Ce séminaire présente les nouveaux résultats sur une des fonctions principales du logiciel Antescofo : suivre la position sur la partition d’une performance musicale. L’algorithme mathématique du suivi est très similaire à ceux employés en reconnaissance vocale : l’estimation bayésienne sur des chaînes de Markov cachées (HMM). En pratique, implémenter des HMM nécessite un choix fin de nombreux paramètres, dont l’influence sur les résultats est critique. Si l’apprentissage statistique des paramètres d’un modèle sur des banques de données est la tactique la plus couramment proposée, celle-ci n’apporte pas de garantie théorique sur la robustesse face à des situations peu fréquentes, en particulier celles où l’incertitude d’observation est forte.

Le problème spécifique de l’alignement sur partition en temps-réel nous a permis de relever plusieurs situations critiques. Celles-ci mettent à l’épreuve la robustesse du modèle et permettent de définir sa « cohérence temporelle ». Les traduire en conditions mathématiques a permis de dériver une suite de résultats, que nous présenterons. Certains d’eux amènent vers des questions mathématiques encore en suspens. Sur le plan pratique, ces résultats ont éclairé les choix de modélisation, en en validant certains et en infirmant d’autres. Nous conclurons par une démonstration de l’amélioration des performances du suivi sur des exemples sonores de forte incertitude. Nous espérons que ces résultats pourront intéresser d’autres algorithmes de reconnaissance par HMM, et peut-être trouver un écho sur la question de l’apprentissage statistique.