Webinaire – Représentations Sémantiques, Acoustiques, et Perceptives d’Attributs Métaphoriques du Son – Victor Rosi
Le GPS organise son 1er webinaire de l’année, il sera donné par Victor Rosi le lundi 31 mars à 11h.
Lien :
https://univ-amu-fr.zoom.us/j/93074765143?pwd=6DlprdK4edaRLQuajUuRnOHg5fq8vH.1
ID de réunion : 930 7476 5143
Code secret : 400700
Représentations Sémantiques, Acoustiques, et Perceptives d’Attributs Métaphoriques du Son – Victor Rosi (University College London)

Résumé :
Tous professionnels travaillant dans le domaine du son et de la musique emploient un vocabulaire métaphorique pour décrire le timbre. Dans mon projet de doctorat, j’ai exploré les dimensions sémantiques, perceptives et acoustiques de quatre de ces concepts métaphoriques : la brillance, la chaleur, la rondeur et la rugosité.
Dans une première étude, j’ai examiné la signification de ces termes à travers des entretiens avec des experts du son. À partir des données verbales recueillies et d’une étude en ligne évaluant leur pertinence, j’ai rendu compte des principales catégories sémantiques utilisées pour la description de ces concepts. J’ai ensuite formulé des définitions et sélectionnés des exemples sonores prototypiques pour chacun des quatre concepts dans le but de contribuer à un lexique pour le sound design.
Dans une seconde étude, j’ai analysé l’influence de l’expertise sonore sur la représentation perceptive et acoustique de ces concepts. Pour cela, j’ai invité des chefs d’orchestre, des ingénieurs du son et des non-experts à évaluer un ensemble de sons orchestraux en fonction des quatre concepts, à l’aide du Best-Worst Scaling (BWS). J’ai ensuite modélisé ces évaluations à partir de caractéristiques acoustiques, révélant à la fois des représentations partagées et des divergences perceptives entre les trois groupes de participants.
Les résultats de ces deux études ont permis la composition de Quadrangulation, une pièce musicale inspirée par la sémantique et l’acoustique des concepts étudiés. Enfin, dans le cadre d’un travail collaboratif, nous avons développé le BWSNet, un modèle de metric learning entraîné sur des données perceptives recueillies via le BWS. Ce modèle permet de structurer un espace perceptif de manière cohérente. Nous l’avons appliqué aux données perceptives de notre seconde étude ainsi qu’à un corpus d’attitudes vocales, ouvrant ainsi de nouvelles perspectives pour les représentations partagées de la perception sonore.