, le spectre acoustique contenait simultanément des informations relatives à la consonne en cours d’émission, à la voyelle suivante et parfois même à la consonne subséquente. Dès lors, le postulat d’une relation biunivoque entre une tranche de temps acoustique et un phonème théorique s’effondrait irrémédiablement sous le poids des observations empiriques.

1.3 La rupture épistémologique initiée par Alvin Liberman

Face à cet échec patent de la quête d’invariants acoustiques, Alvin Liberman comprit que le problème devait être totalement reformulé. La rupture épistémologique qu’il initia consista à détourner le regard de l’onde acoustique elle-même pour focaliser l’attention théorique sur le système physique qui l’avait engendrée : l’appareil phonatoire humain. Liberman postula que si le signal sonore est d’une variabilité affolante, c’est parce qu’il est le sous-produit acoustique d’un ensemble de mouvements mécaniques hautement contraints et coordonnés.

L’action motrice ne devait plus être reléguée au rang de simple mécanisme d’émission subordonné à l’audition, mais devait être érigée en médiateur indispensable et central de l’acte perceptif lui-même. Liberman avança l’idée téméraire que le cerveau humain ne cherche pas à déchiffrer les fréquences et les amplitudes de l’air en mouvement, mais qu’il utilise le signal acoustique comme un simple indice lui permettant de reconstruire les actions motrices du locuteur. En d’autres termes, l’auditeur percevrait la parole en se mettant virtuellement à la place de l’émetteur.

Cette intuition fondatrice donna lieu à une collaboration interdisciplinaire exceptionnelle aux Laboratoires Haskins. Pendant des décennies, des psychologues cognitivistes, des ingénieurs acousticiens, des phonéticiens et des linguistes mirent en commun leurs compétences pour formaliser un modèle global liant l’anatomie fonctionnelle du conduit vocal aux représentations mentales du langage. Cette approche jeta les bases d’une nouvelle psychologie cognitive de la communication verbale, rompant avec le béhaviorisme ambiant pour proposer une théorie résolument mentaliste et motrice de la perception.

2. Le problème fondamental de l’absence d’invariance acoustique

Pour saisir l’audace conceptuelle de la théorie motrice, il est impératif de comprendre le défi physique monumental auquel elle répond : l’absence d’invariance acoustique. Ce phénomène constitue le problème cardinal de la phonétique contemporaine.

2.1 La variabilité physique du signal sonore

L’illusion selon laquelle un phonème correspondrait à une configuration spectrale stable est immédiatement dissipée par l’analyse expérimentale. Prenons l’exemple devenu classique des syllabes /di/ et /du/. Lorsque des auditeurs écoutent ces deux syllabes synthétisées au Pattern Playback, ils identifient sans la moindre hésitation la même consonne occlusive alvéolaire voisée /d/ au début de chaque émission sonore. Pourtant, l’analyse spectrographique de ces deux signaux révèle des configurations physiques radicalement divergentes, voire contradictoires.

La transition du deuxième formant (noté F2), qui constitue l’indice acoustique majeur pour l’identification du lieu d’articulation des consonnes occlusives, présente des trajectoires opposées : pour la syllabe /di/, la transition de F2 commence aux alentours de 2200 Hz et monte rapidement vers le formant stable de la voyelle fermée antérieure /i/ ; pour la syllabe /du/, la transition de F2 commence vers 1200 Hz et descend vers la fréquence plus basse de la voyelle fermée postérieure /u/. D’un point de vue purement psychoacoustique, l’un des signaux est un glissement de fréquence ascendant, tandis que l’autre est un glissement de fréquence descendant. Comment un même système perceptif peut-il attribuer une identité catégorielle identique (/d/) à deux stimuli physiques dont les propriétés fréquentielles s’orientent dans des directions opposées ?

À cette variabilité contextuelle s’ajoute une variabilité interindividuelle colossale. L’anatomie du tractus vocal varie considérablement selon l’âge, le sexe et la taille des individus. Le conduit vocal d’un homme adulte mesure en moyenne dix-sept centimètres, celui d’une femme environ quatorze centimètres, et celui d’un jeune enfant moins de dix centimètres. En vertu des équations fondamentales de la résonance acoustique dans un tube acoustique fermé à une extrémité, les fréquences formantielles d’un même son vocalique (comme /a/) chez un enfant peuvent être supérieures de plus de 50 % à celles d’un homme adulte. Il n’existe donc aucune plage fréquentielle absolue permettant de définir objectivement un phonème donné à travers l’ensemble des locuteurs d’une communauté linguistique.

2.2 La nature ubiquitaire de la coarticulation

La source fondamentale de cette absence d’invariance réside dans le phénomène physiologique de la coarticulation. La parole humaine n’est pas produite par une machine séquentielle frappant des caractères discrets à la manière d’une machine à écrire, mais par un ensemble dynamique d’articulateurs biologiques — la langue (composée de multiples muscles intrinsèques et extrinsèques), la mâchoire, les lèvres, le voile du palais et les cordes vocales — qui sont soumis à des contraintes inertielles et viscoélastiques incompressibles.

Pour qu’un être humain puisse émettre de la parole au rythme fluide de quatre à six syllabes par seconde (soit une quinzaine de segments phonémiques), les différents articulateurs doivent anticiper en permanence les mouvements à venir tout en finalisant les mouvements précédents. Ainsi, dans la séquence syllabique /tu/, les lèvres commencent à s’arrondir et à se projeter en avant (labialisation anticipatoire pour la voyelle /u/) alors même que l’apex de la langue est encore en train d’établir une occlusion complète contre les alvéoles dentaires pour produire le /t/. Le signal sonore émis pendant l’explosion de l’occlusion consonne reflète déjà la résonance d’une cavité buccale configurée pour la voyelle suivante.

La coarticulation engendre ainsi une transmission dynamique en parallèle de l’information phonétique. Plusieurs segments phonémiques sont encodés simultanément dans un seul et même intervalle temporel de l’onde acoustique. Ce processus d’encodage hautement efficient permet à l’être humain de contourner les limites temporelles de résolution de l’oreille interne, mais il détruit irréversiblement toute correspondance biunivoque et linéaire entre les unités discrètes de la langue et les tranches de temps du signal physique.

2.3 L’insuffisance des modèles auditifs périphériques

Face à ce constat, les partisans d’une explication purement auditive ont longtemps postulé que des étages précoces de traitement dans le nerf cochléaire ou les noyaux du tronc cérébral pouvaient extraire des propriétés spectrales complexes invariantes. Cependant, la physiologie cochléaire dément cette hypothèse mécaniste simple. La cochlée agit fondamentalement comme une banque de filtres fréquentiels opérant une transformée de Fourier glissante le long de la membrane basilaire. Elle résout les composantes fréquentielles et temporelles, mais elle est totalement dénuée de mécanismes intrinsèques capables de démêler la superposition temporelle causée par la coarticulation.

Si la perception de la parole dépendait exclusivement de mécanismes de filtrage auditif général, chaque variation contextuelle d’un phonème devrait être perçue comme un son radicalement différent. L’auditeur entendrait une infinité de bruits dissemblables et serait submergé par une masse d’informations non catégorisées. L’énigme réside précisément dans le fait que l’auditeur ne perçoit aucune de ces variations acoustiques continues : il perçoit immédiatement et exclusivement l’invariance phonétique.

Il devient donc logiquement nécessaire de postuler l’intervention d’un système de décodage central spécialisé. Pour Alvin Liberman, ce décodeur ne saurait être un simple algorithme statistique opérant sur des formes spectrales ; il doit intégrer la connaissance intime de la machinerie physique responsable de la coarticulation. La constance perceptive ne peut trouver sa source dans l’acoustique, car l’invariance physique en est absente ; elle doit impérativement provenir de l’action.

3. Les postulats fondamentaux de la version originale de 1967

En 1967, Alvin Liberman, Franklin Cooper, Donald Shankweiler et Michael Studdert-Kennedy publient dans la revue Psychological Review un article séminal intitulé « Perception of the speech code ». Ce texte magistral formalise la première version complète de la Théorie Motrice de la Perception de la Parole, articulée autour de trois thèses d’une audace conceptuelle sans précédent.

3.1 Les commandes motrices comme objets ultimes de la perception

Le premier postulat, et le plus radical, de la théorie motrice de 1967 stipule que les objets ultimes de la perception de la parole ne sont ni les ondes sonores, ni les mouvements mécaniques périphériques des articulateurs, mais les commandes motrices neuromusculaires invariantes envoyées par le cerveau aux organes de l’appareil phonatoire. Liberman et ses coauteurs posent l’hypothèse qu’au niveau central du système nerveux, l’intention de produire un phonème donné se traduit par un ensemble d’ordres moteurs neuronaux invariants envoyés aux muscles de la langue, des lèvres ou du pharynx.

Bien que ces commandes motrices soient ultérieurement déformées et brouillées à la périphérie par les interactions mécaniques, la charge inertielle des muscles et le chevauchement de la coarticulation, l’intention motrice originelle, elle, demeurerait discrète et constante. Dès lors, le système perceptif humain n’aurait pas pour objectif d’analyser l’onde sonore en tant que telle, mais de remonter la chaîne causale de la phonation pour reconstruire l’ordre neuromusculaire qui a présidé à son émission.

Cette approche résolvait élégamment le paradoxe de l’absence d’invariance acoustique : l’invariance existe bel et bien, mais elle est délocalisée. Elle ne réside pas dans le domaine de l’acoustique, mais dans le sanctuaire des commandes motrices cérébrales de l’émetteur. La perception de la parole devient ainsi une opération d’inférence motrice inversée.

3.2 Le mécanisme de synthèse par l’analyse

Pour expliquer comment le cerveau peut déduire des commandes motrices invisibles à partir d’un signal auditif dégradé, Liberman s’est inspiré du concept d’« analyse par la synthèse » (analysis-by-synthesis), développé notamment par Kenneth Stevens et Morris Halle au sein du Massachusetts Institute of Technology (MIT). Selon ce modèle, le décodage d’un message complexe ne s’opère pas par un simple traitement ascendant (bottom-up) de données brutes, mais par la génération dynamique d’hypothèses descendantes (top-down).

Lorsqu’un signal acoustique frappe l’oreille, les centres auditifs en extraient une première esquisse spectro-temporelle grossière. Immédiatement, le système moteur interne génère une simulation motrice candidate, c’est-à-dire un modèle interne des commandes motrices susceptibles de reproduire une telle configuration acoustique. Ce signal simulé en interne est alors comparé au signal sensoriel entrant. Si un écart est détecté, le système ajuste itérativement les paramètres moteurs jusqu’à ce que la prédiction motrice s’aligne fidèlement sur le signal acoustique réel. Dès que la correspondance est validée, le phonème est identifié par le truchement de la commande motrice qui a permis d’obtenir cet accord.

Ce processus computationnel implique que le système perceptif dispose d’une connaissance intrinsèque des lois de la biomécanique vocale et des relations acoustico-articulatoires. L’audition n’est plus un processus d’enregistrement passif, mais une reconstruction générative active guidée par la motricité.

3.3 Le lien indissociable entre production et perception

Le troisième postulat fondamental affirme l’indivisibilité fonctionnelle absolue de la production et de la perception de la parole. Dans le modèle de Liberman, l’évolution n’a pas doté l’espèce humaine de deux systèmes linguistiques étanches — un émetteur articulatoire d’un côté et un récepteur acoustique de l’autre —, mais d’un système de communication intégré fondé sur la symétrie opérationnelle entre locuteurs et auditeurs.

C’est ce que Liberman désignera plus tard sous le concept de la « condition de parité » (parity condition) : pour qu’un échange linguistique soit possible, il est indispensable que le code utilisé par le récepteur pour comprendre le message soit rigoureusement identique au code employé par l’émetteur pour le produire. Si les représentations phonétiques étaient de nature purement auditive pour l’auditeur et de nature motrice pour le locuteur, l’enfant serait confronté à un problème insoluble lors de l’acquisition du langage : comment apprendre à positionner ses propres articulateurs pour faire correspondre ses productions à des cibles acoustiques stockées ?

En postulant que les représentations phonologiques sont encodées dès l’origine dans un format sensorimoteur commun partagé par tous les membres de l’espèce, la théorie motrice apporte une réponse séduisante : l’auditeur entend en termes d’actions possibles, et le locuteur produit en fonction d’effets perceptifs intrinsèquement liés à ces mêmes actions. La boucle de communication humaine se referme au sein d’une seule et même architecture cérébrale unifiée.

4. La perception catégorielle : Première preuve empirique majeure

Pour étayer cette théorie audacieuse, les chercheurs des Laboratoires Haskins devaient fournir des preuves empiriques irréfutables attestant que le traitement des sons de parole obéit à des mécanismes fondamentalement distincts de ceux régissant l’audition des bruits environnementaux ou des sons musicaux. Cette preuve expérimentale majeure fut apportée par la découverte de la perception catégorielle.

4.1 Principes expérimentaux et méthodologie

L’utilisation du Pattern Playback permit à Liberman et à son équipe de concevoir des protocoles expérimentaux d’une rigueur absolue en fabriquant des continuums acoustiques synthétiques par pas discrets et mathématiquement réguliers. Dans une expérience princeps sur le voisement et le lieu d’articulation, les expérimentateurs créèrent une série de stimuli sonores variant de manière continue le long d’une seule dimension acoustique, par exemple en modifiant progressivement la fréquence de départ de la transition du deuxième formant pour transformer continûment un /b/ en un /d/, puis en un /g/.

Ces stimuli étaient ensuite soumis à des auditeurs à travers deux types d’épreuves psychophysiques rigoureusement complémentaires :

• Les tâches d’identification forcenée : L’auditeur écoute un stimulus isolé tiré au hasard du continuum et doit obligatoirement désigner le phonème entendu (par exemple, choisir exclusivement entre « ba » et « da »).
• Les tâches de discrimination : Selon des paradigmes classiques de type ABX (où le sujet entend les stimuli A et B, puis un troisième stimulus X, et doit déterminer si X est identique à A ou à B) ou des tâches d’égal/différent, les sujets comparent deux stimuli séparés par un pas acoustique constant le long du continuum.

Si la perception de la parole obéissait aux lois de la psychoacoustique générale — comme pour la hauteur tonale ou l’intensité sonore —, les sujets devraient faire preuve d’une sensibilité continue : à mesure que le paramètre physique varie graduellement, le pourcentage d’identification devrait changer de manière douce et progressive, et la discrimination devrait être uniforme sur l’ensemble de l’échelle acoustique.

Or, les données expérimentales mirent en évidence une discontinuité spectaculaire et radicale :

D’une part, les courbes d’identification ne présentaient aucune gradation linéaire, mais prenaient la forme d’une fonction sigmoïde abrupte. Sur une large portion du continuum physique, les auditeurs identifiaient le stimulus comme un /b/ avec une constance proche de 100 %. Puis, sur un intervalle physique extrêmement étroit (de l’ordre de quelques millisecondes ou de quelques dizaines de Hertz), l’identification basculait brutalement vers la catégorie /d/. D’autre part, la courbe de discrimination révélait un profil profondément non-linéaire : les sujets étaient absolument incapables de discriminer deux sons physiquement distincts dès lors qu’ils tombaient à l’intérieur de la même catégorie phonémique, alors qu’ils discriminaient ces mêmes sons avec une précision proche de la perfection dès que la frontière catégorielle séparait les deux stimuli.

4.2 Le délai d’établissement du voisement (VOT)

L’illustration la plus éclatante de ce phénomène fut fournie par les travaux pionniers de Leigh Lisker et Arthur Abramson (1964) sur le Délai d’Établissement du Voisement (en anglais, Voice Onset Time ou VOT). Le VOT désigne l’intervalle temporel précis qui s’écoule entre le relâchement mécanique de l’occlusion des articulateurs (l’explosion de la consonne) et le début de la vibration périodique des cordes vocales dans le larynx.

Pour distinguer des paires d’occlusives homorganiques telles que les occlusives bilabiales (/b/ sonore vs /p/ sourd) ou alvéolaires (/d/ sonore vs /t/ sourd), le système articulatoire module la coordination temporelle entre la décompression buccale et l’adduction laryngée. Lisker et Abramson synthétisèrent des continua de syllabes débutant avec des VOT variant de 0 milliseconde (vibration simultanée) à +60 millisecondes (vibration retardée) par paliers constants de 5 ou 10 millisecondes.

Les résultats furent sans équivoque : les auditeurs anglophones catégorisaient tous les stimuli dont le VOT était inférieur à +25 millisecondes comme des /b/ ou des /d/, et tous ceux dont le VOT dépassait cette valeur critique comme des /p/ ou des /t/. Les sujets s’avéraient totalement sourds aux variations acoustiques physiques de 20 millisecondes situées sous la frontière de voisement (incapables de distinguer un VOT de 0 ms d’un VOT de +20 ms), mais démontraient un pic d’acuité perceptive d’une sensibilité extraordinaire précisément lorsque les stimuli franchissaient le seuil des +25 millisecondes. Les auditeurs discriminaient uniquement ce qu’ils pouvaient catégoriser linguistiquement.

4.3 Interprétation motrice des frontières catégorielles

Pour Alvin Liberman et ses pairs, ces frontières perceptives arbitraires et acérées ne pouvaient s’expliquer par de simples propriétés de filtrage de la cochlée. Si le système auditif périphérique était le seul maître d’œuvre, la résolution temporelle de quelques millisecondes devrait s’exercer uniformément tout au long de l’échelle physique, exactement comme l’oreille est capable de discriminer de subtiles variations de hauteur entre deux fréquences sinusoïdales pures.

La théorie motrice proposa une explication lumineuse : la frontière perceptive est rigoureusement alignée sur les contraintes et les limites physiologiques de la mécanique du tractus vocal. Sur le plan moteur, les cordes vocales ne peuvent pas adopter une infinité d’états stables simultanés : soit elles vibrent au moment de l’explosion, soit elles demeurent ouvertes sous l’effet d’une pression sous-glottique spécifique et ne s’accolent qu’après un temps incompressible lié à l’effet Bernoulli et aux tensions musculaires laryngées. L’articulateur ne peut physiquement franchir cette zone charnière qu’en basculant d’un mode de production à un autre.

La discontinuité de la perception ne ferait donc que refléter la non-linéarité inhérente aux modes de fonctionnement de la machinerie motrice. L’auditeur ne perçoit pas les variations continues du temps physique parce que son système d’écoute est calibré sur les régimes discrets de la production humaine. Les sons de la parole ne sont pas traités comme de simples bruits naturels ; ils sont appréhendés à travers le prisme des possibilités d’action du corps humain.

5. L’hypothèse du module spécialisé et le mode d’écoute « parole »

L’observation de ces particularités psychophysiques a conduit Alvin Liberman à formuler l’un des postulats les plus audacieux et controversés des sciences du langage : la parole humaine n’est pas simplement du son traité par l’appareil auditif général ; elle est l’émanation d’un module biologique spécialisé.

5.1 La spécificité de la parole humaine (Speech is Special)

Sous la bannière théorique restée célèbre sous la formule « Speech is Special » (La parole est spéciale), Liberman affirme que le traitement phonétique repose sur un mécanisme cognitif et neuronal dédié, apparu tardivement au cours de la phylogenèse humaine pour répondre aux exigences vertigineuses de la communication symbolique. Ce module phonétique opère selon des lois computationnelles totalement différentes de celles qui régissent la psychoacoustique générale.

Cette conception s’inscrit en résonance directe avec la théorie de la modularité de l’esprit développée ultérieurement par le philosophe Jerry Fodor. Pour Liberman, le module de la parole présente les caractéristiques canoniques de l’encapsulation informationnelle :

• Le cloisonnement des données : Le module traite les indices phonétiques sans être influencé par les connaissances sémantiques ou contextuelles conscientes de haut niveau.
• L’automatisme et la rapidité : La conversion du signal acoustique en représentations motrices s’effectue de manière réflexe, inconsciente et à une vitesse stupéfiante (plus de 25 segments par seconde).
• La spécificité de domaine : Le module s’active exclusivement lorsqu’il est mis en présence de signaux portant les signatures spectrales de la biomécanique du tractus vocal.

Ce point de vue établit une frontière infranchissable entre deux modes d’écoute : le « mode auditif », qui analyse les fréquences, les timbres et les intensités des bruits du monde extérieur (le tonnerre, le chant d’un oiseau, le froissement d’une feuille), et le « mode phonétique », qui court-circuite cette analyse acoustique brute pour décoder directement la dynamique articulatoire humaine.

5.2 Le mode de perception dichotique et l’écoute en duplex

Pour démontrer de manière expérimentale que deux processeurs perceptifs distincts — le processeur auditif général et le processeur phonétique spécialisé — peuvent coexister et fonctionner simultanément au sein d’un même cerveau humain, les chercheurs des Laboratoires Haskins ont mis au point une expérience devenue légendaire : le paradigme de la « perception duplex » (duplex perception), documenté avec éclat par Timothy Rand en 1974 puis par Liberman et ses collègues en 1981.

Le protocole est d’une inventivité méthodologique remarquable. Prenons une syllabe synthétique telle que /da/, constituée d’une « base » commune (comprenant le premier formant F1 et la partie stable du deuxième et troisième formants, F2 et F3) et d’une « transition formantique » isolée du troisième formant (F3), qui constitue l’indice acoustique critique discriminant le /da/ du /ga/. Lorsque la base et la transition sont présentées ensemble aux deux oreilles, l’auditeur entend une syllabe /da/ unifiée. Mais dans l’expérience de perception duplex, la présentation est scindée de façon dichotique :

• On injecte la base vocalique privée de sa transition F3 dans une oreille (par exemple, l’oreille gauche). Prise isolément, cette base ressemble à un son de parole ambigu, proche d’une syllabe dépourvue de consonne nette.
• On injecte simultanément la minuscule transition isolée de F3 (une variation rapide de fréquence de quelques dizaines de millisecondes) dans l’autre oreille (l’oreille droite). Prise isolément, cette transition ne ressemble en rien à de la parole : elle est perçue par le système auditif comme un bref gazouillis musical non langagier, un son électronique souvent qualifié de chirp.

Le résultat perceptif provoqué par cette stimulation dichotique défie le bon sens : l’auditeur perçoit simultanément deux événements sonores distincts. D’une part, dans l’oreille ayant reçu le chirp, il continue d’entendre ce petit bruit électronique musical non vocal. D’autre part, au centre de sa perception cognitive, il entend une syllabe linguistique parfaitement claire et complète (/da/).

La transition formantique a donc été traitée à deux niveaux incompatibles en même temps : le processeur auditif général l’a analysée comme un bruit non articulé isolé, tandis que le module phonétique a capté cette même information spectrale par-delà la séparation des oreilles pour la fusionner avec la base et reconstruire le geste articulatoire global du /da/. La perception duplex démontrait ainsi l’existence parallèle de deux logiques perceptives indépendantes opérant sur un seul et même fragment de réalité physique.

5.3 L’avantage de l’oreille droite pour le langage

Cette spécialisation computationnelle du mode phonétique a rapidement trouvé des corrélats neuro-fonctionnels majeurs grâce aux expériences d’écoute dichotique initiées par Brenda Milner et Doreen Kimura au début des années 1960, puis reprises méthodiquement par Donald Shankweiler et Michael Studdert-Kennedy aux Laboratoires Haskins.

Lorsque deux stimuli verbaux différents (par exemple, la syllabe « ba » dans l’oreille gauche et la syllabe « da » dans l’oreille droite) sont envoyés simultanément aux tympans d’un sujet normal, les auditeurs rapportent de manière systématique et reproductible le stimulus présenté à l’oreille droite avec un taux de réussite significativement supérieur à celui de l’oreille gauche. C’est le phénomène bien documenté de l’avantage de l’oreille droite (en anglais, Right-Ear Advantage ou REA).

La justification neuroanatomique de ce phénomène s’appuie sur le fait que les voies auditives ascendantes croisées sont prépondérantes et plus rapides que les voies ipsilatérales. Le signal projeté dans l’oreille droite accède directement et massivement au cortex temporal et périsylvien de l’hémisphère cérébral gauche, siège historique des aires du langage (l’aire de Broca et l’aire de Wernicke) chez plus de 95 % des droitiers. À l’inverse, lorsque l’on présente des bruits environnementaux, des accords musicaux ou des bruits de moteurs, c’est l’oreille gauche qui bénéficie d’un avantage de traitement, traduisant la prépondérance de l’hémisphère droit pour le traitement acoustique global et non verbal.

Pour Liberman, cette asymétrie hémisphérique robuste venait verrouiller le postulat de la spécialisation biologique. La parole humaine n’est pas prise en charge par les structures auditives symétriques standard ; elle est immédiatement happée par les réseaux neuronaux de l’hémisphère gauche, précisément les réseaux qui pilotent l’organisation praxique et la motricité de l’appareil fono-articulatoire. L’avantage de l’oreille droite ne reflétait pas une supériorité acoustique, mais la signature fonctionnelle du couplage entre audition et représentations motrices.

6. L’effet McGurk-MacDonald et l’intégration multimodale

Pendant près d’une décennie, la théorie motrice a fait l’objet de vives critiques de la part des acousticiens, qui l’accusaient d’être une spéculation théorique complexe destinée à pallier les lacunes temporaires du traitement du signal. Mais en 1976, une découverte fortuite venue de la psychologie du développement allait faire l’effet d’un véritable coup de tonnerre scientifique en apportant une validation spectaculaire aux idées d’Alvin Liberman.

6.1 La découverte fortuite de l’illusion audiovisuelle

Harry McGurk et John MacDonald, deux chercheurs de l’Université de Surrey en Angleterre, menaient alors des recherches sur la perception des sons de parole chez les jeunes nourrissons. Dans le cadre de leur protocole de contrôle méthodologique, ils eurent l’idée d’enregistrer une comédienne prononçant la syllabe /ga-ga/ sur un magnétoscope vidéo, tout en remplaçant la bande-son originale par l’enregistrement acoustique de la même voix prononçant la syllabe bilabiale /ba-ba/. L’objectif initial était simplement de vérifier si les bébés se laissaient distraire par le décalage visuel.

Lorsqu’ils visionnèrent eux-mêmes la vidéo composite pour s’assurer du montage, McGurk et MacDonald vécurent une expérience perceptive stupéfiante. Alors que le signal acoustique pur était indubitablement constitué de syllabes /ba/ (faciles à vérifier en fermant les yeux) et que l’image montrait sans la moindre ambiguïté les mouvements labiaux et mandibulaires d’une articulation dorso-vélaire de type /ga/ (la bouche s’ouvrant largement sans contact des lèvres), leur propre système perceptif n’entendait ni /ba/ ni /ga/. De manière totalement irrésistible, ils percevaient un phonème distinct n’existant sur aucune des deux pistes : l’occlusive alvéolaire sourde /da/ (ou parfois la fricative interdentale /ða/).

Leur article publié dans la prestigieuse revue Nature en décembre 1976 sous le titre énigmatique « Hearing lips and seeing voices » (Entendre des lèvres et voir des voix) déclencha une révolution conceptuelle. L’effet McGurk-MacDonald se révélait être une illusion d’une robustesse inouïe : même lorsque les sujets étaient parfaitement informés du montage technique, même lorsqu’ils connaissaient la nature exacte des stimuli auditifs et visuels sous-jacents, l’illusion demeurait indestructible. La vision modifiait instantanément, inconsciemment et de façon irréversible ce que les sujets rapportaient « entendre ».

6.2 L’intégration supramodale des gestes articulatoires

L’existence de l’effet McGurk portait un coup fatal à toute théorie prétendant que la perception de la parole est une fonction exclusivement auditive opérant sur des représentations spectrales ou acoustiques pures. Si percevoir un phonème consistait à reconnaître un gabarit d’ondes de pression cochléaires, comment l’information optique issue de la rétine — qui ne contient pas la moindre onde acoustique — pourrait-elle transformer un stimulus sonore /ba/ en un percept auditif de /da/ ?

La théorie motrice de la parole offrait le seul cadre théorique capable d’expliquer élégamment cette synthèse multimodale. Pour Alvin Liberman, l’illusion de McGurk démontrait de manière irréfutable que le système perceptif humain ne s’intéresse ni au son en tant que vibration de l’air, ni à l’image en tant que faisceau de photons, mais utilise indistinctement l’acoustique et l’optique comme des canaux d’information convergents renvoyant à un seul et même événement physique réel dans le monde extérieur : le geste articulatoire distal.

Dans l’illusion de McGurk, le système perceptif se livre à une synthèse supramodale instantanée :

• L’information visuelle indique avec une certitude absolue que les lèvres ne se ferment pas (ce qui élimine d’emblée le geste bilabial du /ba/).
• L’information acoustique fournit la preuve incontestable de la présence d’une consonne voisée et d’une rupture d’occlusion, mais la signature de son point d’articulation est perturbée par le conflit optique.

Le cerveau résout alors cette contradiction physique en identifiant le geste articulatoire optimal compatible avec l’ensemble des indices sensoriels reçus : le geste de l’apex de la langue frappant les alvéoles dentaires pour produire un /da/. Le percept conscient n’est rien d’autre que l’incarnation de ce geste inféré.

6.3 L’impact sur l’évolution théorique de Liberman

Pour Alvin Liberman et les chercheurs des Laboratoires Haskins, l’effet McGurk a fonctionné comme un puissant catalyseur théorique. Il a consolidé l’abandon définitif du primat acoustique qui continuait d’imprégner une grande partie de la psycholinguistique cognitive. La découverte a prouvé de façon magistrale que le cerveau humain traite la parole comme un événement physique global produit par un corps en mouvement, et non comme un objet sonore conventionnel.

De surcroît, la précocité et l’universalité de cette intégration multisensorielle — observée par la suite chez des nouveau-nés âgés de seulement quelques semaines ainsi que dans toutes les cultures du globe — sont venues conforter l’hypothèse de l’automaticité pré-attentionnelle du module de la parole. L’intégration audiovisuelle n’était pas le produit d’un raisonnement cognitif conscient ou d’une déduction logique tardive ; elle s’exécutait dans les strates les plus profondes et les plus archaïques du traitement de l’information linguistique.

L’effet McGurk a ainsi invalidé les théories computationnelles d’appariement de gabarits auditifs (auditory template matching) qui dominaient les sciences de l’ingénieur à cette époque. Il a ouvert la voie à une redéfinition complète du concept même d’« objet phonétique », incitant Liberman à réviser sa théorie originale pour l’ancrer plus profondément encore dans la physique de l’action et la dynamique gestuelle.

7. La version révisée de la théorie motrice (1985-1989)

Près de vingt ans après la publication du manifeste de 1967, Alvin Liberman, en collaboration étroite avec le psychologue et phonéticien Ignatius Mattingly, proposa une révision en profondeur de son modèle. Publiée en 1985 dans la revue Cognition sous le titre « The motor theory of speech perception revised » puis affinée en 1989, cette deuxième version répondait aux objections méthodologiques majeures soulevées à l’encontre des commandes neuromusculaires, tout en intégrant les avancées spectaculaires de la phonologie contemporaine.

7.1 Du muscle au geste : L’intégration de la phonologie gestuelle

Le point le plus vulnérable de la version originale de 1967 résidait dans l’identification du phonème à la « commande motrice neuromusculaire ». Les progrès fulgurants de l’électromyographie (EMG) au cours des années 1970 avaient révélé une réalité anatomique troublante : les impulsions électriques nerveuses envoyées aux muscles du tractus vocal ne présentaient pas plus d’invariance que les ondes sonores elles-mêmes. L’activité neuromusculaire d’un muscle comme l’orbicularis oris (le muscle fermant les lèvres) variait considérablement selon la position initiale de la mâchoire, la fatigue musculaire ou le contexte segmental.

Pour surmonter cette aporie sans renoncer au primat de l’action, Liberman et Mattingly se tournèrent vers les travaux révolutionnaires de Catherine Browman et Louis Goldstein, les concepteurs de la phonologie gestuelle (Articulatory Phonology). Dans ce nouveau cadre théorique, l’unité fondamentale du langage n’est plus un groupe de muscles ni une onde acoustique, mais le geste articulatoire (articulatory gesture).

Un geste articulatoire est formellement défini comme une tâche dynamique d’atteinte d’un objectif spatial au sein du tractus vocal, concrétisée par la formation et le relâchement de constrictions anatomiques spécifiques :

• La fermeture des lèvres (constriction bilabiale).
• Le contact de la pointe de la langue contre les alvéoles (constriction alvéolaire).
• L’élévation du dos de la langue vers le palais mou (constriction vélaire).
• L’ouverture ou le pincement de la glotte dans le larynx.

Le geste n’est pas subordonné à un groupe musculaire rigide ; il est défini par sa finalité spatio-temporelle au sein de l’architecture du conduit phonatoire.

7.2 L’invariance relocalisée dans la dynamique gestuelle

Cette transition conceptuelle du muscle vers le geste dynamique a permis de résoudre avec éclat le problème de la variabilité périphérique grâce au principe biomécanique de l’équivalence motrice (motor equivalence) et de la théorie des synergies musculaires développée par le physiologiste Nikolaï Bernstein.

L’organisme humain ne pilote pas chaque degré de liberté mécanique de manière indépendante ; il organise ses effecteurs en « structures de coordination » fonctionnelles. Si un obstacle inattendu vient entraver le mouvement normal d’un articulateur, les autres articulateurs de la même synergie compensent instantanément cette perturbation sans le moindre délai de réaction corticale consciente. Cette propriété a été magnifiquement démontrée par les célèbres expériences dites du bite-block (cale-dents) menées par Björn Lindblom et ses collègues : lorsqu’on bloque mécaniquement la mâchoire d’un sujet en position ouverte à l’aide d’un petit morceau de plastique rigide inséré entre les molaires, le sujet est capable de prononcer immédiatement une voyelle fermée comme /i/ de manière parfaitement intelligible dès la première période glottale. La langue compense instantanément l’absence de fermeture mandibulaire en s’élevant davantage vers le palais.

Dans la théorie motrice révisée, l’invariance phonétique n’a donc plus besoin de se loger dans un faisceau de commandes nerveuses figées : elle réside dans la tâche motrice globale invariante elle-même. Les coordonnées de constriction — le lieu et le degré d’ouverture du conduit vocal — constituent les véritables primitives universelles que le système perceptif extrait du signal acoustique.

7.3 Autonomie biologique du module phonétique revu

La théorie révisée de 1985 franchit une étape supplémentaire sur le plan de la philosophie de l’esprit en intégrant des concepts issus de la psychologie écologique de James J. Gibson. Liberman et Mattingly affirment désormais que la perception des gestes articulatoires est directe. Le module phonétique n’opère pas une série d’étapes inférentielles complexes consistant d’abord à mesurer des spectres auditifs pour ensuite, par une opération logique secondaire, en déduire des mouvements anatomiques.

Le module de la parole est conçu comme un organe computationnel biologiquement déterminé qui est constitutivement accordé (tuned) à la cinématique du tractus vocal. À la manière dont le système visuel d’un prédateur détecte immédiatement un mouvement dans l’espace sans passer par une décomposition consciente des longueurs d’onde lumineuses incidentes, le cerveau humain extrait directement les gestes linguistiques à travers l’information acoustique qui les spécifie.

En affirmant l’autonomie et l’innéisme de ce module, Liberman réitère sa conviction profonde : la faculté de langage est une adaptation biologique unique de l’espèce humaine, inscrite au plus profond de son architecture cérébrale, où le moteur et le perceptif sont structurellement intriqués depuis l’origine de l’hominisation.

8. Le renouveau neurobiologique : Neurones miroirs et neuro-imagerie

Durant les années 1970 et 1980, la théorie motrice a été vivement critiquée pour son caractère spéculatif et le manque de substrat anatomique avéré. Comment le système auditif pouvait-il « communiquer » de façon aussi intime et instantanée avec le système moteur ? La réponse à cette interrogation allait surgir dans les années 1990 et 2000 avec une spectaculaire convergence de découvertes neurophysiologiques.

8.1 La découverte du système miroir chez le primate et l’humain

Au début des années 1990, l’équipe de neurophysiologistes dirigée par Giacomo Rizzolatti, Vittorio Gallese et Leonardo Fogassi à l’Université de Parme réalisa une découverte historique en enregistrant l’activité de neurones individuels dans le cortex prémoteur ventral (l’aire F5) du singe macaque. Ils mirent en évidence l’existence d’une classe spéciale de neurones qui déchargeaient non seulement lorsque le singe exécutait une action motrice orientée vers un but (comme saisir un aliment avec la main ou la bouche), mais également lorsque l’animal observait passivement un congénère ou l’expérimentateur accomplir la même action.

Cette classe de cellules fut baptisée du nom célèbre de neurones miroirs. Or, les études de cytoarchitectonie comparée révélèrent rapidement une parenté anatomique extraordinaire : l’aire F5 du macaque est le précurseur phylogénétique direct de l’aire de Broca (les aires de Brodmann 44 et 45) chez l’être humain, c’est-à-dire le sanctuaire historique de la production articulatoire du langage.

Pour la première fois, la neuroscience fondamentale fournissait la preuve matérielle indiscutable d’un mécanisme biologique permettant de traduire automatiquement un stimulus sensoriel (visuel ou auditif) en son équivalent moteur au sein de la même population neuronale. Comme l’ont souligné des chercheurs tels que Michael Arbib et Giacomo Rizzolatti, la théorie motrice d’Alvin Liberman, loin d’être une pure vue de l’esprit psychologique, s’avérait avoir anticipé d’un quart de siècle l’organisation neurophysiologique sous-jacente au couplage perception-action chez les primates supérieurs.

8.2 Preuves par stimulation magnétique transcrânienne (TMS)

L’application des techniques modernes de neuro-imagerie et de stimulation cérébrale non invasive chez l’humain a permis de tester directement la causalité du système moteur dans la perception de la parole. Les travaux pionniers menés par Luciano Fadiga et ses collaborateurs en 2002 ont marqué un tournant décisif. En utilisant la Stimulation Magnétique Transcrânienne (TMS) sur le cortex moteur primaire, les chercheurs ont enregistré les Potentiels Évoqués Moteurs (PEM) au niveau des muscles de la langue de sujets humains en train d’écouter passivement des sons linguistiques.

Les résultats ont confirmé avec une précision chirurgicale les prédictions de la théorie motrice :

• Lorsque les sujets écoutaient des phonèmes dont la production implique une mobilisation intense de la langue (comme la consonne vibrante /r/ ou l’alvéolaire /t/), l’excitabilité corticospinale des neurones commandant les muscles linguaux augmentait de manière significative.
• À l’inverse, l’écoute de phonèmes labiaux (comme le /b/ ou le /p/) n’entraînait aucune facilitation des muscles linguaux, mais stimulait sélectivement les muscles des lèvres (orbicularis oris).

Allant plus loin, Alessandro D’Ausilio et son équipe (2009) ont démontré le rôle causal de cette activation. En appliquant une impulsion de TMS double-choc sur la zone motrice des lèvres ou de la langue juste avant la présentation d’une syllabe baignée dans un bruit de fond acoustique, les chercheurs ont montré que la stimulation de la zone motrice des lèvres améliorait sélectivement le temps de réaction et la précision de discrimination des consonnes labiales (/b/, /p/), tandis que la stimulation de la zone de la langue facilitait exclusivement la détection des consonnes alvéolaires (/d/, /t/). Le cortex moteur ne se contentait pas d’être un témoin passif de l’audition : il participait activement et causalement à la résolution perceptuelle fine des sons du langage.

8.3 L’organisation fonctionnelle des voies ventrales et dorsales

Le cadre neuroanatomique moderne de la perception de la parole s’est formalisé à travers le célèbre modèle du double flux (dual-stream model) développé par Gregory Hickok et David Poeppel (2000, 2007). Ce modèle neurophysiologique réconcilie les observations cliniques avec les principes de la théorie motrice en postulant l’existence de deux voies de traitement cortical bifurquant à partir du cortex auditif primaire bilatéral (le gyrus de Heschl) :

1. Le flux ventral (la voie du « Quoi ») : S’étendant bilatéralement le long du gyrus temporal moyen et inférieur, cette voie assure la correspondance entre les représentations auditives de la parole et les représentations conceptuelles et lexicales (la compréhension sémantique du message). Ce flux est largement robuste et peut fonctionner de manière relativement autonome dans des conditions d’écoute idéales.

2. Le flux dorsal (la voie du « Comment ») : Fortement latéralisé dans l’hémisphère gauche, ce flux projette l’information auditive vers l’interface pariéto-temporale (la région Spt), qui sert de traducteur sensori-moteur reliant le signal acoustique aux réseaux prémoteurs frontaux et à l’aire de Broca. C’est l’incarnation neuroanatomique précise de la boucle de rétroaction postulée par Liberman.

Les neurosciences contemporaines apportent cependant une nuance d’importance capitale que Liberman n’avait pas formulée : le système moteur n’est pas obligatoirement indispensable à la compréhension passive du langage familier en milieu silencieux (prise en charge par le flux ventral), mais il devient absolument capital et déterminant dès lors que la tâche perceptive devient complexe, que le signal acoustique est dégradé, masqué par du bruit, ou qu’il s’agit d’apprendre de nouvelles formes phonétiques.

9. Confrontation avec les théories auditives concurrentes

Tout au long de son développement, la théorie motrice de la parole a suscité une vive résistance épistémologique de la part de chercheurs défendant des modèles purement auditifs ou computationnels généraux. Ces débats contradictoires ont constitué l’un des moteurs les plus fertiles de la linguistique expérimentale.

9.1 La théorie auditive générale de Diehl et Kluender

L’alternative la plus puissante à la théorie motrice a été portée par des chercheurs tels que Randy Diehl, Keith Kluender et Andrew Lotto sous la bannière de la théorie auditive générale (General Auditory Theory). Leur position épistémologique repose sur le principe de parcimonie (le rasoir d’Ockham) : pourquoi postuler l’existence d’un module moteur hautement complexe, inné et mystérieux, alors que les propriétés physiologiques du système auditif des vertébrés suffisent à expliquer l’intégralité des phénomènes observés ?

Selon cette approche, les discontinuités de la perception catégorielle ne sont pas nées des limites biomécaniques de l’appareil phonatoire humain, mais reflètent les propriétés intrinsèques de l’appareil psychoacoustique des mammifères. Diehl et Kluender soutiennent que ce sont les langues humaines qui se sont adaptées, au cours de leur évolution culturelle, aux sensibilités préexistantes du système auditif. Si nous plaçons des frontières de voisement vers +25 ou +30 millisecondes, ce ne serait pas parce que le larynx le dicte, mais parce que le système auditif des mammifères présente un pic naturel de détection temporelle lorsque deux événements acoustiques sont séparés par un quart de dixième de seconde.

De plus, cette école théorique a démontré l’existence d’« invariants auditifs relationnels complexes ». Bien qu’un formant isolé ne soit pas invariant, la relation mathématique entre les bandes spectrales (le rapport fréquentiel entre F1, F2 et F3) fournit des signatures stables qui peuvent être reconnues par des mécanismes d’analyse de scènes auditives généraux, sans qu’aucune médiation motrice ne soit logiquement requise.

9.2 Les modèles computationnels et connexionnistes

Une seconde ligne d’attaque fondamentale est venue du courant connexionniste et de l’intelligence artificielle cognitive, incarnée de manière spectaculaire par le modèle TRACE mis au point par James McClelland et Jeffrey Elman en 1986. TRACE est une architecture computationnelle de traitement massivement parallèle et distribué, fondée sur des réseaux neuronaux artificiels interconnectés.

Dans le modèle TRACE, le signal acoustique est traité à travers trois couches successives de nœuds élémentaires :

• La couche des traits acoustiques élémentaires (transitions spectrales, énergie, silences).
• La couche des représentations phonémiques.
• La couche des représentations lexicales.

L’information circule de manière bidirectionnelle : de bas en haut (ascendante) pour propager les indices physiques détectés, et de haut en bas (descendante) pour propager les contraintes contextuelles et lexicales.

La force destructrice du modèle TRACE à l’encontre de la théorie motrice a été de prouver mathématiquement qu’un système purement auditif-cognitif, exempt de la moindre représentation motrice ou articulatoire, était capable d’émuler avec une précision confondante l’ensemble des phénomènes considérés jusqu’alors comme des chasses gardées de Liberman : la perception catégorielle, la compensation pour la coarticulation et l’intégration du contexte segmental. Pour les connexionnistes, l’invariance émerge spontanément de la dynamique interactive d’un réseau statistique apprenant sur des données acoustiques massives.

9.3 La théorie de l’aimant perceptif de Patricia Kuhl

Une divergence théorique majeure est également apparue avec les travaux novateurs de la neuroscientifique Patricia Kuhl, conceptrice de la théorie de l’aimant perceptif (Native Language Magnet Theory ou modèle NLM). Tout en reconnaissant l’existence d’une spécificité de la parole humaine, Kuhl récuse le postulat nativiste et strictement moteur de Liberman.

Selon le modèle NLM, les nourrissons naissent avec des capacités psychoacoustiques générales partagées avec d’autres espèces, leur permettant de discriminer virtuellement toutes les oppositions phonétiques de toutes les langues du monde. Cependant, au cours de la première année de vie, l’exposition statistique passive aux régularités acoustiques de la langue maternelle reconfigure profondément l’espace auditif cérébral de l’enfant :

Le cerveau forme des « prototypes phonétiques » qui agissent comme des aimants perceptifs. Dans le voisinage spatial d’un prototype d’une catégorie vocalique donnée, l’espace auditif est déformé : les différences physiques entre les sons proches du centre du prototype sont minimisées et ignorées (ce qui crée la constance au sein de la catégorie), tandis que les différences entre des sons situés à la frontière de deux catégories sont étirées et amplifiées (ce qui génère la perception catégorielle).

Pour Patricia Kuhl, cette distorsion de l’espace perceptif est l’aboutissement d’un apprentissage statistique auditif précoce, et non la conséquence de la mise en place d’un répertoire moteur. L’audition sculpte le cerveau bien avant que l’enfant ne développe la capacité articulatoire fine de reproduire ces mêmes sons, inversant ainsi la hiérarchie causale proclamée par la théorie motrice.

10. Études comparatives animales et questions évolutives

L’un des terrains d’affrontement empirique les plus spectaculaires de cette querelle théorique a concerné le règne animal. Si, comme l’affirmait Liberman, la perception de la parole dépend d’un module moteur spécifique apparu avec l’appareil vocal de l’hominidé, alors un animal dépourvu de parole et de tractus vocal adapté devrait être totalement incapable de manifester une perception catégorielle des phonèmes humains.

10.1 La perception catégorielle chez les non-humains

En 1975, Patricia Kuhl et James Miller publièrent dans la revue Science une étude retentissante qui sembla ébranler l’édifice de la théorie motrice jusque dans ses fondations les plus profondes. Ils entraînèrent des chinchillas (Chinchilla laniger) — de petits rongeurs sud-américains totalement dépourvus de parole articulée — à réagir différemment à des sons synthétiques de syllabes humaines le long d’un continuum de VOT variant de /da/ à /ta/.

Grâce à des protocoles de conditionnement opérant rigoureux associant certains sons à des chocs électriques légers et d’autres à des récompenses sous forme d’eau, Kuhl et Miller démontrèrent que les chinchillas séparaient les stimuli avec des frontières d’identification nettes et indiscutables. Plus stupéfiant encore : la frontière de discrimination des chinchillas se situait aux alentours de +33 millisecondes de VOT, c’est-à-dire à un emplacement quasi identique à la frontière séparant les catégories phonémiques /d/ et /t/ chez les auditeurs humains anglophones adultes !

Des expériences ultérieures confirmèrent rapidement ces résultats sur une vaste palette d’espèces animales non-humaines : des macaques rhésus testés sur le lieu d’articulation par Morse et Snowdon, des cailles du Japon entraînées à discriminer les syllabes /ba/, /da/ et /ga/ par Keith Kluender, et même des étourneaux sansonnets. Les animaux, sans posséder l’ombre d’un module moteur vocal humain, exhibaient les mêmes frontières perceptives que les êtres humains face à des continuums de parole de synthèse.

10.2 Contre-arguments de Liberman et des partisans du modèle moteur

Face à ce qui apparaissait pour beaucoup comme une réfutation expérimentale décisive, Alvin Liberman et les théoriciens des Laboratoires Haskins refusèrent de capituler et déployèrent une argumentation épistémologique subtile :

Premièrement, Liberman fit remarquer que montrer qu’un animal peut être conditionné à discriminer deux sons physiques ne prouve aucunement qu’il perçoit de la parole. Un chinchilla perçoit des sons complexes et réagit à des discontinuités de son appareil auditif périphérique (comme les temps de récupération de la réfractarité neuronale synaptique), mais il ne connecte en aucun cas ces indices à un système phonologique, syntaxique ou sémantique sous-jacent. L’animal traite le stimulus dans son mode psychoacoustique général, non dans un mode d’écoute linguistique.

Deuxièmement, Liberman formula une hypothèse évolutionniste élégante : le langage articulé humain n’a pas émergé dans un vide physiologique absolu. Il est tout à fait logique que l’évolution biologique ait guidé la sélection des gestes articulatoires de manière à faire coïncider les frontières de production motrice avec les discontinuités psychoacoustiques préexistantes de l’appareil auditif des mammifères. L’hominidé a sélectionné des contrastes articulatoires (comme le voisement) qui exploitaient des zones de contraste sensoriel naturel afin d’optimiser la robustesse de la transmission.

Cette convergence n’invalide nullement la théorie motrice : elle démontre simplement que la nature a optimisé la communication verbale en alignant intimement les contraintes physiques du conduit phonatoire sur les prédispositions sensorielles du système nerveux central.

10.3 L’évolution phylogénétique de la parole

L’ancrage de la théorie motrice s’éclaire également à la lumière des recherches paléoanthropologiques relatives à l’évolution du tractus vocal humain menées par Philip Lieberman et ses successeurs. L’anatomie vocale de l’Homo sapiens moderne présente une singularité absolue au sein des mammifères : la descente permanente du larynx au fond de la gorge, qui crée un conduit vocal à deux tubes orthogonaux de longueur égale (la cavité buccale horizontale et la cavité pharyngienne verticale).

Cette configuration anatomique unique — payée au prix lourd d’un risque permanent d’étouffement par fausse route alimentaire lors de la déglutition — offre une flexibilité géométrique inégalée pour moduler indépendamment les deux premiers formants acoustiques et générer les voyelles quantiques universelles (/i/, /u/, /a/). Parallèlement, l’élargissement du canal hypoglosse chez les fossiles d’hominidés récents témoigne d’une innervation motrice massivement accrue des muscles de la langue, indispensable à la vélocité et à la précision des gestes phonétiques.

Dans cette perspective phylogénétique, l’avènement de la parole humaine a nécessité une co-évolution intime et synchrone entre les réseaux neuronaux pilotant le contrôle moteur articulatoire (notamment l’expansion du cortex prémoteur et de la connectivité via le faisceau arqué) et les circuits récepteurs chargés d’interpréter ces mouvements. La théorie motrice se présente ainsi comme la formalisation cognitive de cette co-évolution anatomique et fonctionnelle qui a transformé un primate vocaliseur en un animal de parole symbolique.

11. Applications cliniques et technologies vocales

Loin de constituer une pure querelle d’académiciens, les postulats de la théorie motrice ont fécondé des champs d’application pratiques d’une importance capitale, allant du diagnostic et de la réhabilitation des troubles du langage jusqu’au développement des architectures modernes de reconnaissance automatique de la parole.

11.1 Pathologies du langage et de la perception

La théorie motrice offre une grille de lecture diagnostique et thérapeutique puissante pour appréhender de nombreux déficits de la communication verbale :

Dans le domaine des aphasies acquises de l’adulte, l’analyse des atteintes consécutives aux accidents vasculaires cérébraux a longtemps opposé l’aphasie de Broca (considérée comme un déficit moteur pur de production) à l’aphasie de Wernicke (décrite comme un déficit sensoriel de perception). Cependant, des investigations phonétiques poussées ont révélé que les patients atteints d’aphasie motrice de Broca souffrent quasi systématiquement de déficits subtils de la perception catégorielle des phonèmes, précisément sur les dimensions temporelles comme le VOT, corroborant l’idée que l’atteinte des réseaux moteurs frontaux compromet la finesse du décodage perceptif.

Chez l’enfant, la dyspraxie verbale (ou trouble du développement des sons de la parole) illustre de façon poignante cette imbrication : les jeunes enfants présentant une incapacité congénitale à planifier et coordonner la motricité articulatoire manifestent très fréquemment des distorsions sévères dans la catégorisation auditive des contrastes phonétiques de leur propre langue. Les protocoles modernes d’orthophonie intègrent désormais massivement la proprioception motrice et le biofeedback articulatoire (comme l’électropalatographie, qui permet à l’enfant de visualiser en temps réel sur un écran le contact de sa langue contre son palais) : en rééduquant le geste moteur, le thérapeute restaure et consolide la structure de la représentation perceptive auditive.

11.2 L’apprentissage des langues secondes (L2)

L’apprentissage d’une langue étrangère à l’âge adulte se heurte classiquement à la difficulté monumentale de distinguer et de prononcer des sons phonétiques absents du répertoire de la langue maternelle. L’exemple emblématique est la difficulté légendaire des locuteurs natifs japonais à discriminer la différence entre les liquides anglaises /r/ et /l/.

Le Modèle d’Assimilation Perceptive (Perceptual Assimilation Model ou PAM), développé par Catherine Best au sein même des Laboratoires Haskins, trouve ses racines directes dans la théorie motrice révisée. Selon le modèle PAM, un auditeur confronté à des sons d’une langue étrangère tente automatiquement de les assimiler aux gestes articulatoires familiers de son propre répertoire phonologique natif. Si deux sons distincts de la langue étrangère (comme le /r/ rétroflexe et le /l/ alvéolaire anglais) impliquent des gestes qui sont assimilés à un unique type de constriction au sein du système moteur du locuteur natif japonais, ces deux phonèmes s’effondrent dans une seule et même catégorie perceptive indistinguable.

Cette approche a profondément révolutionné la didactique des langues vivantes : les méthodes pédagogiques contemporaines démontrent que l’entraînement articulatoire actif — obliger l’apprenant à placer consciemment ses articulateurs, à sentir la mécanique gestuelle et à s’exercer à la production motrice — est infiniment plus rapide et efficace pour débloquer l’oreille et induire une discrimination auditive stable que la simple écoute passive d’enregistrements audio.

11.3 Reconnaissance automatique de la parole (RAP)

L’histoire de l’ingénierie vocale et de l’intelligence artificielle appliquée à la parole a longtemps reflété la tension conceptuelle entre théories auditives et théorie motrice. Durant des décennies, les systèmes de reconnaissance automatique de la parole ont reposé exclusivement sur des modèles acoustiques statistiques, à l’image des modèles de Markov cachés (Hidden Markov Models ou HMM) opérant sur des représentations spectrales de type MFCC (Mel-Frequency Cepstral Coefficients). Ces systèmes acoustiques purs ont constamment buté sur les mêmes écueils historiques : une sensibilité dramatique aux variations d’accents, une intolérance au débit rapide et un effondrement des performances en présence de coarticulation sévère ou de bruit ambiant.

Pour dépasser ces limites, les ingénieurs se sont tournés vers l’intégration de paramètres articulatoires à travers le problème inverse dit d’« inversion acoustico-articulatoire » (Acoustic-to-Articulatory Inversion ou AAI). L’objectif computationnel de l’inversion est de déduire, à l’aide d’équations hydrodynamiques ou de réseaux de neurones profonds, la trajectoire cinématique invisible du conduit vocal (la position des lèvres, de la mâchoire et du dos de la langue) à partir de la seule onde sonore captée par le microphone.

Aujourd’hui, les architectures les plus sophistiquées de réseaux neuronaux profonds et d’apprentissage auto-supervisé (comme les modèles de type wav2vec ou Conformer) intègrent implicitement, dans leurs couches convolutives et d’attention spatio-temporelle, des représentations intermédiaires qui modélisent les dynamiques physiques et la continuité cinématique du tractus vocal. Même au sein des puces de silicium, la prise en compte de la cause motrice sous-jacente s’est révélée être le vecteur le plus puissant pour conférer de la robustesse à l’interprétation des ondes sonores.

12. Bilan critique, statut épistémologique et perspectives actuelles

Au terme de plus de six décennies de débats passionnés, la théorie motrice de la perception de la parole occupe une place tout à fait singulière dans le panthéon des sciences cognitives : souvent déclarée morte et enterrée par ses détracteurs les plus virulents, elle n’a cessé de ressusciter sous des formes enrichies et renouvelées.

12.1 Forces et avancées conceptuelles majeures

Le mérite historique inaltérable d’Alvin Liberman réside dans son audace conceptuelle visionnaire. En brisant le dogme du béhaviorisme et du réductionnisme psychoacoustique élémentaire, il a été le premier à formuler une théorie rigoureuse du couplage intime entre perception et action dans le domaine de la communication humaine. Il a démontré avec une force d’expérimentation inégalée que la perception n’est pas une copie passive de la stimulation sensorielle externe, mais une simulation dynamique et un acte de reconstruction générative.

De plus, l’impulsion méthodologique donnée par les Laboratoires Haskins a forgé la phonétique expérimentale moderne. Des notions devenues des évidences scientifiques fondamentales — la coarticulation, la non-linéarité spectro-temporelle, le VOT, la perception catégorielle, l’écoute dichotique, la perception duplex et l’intégration audiovisuelle — sont toutes nées des interrogations générées par les thèses de Liberman. Même les théories construites pour réfuter ses propositions lui sont redevables des paradigmes expérimentaux qui ont servi à leur propre émergence.

Enfin, la vision de Liberman a largement débordé le cadre strict de la linguistique pour irriguer le courant philosophique et cognitif contemporain de la cognition incarnée (Embodied Cognition). La théorie motrice a été l’un des premiers modèles empiriques à formaliser l’idée que les structures abstraites de l’esprit humain ne sont pas des algorithmes désincarnés manipulant des symboles amodaux, mais trouvent leur genèse, leur déploiement et leur signification dans l’épaisseur physique de notre corps biologique en action.

12.2 Faiblesses théoriques et apories persistantes

En dépit de sa puissance explicative, la version forte de la théorie motrice s’est heurtée à des contre-exemples cliniques et conceptuels d’une robustesse incontournable qu’il serait intellectuellement malhonnête d’occulter :

L’objection empirique la plus dévastatrice provient de la neuropsychologie clinique et des études de développement pédiatrique chez des individus privés de motricité articulatoire. Des patients atteints du syndrome de Möbius — une malformation congénitale rarissime caractérisée par une paralysie faciale bilale complète et une agénésie des nerfs crâniens VII et XII interdisant tout mouvement des lèvres et de la langue — se révèlent parfaitement capables de discriminer les contrastes phonétiques et de comprendre la parole avec une acuité auditive rigoureusement normale. De même, des cas documentés d’enfants nés avec une anarthrie congénitale absolue (incapacité totale de produire le moindre son de parole) développent une compréhension linguistique réceptive impeccable.

Si la médiation du système moteur était une condition sine qua non et universelle pour percevoir les sons de la parole, ces individus devraient être plongés dans un chaos perceptif complet. Ces données cliniques prouvent de manière péremptoire que le système auditif humain possède une plasticité suffisante pour extraire et classifier l’information phonétique sans s’appuyer obligatoirement sur l’appareil effecteur moteur.

Sur le plan épistémologique, la version révisée de la théorie motrice a également été accusée d’une certaine circularité conceptuelle : si le « geste » articulatoire devient une entité abstraite dynamique, déconnectée des contractions musculaires réelles, ne devient-il pas tout simplement une réécriture commode du phonème traditionnel, difficilement falsifiable au sens de Karl Popper ?

12.3 L’héritage d’Alvin Liberman dans les sciences cognitives modernes

À la lumière des connaissances scientifiques du XXIe siècle, le statut de la théorie motrice a évolué : elle a cessé d’être acceptée comme un dogme exclusif pour devenir l’une des deux polarités fondamentales de la compréhension du langage.

Le consensus neurobiologique actuel — articulé autour des modèles du codage prédictif (Predictive Coding) développés par des théoriciens comme Karl Friston et appliqués à la parole par Martin Pickering et Simon Garrod — assigne au système moteur un rôle de modulateur prédictif plutôt que de décodeur obligatoire universel :

• Lorsque le signal acoustique est clair, familier et écouté dans le silence, le flux ventral auditif général suffit amplement à décoder la parole sans recourir aux réseaux moteurs.
• En revanche, dès que la communication s’opère dans le bruit (l’« effet cocktail party »), avec un interlocuteur présentant un accent inconnu, chez l’enfant en cours d’acquisition ou lors de l’apprentissage d’une langue étrangère, le cerveau bascule massivement vers la boucle motrice dorsale pour anticiper, corriger et restaurer par simulation interne les fragments manquants de l’onde acoustique.

En ce sens, l’intuition fondatrice d’Alvin Liberman sort grandie de cette longue controverse historique. Il a su voir, un demi-siècle avant l’essor de la neuro-imagerie fonctionnelle et de la robotique bio-inspirée, que l’écoute de la parole n’est pas la simple réception passive d’une onde physique, mais un dialogue actif et charnel entre deux esprits connectés par la conscience partagée de leur propre capacité d’action. L’héritage intellectuel d’Alvin Liberman demeure l’un des monuments les plus féconds des sciences de l’esprit, continuant d’inspirer chaque chercheur qui s’interroge sur le mystère de cette voix humaine qui traverse l’air pour devenir pensée.

Références

• Best, C. T. (1995). A direct realist view of cross-language speech perception. In W. Strange (Ed.), Speech perception and linguistic experience: Issues in cross-language research (pp. 171–204). Timonium, MD: York Press.
• Browman, C. P., & Goldstein, L. (1986). Towards an articulatory phonology. Phonology Yearbook, 3, 219–252. https://doi.org/10.1017/S0952675700000658
• Browman, C. P., & Goldstein, L. (1992). Articulatory phonology: An overview. Phonetica, 49(3–4), 155–180. https://doi.org/10.1159/000261913
• Cooper, F. S., Liberman, A. M., & Borst, J. M. (1951). The interconversion of audible and visible patterns as a basis for research in the perception of speech. Proceedings of the National Academy of Sciences, 37(5), 318–325. https://doi.org/10.1073/pnas.37.5.318
• D’Ausilio, A., Pulvermüller, F., Salmas, P., Bufalari, I., Begliomini, C., & Fadiga, L. (2009). The motor somatotopy of speech perception. Current Biology, 19(5), 381–385. https://doi.org/10.1016/j.cub.2009.01.017
• 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.55.090902.141612
• Fadiga, L., Craighero, L., Buccino, G., & Rizzolatti, G. (2002). Speech listening specifically modulates the excitability of tongue muscles: A TMS study. European Journal of Neuroscience, 15(2), 399–402. https://doi.org/10.1046/j.0953-816x.2001.01874.x
• Friston, K. (2005). A theory of cortical responses. Philosophical Transactions of the Royal Society B: Biological Sciences, 360(1456), 815–836. https://doi.org/10.1098/rstb.2005.1622
• Hickok, G., & Poeppel, D. (2007). The cortical organization of speech processing. Nature Reviews Neuroscience, 8(5), 393–402. https://doi.org/10.1038/nrn2113
• Kimura, D. (1961). Cerebral dominance and the perception of verbal stimuli. Canadian Journal of Psychology, 15(3), 166–171. https://doi.org/10.1037/h0083219
• 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
• Liberman, A. M. (1996). Speech: A special code. Cambridge, MA: MIT Press.
• 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., 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
• Liberman, A. M., & Mattingly, I. G. (1989). A specialization for speech perception. Science, 243(4890), 489–494. https://doi.org/10.1126/science.2643163
• Lieberman, P. (1984). The biology and evolution of language. Cambridge, MA: Harvard University Press.
• Lindblom, B., Lubker, J., & Gay, T. (1979). Formant frequencies of bite-block vowels. The Journal of the Acoustical Society of America, 65(6), 1481–1487. https://doi.org/10.1121/1.382910
• Lisker, L., & Abramson, A. S. (1964). A cross-language study of voicing in initial stops: Acoustical measurements. Word, 20(3), 384–422. https://doi.org/10.1080/00437956.1964.11659830
• McClelland, J. L., & Elman, J. L. (1986). The TRACE model of speech perception. Cognitive Psychology, 18(1), 1–86. https://doi.org/10.1016/0010-0285(86)90015-0
• McGurk, H., & MacDonald, J. (1976). Hearing lips and seeing voices. Nature, 264(5588), 746–748. https://doi.org/10.1038/264746a0
• Pickering, M. J., & Garrod, S. (2013). An integrated theory of language production and comprehension. Behavioral and Brain Sciences, 36(4), 329–347. https://doi.org/10.1017/S0140525X12001495
• Potter, R. K., Kopp, G. A., & Green, H. C. (1947). Visible speech. New York, NY: D. Van Nostrand Company.
• 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/10.1121/1.1914580
• Rizzolatti, G., & Craighero, L. (2004). The mirror-neuron system. Annual Review of Neuroscience, 27, 169–192. https://doi.org/10.1146/annurev.neuro.27.070203.144230
• Shankweiler, D., & Studdert-Kennedy, M. (1967). Identification of consonants and vowels presented to left and right ears. Quarterly Journal of Experimental Psychology, 19(1), 59–63. https://doi.org/10.1080/14640746708400069
• Stevens, K. N., & Halle, M. (1967). Remarks on analysis by synthesis and distinctive features. In W. Wathen-Dunn (Ed.), Models for the perception of speech and visual form (pp. 88–102). Cambridge, MA: MIT Press.
• Watkins, K. E., Strafella, A. P., & Paus, T. (2003). Seeing and hearing speech excites the motor system involved in speech production. Neuropsychologia, 41(8), 989–994. https://doi.org/10.1016/S0028-3932(02)00316-0