Ingénieur Synthèse de la Parole Multilingue Appliquée aux Langues Régionales H/F - INRIA

A propos d'Inria

Inria est l'institut national de recherche dédié aux sciences et technologies du numérique. Il emploie 2600 personnes. Ses 215 équipes-projets agiles, en général communes avec des partenaires académiques, impliquent plus de 3900 scientifiques pour relever les défis du numérique, souvent à l'interface d'autres disciplines. L'institut fait appel à de nombreux talents dans plus d'une quarantaine de métiers différents. 900 personnels d'appui à la recherche et à l'innovation contribuent à faire émerger et grandir des projets scientifiques ou entrepreneuriaux qui impactent le monde. Inria travaille avec de nombreuses entreprises et a accompagné la création de plus de 200 start-up. L'institut s'eorce ainsi de répondre aux enjeux de la transformation numérique de la science, de la société et de l'économie.

Ingénieur H/F Synthèse de la parole multilingue appliquée aux langues régionales

Type de contrat : CDD

Niveau de diplôme exigé : Bac +5 ou équivalent

Fonction : Ingénieur scientifique contractuel

Contexte et atouts du poste

Ce poste d'ingénieur.e se place dans le cadre du Défi Inria COLaF "Corpus et Outils pour les Langues de France", dont l'objectif est de créer descorpus, des modèles et des logiciels ouverts et inclusifs pour les langues de France. Cela inclut les langues régionales (alsacien, breton, corse, occitan, picard, etc.) et d'outre-mer (créoles, langues polynésiennes, langues kanakes, mahorais, etc.) et les langues d'immigration non-territoriales (arabe dialectal, arménien occidental, berbère, judéo-espagnol, romani, yiddish).

Le/la ingénieur.e sera co-encadré.e paretet lorsque nécessaire par. Il/elle bénéficiera de l'expertise de l'équipeen traitement de la parole et celle deen dialectologie, en phonétique de corpus et en TAL. Il/elle collaborera avec les ingénieurs chargés de la création et la distribution des corpus et des briques logicielles et avec les autres partenaires du projet.

Mission confiée

La synthèse vocale est une technologie-clé pour la valorisation des langues régionales et d'immigration. Ces langues restent cependant largement ignorées des fournisseurs de technologies linguistiques [1], qui entraînent classiquement les systèmes de synthèse vocale sur des jeux de données monolingues de haute qualité enregistrés en studio par un petit nombre d'acteurs professionnels. Cette méthode induit un coût élevé pour chaque langue et limite le nombre de voix et leur expressivité.

L'objectif de ce poste est de concevoir un système de synthèse vocale multilingue et multi-voix applicable aux langues régionales et de le distribuer pour qu'il soit largement utilisé. Parmi les systèmes de synthèse vocale multilingue existants, IMS Toucan [2] est le seul à couvrir plus de 7000 langues. Il s'appuie sur le phonétiseur multilingue transphone [3], l'encodeur articulatoire PanPhon [4], le synthétiseur FastSpeech 2 [5] conditionné sur des plongements de locuteur et de langue et le vocodeur HiFi-GAN [6] entraînés sur un corpus de 18000 heures de parole en 462 langues. Deux défis subsistent: réduire le caractère haché de la voix et les erreurs de phonétisation, tous deux plus prononcés pour les langues peu dotées non vues à l'apprentissage. L'ingénieur collaborera avec une doctorante travaillant sur cette thématique, qui considère aussi CMS [7] et StyleTTS 2 [8].

[1] DGLFLF, Rapport au Parlement sur la langue française 2023,
[2] F. Lux, S. Meyer, L. Behringer, F. Zalkow, P. Do, M. Coler, E.A.P. Habets, N.T. Vu, Meta learning text-to-speech synthesis in over 7000 languages, inInterspeech, 2024, pp.4958-4962.
[3] X. Li, F. Metze, D. Mortensen, S. Watanabe, and A. Black, Zero-shot learning for grapheme to phoneme conversion with language ensemble, inFindings of ACL, 2022, pp.2106-2115.
[4] D.R. Mortensen, P. Littell, A. Bharadwaj, K. Goyal, C. Dyer, L.S. Levin, PanPhon: A resource for mapping IPA segments to articulatory feature vectors, in26th International Conference on Computational Linguistics (COLING), 2016, pp.3475-3484.
[5] Y. Ren, C. Hu, X. Tan, T. Qin, S. Zhao et al., FastSpeech 2: Fast and high-quality end-to-end text to speech, in9th International Conference on Learning Representations (ICLR), 2021.
[6] J. Kong, J. Kim, J. Bae, HiFi-GAN: Generative adversarial networks for efficient and high fidelity speech synthesis, in NeurIPS, 2020, pp.17022-17033.
[7] J. Schalkwyk, A. Kumar, D. Lyth, S. E. Eskimez, Z. Hodari, C. Resnick, R. Sanabria, R. Jiang, and the Sesame team., CSM: A conversational speech generation model, https://github.com/SesameAILabs/csm, 2025.
[8] Y. A. Li, C. Han, V. Raghavan, G. Mischler, N. Mesgarani, StyleTTS 2: Towards human-level text-to-speech through style diffusion and adversarial training with large speech language models, in NeurIPS, 2023, pp.19594-19621.

Principales activités

Pour réduire le caractère haché, la doctorante financée par le projet exploite les enregistrements vocaux disponibles pour les langues régionales et d'immigration visées. Nous exploiterons donc d'autres langues proches sur le plan phonétique et/ou morphologique. Pour améliorer la phonétisation, nous exploiterons aussi les connaissances phonologiques disponibles, avec une attention particulière à la variabilité des prononciations. L'ingénieur.e travaillera sur ces deux sujets et, plus généralement, sur l'évaluation des systèmes de TTS développés par le Défi COLaF sur d'autres langues régionales de France, selon ses compétences et ses souhaits, et sur la mise à disposition concrète et l'utilisabilité de ces logiciels de TTS. L'approche développée sera validée notamment pour l'alsacien, qui est la deuxième langue régionale parlée en France en nombre de locuteurs tout en restant une langue sous-dotée [9]. Le travail de recherche s'appuiera sur les jeux de données collectés et enregistrés par les ingénieurs du Défi COLaF.

[9] D. Bernhard, A.-L. Ligozat, M. Bras, F. Martin, M. Vergez-Couret, P. Erhart, J. Sibille, A. Todirascu, P. Boula de Mareüil, D. Huck, Collecting and annotating corpora for three under-resourced languages of France: Methodological issues,Language Documentation & Conservation, 2021, 15, pp.316-357.

Compétences

Master ou Diplôme d'ingénieur en traitement de la parole, TAL, machine learning, linguistique informatique ou dans un domaine lié.
Solides compétences en programmation Python/Pytorch.
Une expérience préalable en traitement de la parole ou en TAL sera un atout.
La connaissance d'une langue régionale, d'outre-mer ou non-territoriale de France est un plus.

Avantages

- Restauration subventionnée
- Transports publics remboursés partiellement
- Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
- Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
- Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
- Prestations sociales, culturelles et sportives (Association de gestion des oeuvres sociales d'Inria)
- Accès à la formation professionnelle
- Sécurité sociale

Rémunération

A partir de 2692 € brut/mois selon diplômes et expérience