Lisez une transcription d’entretien et vous capturez les mots. Mais vous perdez la longue pause avant une réponse difficile, la voix qui baisse quand un sujet sensible surgit, l’accélération soudaine, la réponse qui ne commence qu’après un temps de silence. En recherche qualitative, la façon dont une chose est dite porte souvent autant de sens que ce qui est dit — et l’analyse vocale vous aide à retrouver ces moments dans des heures d’audio.
Ce guide explique l’analyse vocale pour les chercheurs qualitatifs : ce qu’elle mesure, comment elle fonctionne, comment elle complète l’analyse fondée sur les transcriptions, pourquoi les étiquettes émotionnelles automatiques conviennent mal à la recherche par entretiens, et où se situent les responsabilités éthiques. Pour le processus d’analyse dans son ensemble, voyez notre guide Analyse de données qualitatives.
Qu’est-ce que l’analyse vocale ?
L’analyse vocale est la description computationnelle des propriétés vocales et non verbales de la parole — hauteur, volume, débit, pauses et alternance des tours de parole. Appliquée aux enregistrements d’entretiens, elle ajoute une couche paralinguistique aux résultats qualitatifs : un relevé horodaté de l’élocution, que la transcription écrite aplatit.
Elle étudie la paralinguistique : tout ce qui, dans la parole, ne relève pas des mots eux-mêmes. Deux personnes peuvent dire « ça va » de manières très différentes, et l’analyse vocale rend cette différence visible et mesurable — tandis que la question de sa signification reste l’affaire du chercheur.
Pourquoi la voix compte en recherche qualitative
La recherche qualitative s’intéresse au sens, et le sens loge en partie dans l’élocution. Une pause peut signaler un malaise ou une réflexion attentive ; une montée de la hauteur peut marquer l’excitation, l’insistance ou une question ; un débit plus rapide peut traduire l’enthousiasme, la nervosité ou simplement une histoire bien rodée. Un même indice se prête à plusieurs lectures, et c’est précisément pourquoi l’élocution se traite au mieux comme un repère vers des moments à interpréter en contexte, et non comme une réponse en soi.
Ce que mesure l’analyse vocale
Prosodie : hauteur et volume
Les propriétés musicales de la parole : le niveau de hauteur (la hauteur habituelle d’un locuteur), l’étendue tonale (l’amplitude des mouvements de la voix, souvent exprimée en demi-tons pour comparer équitablement des voix différentes), l’intonation (la mélodie d’une phrase) et le volume. Le volume mesuré sur un enregistrement ordinaire est relatif, car il dépend du microphone et de la distance qui en sépare le locuteur : il a donc du sens pour un même locuteur, pas d’un enregistrement à l’autre.
Débit de parole et temps sonore
La vitesse à laquelle quelqu’un parle (mots par seconde, ou caractères par seconde pour des langues comme le chinois et le japonais) et la part de son tour de parole occupée par du son plutôt que par du silence. Les variations au fil de la conversation — une voix qui ralentit, une accélération soudaine — sont généralement plus parlantes que les valeurs absolues.
Pauses, délai de réponse et disfluences
Les silences à l’intérieur d’un tour, le laps de temps avant que quelqu’un ne commence à répondre, les mots de remplissage (« euh », « hum ») et les rires. Ces mesures exigent un horodatage au niveau du mot dans la transcription — chaque mot marqué de son début et de sa fin. Sans cela, un outil peut toujours décrire la hauteur, le débit et le volume, mais pas les pauses ni les mots de remplissage de façon fiable.
Structure de la conversation
Qui parle combien (part de parole), comment les tours alternent et quelle est la longueur des réponses. Dans un entretien, c’est aussi un contrôle de l’intervieweur : un animateur qui occupe 40 % du temps de parole ne laisse pas beaucoup de place aux participants.
Comment ça marche
La chaîne de traitement transforme le son en description : l’audio est converti en un tracé continu de hauteur, de voisement et de volume ; la transcription est alignée sur l’audio pour que chaque tour de parole reçoive sa propre portion de ce tracé ; et chaque tour est comparé à la référence propre du même locuteur. Une référence par locuteur est indispensable, car 220 Hz est une hauteur ordinaire pour une voix et une hauteur élevée pour une autre, et parce que les microphones diffèrent. Les tours qui s’écartent nettement de l’élocution habituelle d’un locuteur — plus forts, plus rapides ou plus aigus que sa norme, ou précédés d’une longue pause — forment une liste de moments à réécouter, chacun avec son code temporel.
Analyse vocale et analyse des transcriptions
| Aspect | Analyse des transcriptions | Analyse vocale |
|---|---|---|
| Capture | Les mots prononcés | La façon dont les mots ont été prononcés |
| Point fort | Contenu, thèmes, sens du langage | Hauteur, débit, volume, pauses, tours de parole |
| Angle mort | Ton, pauses, rythme | Le contenu sémantique — et la raison d’un changement d’élocution |
| Meilleur rôle | Analyse principale | Couche complémentaire qui signale des moments à réécouter |
Les deux approches sont partenaires, non rivales. L’analyse vocale est la plus utile lorsque ses signaux viennent se superposer au codage des transcriptions, pour orienter votre attention plutôt que remplacer votre interprétation.
Cas d’usage en recherche
- Repérer les changements d’élocution — localisez rapidement, dans un long entretien, les tours où un participant s’écarte de sa hauteur, de son débit ou de son volume habituels.
- Mots vs élocution — signalez comme moments à réécouter les tours où des propos appuyés s’accompagnent d’une élocution plate, ou l’inverse.
- Recherche sur des sujets sensibles — remarquez les longues pauses et les délais de réponse importants avant certaines questions.
- Pratique de l’intervieweur — vérifiez la part de parole et si l’intervieweur laisse assez de silence pour que les participants poursuivent.
- Groupes de discussion — voyez qui parle combien et comment les tours se répartissent entre les intervenants.
Ce que tente la reconnaissance vocale des émotions — et pourquoi QualiTaTi ne la pratique pas
La reconnaissance des émotions dans la parole (SER, pour speech emotion recognition) cherche à associer des caractéristiques acoustiques à des étiquettes comme « en colère », « stressé » ou « sûr de soi ». Sur de la parole jouée en laboratoire, elle peut sembler impressionnante ; sur une conversation naturelle, sa validité est limitée. Dans un banc d’essai récent portant sur de la parole spontanée, les meilleurs systèmes n’atteignaient qu’environ 0,43 de macro-F1 toutes catégories d’émotions confondues, et des auditeurs humains qui annotent le même type de parole ne s’accordent que modestement entre eux (kappa de Cohen autour de 0,3–0,4). Le problème de fond est qu’un même changement acoustique — un tour plus fort et plus rapide — peut refléter la colère, l’excitation, l’insistance ou un participant qui se penche vers le microphone.
Il existe aussi une limite juridique. L’article 5(1)(f) du règlement européen sur l’IA (AI Act) interdit les systèmes d’IA qui infèrent les émotions des personnes sur le lieu de travail et dans les établissements d’enseignement, en dehors d’usages médicaux ou de sécurité strictement délimités — or une grande partie de la recherche par entretiens se déroule précisément dans ces contextes. Pour ces deux raisons, QualiTaTi décrit l’élocution et vous en laisse l’interprétation.
Forces et limites
Forces : récupère une information perdue lors de la transcription, passe à l’échelle sur de longs enregistrements et fournit un relevé cohérent et horodaté de l’élocution, que vous pouvez citer et revérifier.
Limites : les résultats dépendent de la qualité audio, et l’audio traité (réduction de bruit, contrôle automatique du gain dans les enregistrements de visioconférence et de navigateur) aplatit le volume ; les normes d’élocution varient selon les individus, les cultures et les langues, il faut donc comparer un locuteur à lui-même plutôt qu’aux autres ; les mesures de pauses, de délai de réponse et de mots de remplissage exigent un horodatage de la transcription au niveau du mot ; et une mesure descriptive ne vous dit jamais pourquoi quelqu’un a parlé comme il l’a fait.
Intégrer la voix à l’analyse thématique
En pratique, il s’agit de placer les moments à réécouter sur votre transcription codée. Lorsqu’un thème coïncide avec un net changement d’élocution — un participant qui ralentit et marque des pauses au moment précis où il aborde un sujet que vous avez codé —, vous avez une raison de réécouter et un second faisceau d’indices. Servez-vous du signal vocal pour guider une écoute attentive : revenez à l’audio aux moments signalés et interprétez-les en contexte, avec la transcription, vos notes de terrain et ce que vous savez du participant.
Éthique
- Consentement — les participants doivent savoir que leur voix sera analysée sous l’angle de l’élocution, et pas seulement transcrite.
- Éviter la surinterprétation — ne transformez pas « plus fort que d’habitude » ou « une longue pause » en affirmation sur ce que le participant a ressenti.
- Variation culturelle et individuelle — les normes de hauteur, de débit et de pauses diffèrent selon les personnes et les langues ; les références doivent être établies par locuteur.
- Confidentialité — les enregistrements vocaux sont des données personnelles et peuvent constituer des données biométriques ; stockez-les et traitez-les de façon sécurisée.
- Limites juridiques — le règlement européen sur l’IA (AI Act) interdit l’inférence des émotions à partir de la voix dans les contextes professionnels et éducatifs ; vérifiez donc votre contexte avant d’utiliser un outil qui la propose.
Outils
Des plateformes dédiées prennent en charge le traitement acoustique pour vous. L’Analyse vocale de QualiTaTi décrit la manière dont les gens ont parlé — niveau et étendue de la hauteur, débit de parole, temps sonore et volume relatif — par rapport à la référence propre de chaque locuteur, résume la part de parole et ajoute pauses, délai de réponse, mots de remplissage et rires pour les enregistrements importés disposant d’une transcription horodatée au niveau du mot. Elle liste les moments à réécouter, que vous pouvez aligner sur votre transcription codée, et exporte un rapport PDF ou un CSV par tour de parole. Chaque enregistrement est analysé séparément. Elle n’étiquette délibérément ni émotions, ni stress, ni assurance : l’interprétation de ces moments vous revient.
Un exemple concret
- Enregistrer et transcrire — captez un audio propre pour 15 entretiens sur un sujet de santé sensible et transcrivez-les.
- Lancer l’analyse vocale — obtenez pour chaque entretien des mesures d’élocution par locuteur et une liste de moments à réécouter (plus fort, plus rapide ou plus aigu que d’habitude ; longues pauses lorsque l’horodatage au niveau du mot est disponible).
- Coder les transcriptions — développez vos thèmes comme d’habitude.
- Aligner — placez les moments sur la transcription codée et notez où les changements d’élocution rejoignent des thèmes précis.
- Interpréter — revenez à l’audio à ces moments, confirmez par une écoute attentive et présentez les indices vocaux aux côtés des citations.
Points clés à retenir
- L’analyse vocale décrit la manière dont une chose est dite — hauteur, volume, débit, pauses, tours de parole — et récupère une information que les transcriptions perdent.
- Comparez chaque locuteur à sa propre référence ; les valeurs absolues dépendent de la voix et du microphone.
- Elle produit une liste de moments à réécouter, pas un verdict sur les sentiments.
- La reconnaissance automatique des émotions fonctionne mal sur la parole naturelle et le règlement européen sur l’IA (AI Act) l’interdit sur le lieu de travail et dans l’enseignement.
- La voix est une donnée personnelle — traitez avec soin le consentement, la confidentialité et le risque de surinterprétation.
Questions fréquentes
Qu’est-ce que l’analyse vocale ?
L’analyse vocale est la description computationnelle des propriétés non verbales de la parole — hauteur, volume, débit, pauses et tours de parole — qui ajoute une couche paralinguistique à l’analyse des entretiens.
Que peut mesurer l’analyse vocale dans un entretien ?
Le niveau et l’étendue de la hauteur, le volume relatif, le débit de parole et le temps sonore, la part de parole et — lorsque la transcription est horodatée au niveau du mot — les pauses, le délai de réponse, les mots de remplissage et les rires. Chaque tour peut être comparé à la référence propre du locuteur pour repérer les moments à réécouter.
En quoi l’analyse vocale diffère-t-elle de la transcription ?
La transcription capture les mots prononcés ; l’analyse vocale capture la manière dont ils l’ont été. L’analyse des transcriptions traite le contenu et les thèmes, tandis que l’analyse vocale ajoute l’insistance, le débit, les pauses et les tours de parole — les deux fonctionnent mieux ensemble.
L’analyse vocale peut-elle détecter les émotions ?
Les outils qui le prétendent sont peu fiables sur la parole naturelle des entretiens : les meilleurs systèmes atteignent environ 0,43 de macro-F1 sur des bancs d’essai en conditions naturelles, et même les annotateurs humains ne s’accordent que modestement (kappa autour de 0,3–0,4). Le règlement européen sur l’IA (AI Act) interdit en outre l’inférence des émotions sur le lieu de travail et dans l’enseignement. QualiTaTi décrit donc l’élocution et n’étiquette pas les émotions.
Comment combiner l’analyse vocale avec l’analyse thématique ?
Placez les moments à réécouter sur votre transcription codée. Là où un net changement d’élocution coïncide avec un thème codé, revenez à l’audio et interprétez le moment en contexte.
Y a-t-il des préoccupations éthiques à analyser la voix ?
Oui. La voix est une donnée personnelle et potentiellement biométrique : obtenez un consentement éclairé pour l’analyse vocale, stockez les enregistrements de façon sécurisée, évitez de lire des sentiments dans les mesures d’élocution et tenez compte des différences individuelles et culturelles dans la manière de parler.